Palabras clave
Inteligencia artificial
Estimulación cerebral profunda
Interfaz cerebro-computadora
Técnicas de estimulación cerebral
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Presentar y resumir el concepto de dispositivos de neuromodulación inteligentes y de bucle cerrado, que buscan identificar las firmas neuronales específicas del dolor crónico y cancelarlas selectivamente. Revisión bibliográfica: Esta revisión narrativa explora un enfoque revolucionario en la intersección de la neurociencia y la inteligencia artificial, tratando el dolor crónico como una patología del circuito neural. Se discute cómo los algoritmos de machine learning pueden decodificar datos neuronales complejos para aislar las señales de dolor en tiempo real, permitiendo la identificación de un biomarcador objetivo. A partir de esta decodificación, la neuroestimulación dirigida puede administrar intervenciones precisas para interrumpir estas señales patológicas, operando en un sistema de bucle cerrado (sentir-decodificar-actuar) que es más eficaz y seguro que las terapias de bucle abierto convencionales. Este enfoque representa la transición de tratamientos sistémicos a una terapia adaptativa y personalizada. Consideraciones finales: Se puede considerar que este paradigma impulsado por la IA promete un cambio fundamental en el tratamiento del dolor. Al ofrecer una terapia personalizada y específica, representa una solución potencial para condiciones de dolor intratable, redefiniendo el tratamiento para una condición que afecta a millones de personas y transformando un síntoma en una señal biológica tratable.
Referencias
APKHARIAN AV. Human Brain Imaging Studies of Chronic Pain: Translational Opportunities. In: Kruger L, Light AR, editors. Translational Pain Research: From Mouse to Man. Boca Raton (FL): CRC Press/Taylor & Francis; 2010; 239-251.
COHEN SP, et al. Chronic pain: an update on burden, best practices, and new advances. The Lancet, 2021; 397(10289): 2082-2097.
DEER TR, et al. The Neurostimulation Appropriateness Consensus Committee (NACC) recommendations for implantable neurostimulation devices. Neuromodulation, 2017; 20(3): 195-217.
DREW L. The ethics of brain-computer interfaces. Nature, 2019; 571: 15-17.
GBD 2016 DALY AND HALE COLLABORATORS. Global, regional, and national disability-adjusted life-years (DALYs) for 333 diseases and injuries and healthy life expectancy (HALE) for 195 countries and territories, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet, 2017; 390(10100): 1260-1344.
GBD 2021 LOW BACK PAIN COLLABORATORS. Global, regional, and national burden of low back pain, 1990–2020, its attributable risk factors, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021. The Lancet Rheumatology, 2023; 5: 316-29.
HAAG L, et al. Ethical gaps in closed-loop neurotechnology: a scoping review. npj Digital Medicine, 2025; 8: 11.
HASHMI JA, et al. Shape-shifting pain: chronification of back pain shifts brain representation from nociceptive to emotional circuits. Brain, 2013; 136(9): 2751-2768.
HECK CN, et al. Two-year seizure reduction in adults with medically intractable partial onset epilepsy treated with responsive neurostimulation: final results of the RNS System Pivotal trial. Epilepsia, 2014; 55(3): 432-441.
KNOTKOVA H, et al. Neuromodulation for chronic pain. The Lancet, 2021; 397(10289): 2111-2124.
KUNER R e FLOR H. Structural plasticity and reorganisation in chronic pain. Nature Reviews Neuroscience, 2016; 18(1): 20-30.
LAM CM, et al. Advances in spinal cord stimulation. Bioengineering, 2023; 10(9): 1004.
LEGON W, et al. Transcranial focused ultrasound neuromodulation of the human primary motor cortex. Nature Neuroscience, 2014; 17(2): 322-329.
LITTLE S, et al. Adaptive deep-brain stimulation in advanced Parkinson's disease. Annals of Neurology, 2013; 74(3): 449-457.
PLONER M, et al. Are there pain-specific brain representations? A meta-analysis of brain imaging studies. Pain, 2017; 158(7): 1217-1221.
RAZA A, et al. Closed-loop spinal cord stimulation: a review of the evidence and future directions. Neuromodulation, 2023; 26(1): 15-24.
SHIRVALKAR P, et al. First-in-human prediction of chronic pain state using intracranial neural biomarkers. Nature Neuroscience, 2023; 26(6): 1090-1099.
SHOU G, et al. Machine learning in pain research. Pain Medicine, 2020; 21(11): 2821-2838.
STUBHAUG A, et al. The costs of chronic pain: long-term estimates. European Journal of Pain, 2024; 28: 960-977.
VOWLES KE, et al. Rates of opioid misuse, abuse, and addiction in chronic pain: a systematic review and meta-analysis. Pain, 2015; 156(4): 569-576.
WAGER TD, et al. An fMRI-based neurologic signature of physical pain. The New England Journal of Medicine, 2013; 368(15): 1388-1397.
WOOLF CJ. Central Sensitization: Implications for the Diagnosis and Treatment of Pain. Pain, 2011; 152(3): 2-15.
ZEBHAUSER PT, et al. Resting-state electroencephalography and magnetoencephalography as biomarkers of chronic pain: a systematic review. Pain. 2023; 164(6): 1200-1221.