ANESTESIOLOGÍA

Un modelo estadístico define los efectos de la anestesia con ketamina en el cerebro

MIT · 10 septiembre 2021

Al desarrollar el primer modelo estadístico para caracterizar con precisión cómo la anestesia con ketamina afecta al cerebro, un equipo de investigadores del Instituto Picower para el Aprendizaje y la Memoria del Instituto de Tecnología de Massachusetts (MIT) y del Hospital General de Massachusetts (Estados Unidos) ha sentado las bases para tres avances: comprender cómo la ketamina induce la anestesia, controlar la inconsciencia de los pacientes en cirugía y aplicar un nuevo método de análisis de la actividad cerebral.

Basado en las mediciones del ritmo cerebral de nueve sujetos humanos y dos animales, el nuevo modelo, publicado en PLOS Computational Biology, define los distintos estados característicos de la actividad cerebral que se producen durante la anestesia inducida por la ketamina, incluyendo la duración de cada uno de ellos. Además, sigue las pautas de cómo se pasa de un estado a otro. Por tanto, el "modelo de Markov oculto beta" proporciona a anestesistas, neurocientíficos y científicos de datos una guía de principios sobre cómo afecta la anestesia con ketamina al cerebro y qué experimentarán los pacientes.

En un trabajo paralelo, el laboratorio del autor principal, Emery N. Brown, ha desarrollado análisis estadísticos para caracterizar la actividad cerebral bajo anestesia con propofol, pero, como deja claro el nuevo estudio, la ketamina produce efectos totalmente diferentes. Por tanto, los esfuerzos por comprender mejor el fármaco y mejorar los resultados de los pacientes dependen de contar con un modelo específico para la ketamina.

"Ahora tenemos una base estadística muy sólida sobre la ketamina y su dinámica", afirma Brown.

Después de que sus colegas del Hospital General de Massachusetts mostraran patrones alternativos de ritmos gamma de alta frecuencia y ritmos delta de muy baja frecuencia en pacientes anestesiados con ketamina, el equipo de Brown se propuso realizar un análisis riguroso, sugiriendo que un modelo de Markov oculto podría ajustarse bien a los datos porque es adecuado para describir sistemas que cambian entre estados discretos.

Para llevar a cabo el análisis, el equipo recopiló datos de dos fuentes principales. Un conjunto de mediciones procedía de los electroencefalogramas montados en la frente de nueve pacientes quirúrgicos que se sometieron voluntariamente a una anestesia inducida por ketamina durante un periodo de tiempo antes de someterse a una cirugía con fármacos anestésicos adicionales. La otra procedía de electrodos implantados en el córtex frontal de dos animales en el laboratorio.

El análisis de las lecturas con el modelo de Markov oculto, utilizando una distribución beta como modelo de observación, no solo capturó y caracterizó las alternancias previamente observadas entre los ritmos gamma y delta, sino otros estados más sutiles que mezclaban los dos ritmos. 

Y lo que es más importante, el modelo demostró que los distintos estados se mueven en un orden característico y definió la duración de cada uno de ellos. Según los autores, la comprensión de estos patrones permite hacer predicciones del mismo modo que un nuevo conductor puede aprender a predecir los semáforos. Por ejemplo, aprender que los semáforos cambian de verde a amarillo y a rojo y que la luz amarilla sólo dura unos segundos puede ayudar a un nuevo conductor a predecir qué hacer al llegar a un cruce. Del mismo modo, los anestesistas que controlan los ritmos de un paciente pueden utilizar los resultados para asegurarse de que los estados cerebrales cambian como deberían, o hacer ajustes si no es así.

La caracterización de los patrones de los estados cerebrales y sus transiciones también ayudará a los neurocientíficos a comprender mejor cómo actúa la ketamina en el cerebro. Cuando creen modelos computacionales de los circuitos cerebrales subyacentes y su respuesta a la droga, dijo, los nuevos hallazgos les darán importantes limitaciones. Por ejemplo, para que un modelo sea válido, no sólo debe producir estados alternativos de ritmo gamma y lento, sino también los más sutiles. Debe producir cada estado durante la duración adecuada y producir transiciones de estado en el orden apropiado.

"La falta de este modelo impedía que algunos de nuestros otros trabajos avanzaran de forma rigurosa –afirman los autores-. Desarrollar este método nos permitió obtener esa descripción cuantitativa que necesitamos para poder entender qué está pasando y qué tipo de actividad neuronal está generando estos estados".

Referencia: PLoS Comput Biol. 2021;17(8):e1009280. Published 2021 Aug 18. doi:10.1371/journal.pcbi.1009280