¿Qué lograron los investigadores?

El logro principal fue un sistema de circuito cerrado que no solo estimulaba el cerebro con un patrón fijo, sino que aprendía de las propias respuestas del cerebro y ajustaba su salida en tiempo real. El estudio se realizó con un hombre de 27 años que perdió la vista debido a una lesión cerebral traumática. Durante seis meses, llevó un implante temporal de 96 electrodos en la corteza visual en el Hospital IMED Elche, en España, lo que permitió al equipo estimular y registrar la actividad cerebral simultáneamente .

Con esta configuración, los patrones diseñados por la IA reprodujeron la actividad cerebral deseada con mayor precisión y utilizando menos corriente eléctrica en comparación con otros métodos, un hallazgo que podría reducir los efectos secundarios y el consumo de energía en futuros dispositivos .

¿Cómo funcionó el modelo de aprendizaje profundo?

La red neuronal profunda fue entrenada para predecir cómo respondería la corteza visual del participante a diferentes combinaciones de parámetros de estimulación. Un aspecto crítico fue que el modelo no solo consideraba qué electrodos se activaban y a qué nivel de corriente, sino que también incorporaba la actividad de reposo del cerebro inmediatamente antes de cada evento de estimulación .

Una vez entrenado, el modelo se utilizó a la inversa: en lugar de solo predecir resultados, buscaba la configuración de estimulación con mayor probabilidad de producir un patrón deseado de actividad neuronal. Esto se conoce como un enfoque de control basado en modelos de circuito cerrado . En lugar de aplicar una receta de estimulación única para todos, el sistema se adaptaba continuamente según el estado actual del cerebro.

Respuesta cerebral frente a la señal de estimulación sola

El hallazgo más importante del estudio es que la actividad neuronal registrada fue un predictor más preciso de lo que el participante percibía realmente (fosfenos: destellos, formas y colores) que la configuración de estimulación por sí sola . Esto significa que saber qué electrodos se activaron y cuánta corriente se administró no determinaba completamente la experiencia visual. La respuesta del cerebro tenía que medirse e interpretarse para predecir de manera fiable la percepción.

Este resultado destaca un desafío central en las neuroprótesis: la señal enviada al cerebro no determina totalmente la percepción que emerge de ella . El cerebro no es un receptor pasivo; su estado momento a momento moldea activamente lo que vemos.

El camino hacia prótesis visuales personalizadas

Este enfoque apunta hacia una nueva generación de prótesis visuales adaptativas y personalizadas que aprenden continuamente la dinámica neuronal de cada usuario y ajustan la estimulación en tiempo real . Las implicaciones clave incluyen:

• Recalibración dinámica: El sistema puede adaptarse a medida que fluctúa el estado de referencia del cerebro, abordando un problema importante de fiabilidad que ha afectado a los implantes de protocolo fijo anteriores .
• Menor consumo de energía y menos efectos secundarios: Dado que los patrones diseñados por la IA lograron sus objetivos con menos corriente eléctrica, los futuros dispositivos podrían ser más seguros y funcionar durante más tiempo con una sola carga de batería .
• Adaptación personalizada: El investigador principal, Michael Beyeler, afirmó: "Una prótesis visual útil no puede basarse en una receta fija. En última instancia, el dispositivo debe adaptarse a la persona, no al revés" .
• Trayectoria clínica: Las fases posteriores del ensayo de viabilidad español pretenden convertir estas prótesis corticales de prototipos experimentales en tratamientos clínicos viables para la ceguera causada por accidentes cerebrovasculares, enfermedades neurodegenerativas o traumatismos .

Aunque este estudio involucró a un solo participante, demuestra un principio fundamental que podría transformar la forma en que se diseñan los sistemas de visión biónica: de estimuladores estáticos a interfaces inteligentes y adaptativas que trabajan con la dinámica natural del cerebro.

¿Qué lograron los investigadores?

El logro principal fue un sistema de circuito cerrado que no solo estimulaba el cerebro con un patrón fijo, sino que aprendía de las propias respuestas del cerebro y ajustaba su salida en tiempo real. El estudio se realizó con un hombre de 27 años que perdió la vista debido a una lesión cerebral traumática. Durante seis meses, llevó un implante temporal de 96 electrodos en la corteza visual en el Hospital IMED Elche, en España, lo que permitió al equipo estimular y registrar la actividad cerebral simultáneamente .

Con esta configuración, los patrones diseñados por la IA reprodujeron la actividad cerebral deseada con mayor precisión y utilizando menos corriente eléctrica en comparación con otros métodos, un hallazgo que podría reducir los efectos secundarios y el consumo de energía en futuros dispositivos .

¿Cómo funcionó el modelo de aprendizaje profundo?

La red neuronal profunda fue entrenada para predecir cómo respondería la corteza visual del participante a diferentes combinaciones de parámetros de estimulación. Un aspecto crítico fue que el modelo no solo consideraba qué electrodos se activaban y a qué nivel de corriente, sino que también incorporaba la actividad de reposo del cerebro inmediatamente antes de cada evento de estimulación .

Una vez entrenado, el modelo se utilizó a la inversa: en lugar de solo predecir resultados, buscaba la configuración de estimulación con mayor probabilidad de producir un patrón deseado de actividad neuronal. Esto se conoce como un enfoque de control basado en modelos de circuito cerrado . En lugar de aplicar una receta de estimulación única para todos, el sistema se adaptaba continuamente según el estado actual del cerebro.

Respuesta cerebral frente a la señal de estimulación sola

El hallazgo más importante del estudio es que la actividad neuronal registrada fue un predictor más preciso de lo que el participante percibía realmente (fosfenos: destellos, formas y colores) que la configuración de estimulación por sí sola . Esto significa que saber qué electrodos se activaron y cuánta corriente se administró no determinaba completamente la experiencia visual. La respuesta del cerebro tenía que medirse e interpretarse para predecir de manera fiable la percepción.

Este resultado destaca un desafío central en las neuroprótesis: la señal enviada al cerebro no determina totalmente la percepción que emerge de ella . El cerebro no es un receptor pasivo; su estado momento a momento moldea activamente lo que vemos.

El camino hacia prótesis visuales personalizadas

Este enfoque apunta hacia una nueva generación de prótesis visuales adaptativas y personalizadas que aprenden continuamente la dinámica neuronal de cada usuario y ajustan la estimulación en tiempo real . Las implicaciones clave incluyen:

• Recalibración dinámica: El sistema puede adaptarse a medida que fluctúa el estado de referencia del cerebro, abordando un problema importante de fiabilidad que ha afectado a los implantes de protocolo fijo anteriores .
• Menor consumo de energía y menos efectos secundarios: Dado que los patrones diseñados por la IA lograron sus objetivos con menos corriente eléctrica, los futuros dispositivos podrían ser más seguros y funcionar durante más tiempo con una sola carga de batería .
• Adaptación personalizada: El investigador principal, Michael Beyeler, afirmó: "Una prótesis visual útil no puede basarse en una receta fija. En última instancia, el dispositivo debe adaptarse a la persona, no al revés" .
• Trayectoria clínica: Las fases posteriores del ensayo de viabilidad español pretenden convertir estas prótesis corticales de prototipos experimentales en tratamientos clínicos viables para la ceguera causada por accidentes cerebrovasculares, enfermedades neurodegenerativas o traumatismos .

Aunque este estudio involucró a un solo participante, demuestra un principio fundamental que podría transformar la forma en que se diseñan los sistemas de visión biónica: de estimuladores estáticos a interfaces inteligentes y adaptativas que trabajan con la dinámica natural del cerebro.