Hemispheric y el EEG: 250.000 horas de datos no son validación clínica

El 15 de julio de 2026, Hemispheric salió del modo sigiloso con 52 millones de dólares de financiación y presentó Descartes, un modelo de 6.000 millones de parámetros entrenado para interpretar electroencefalogramas. La empresa dice haber reunido más de 250.000 horas de registros multimodales y conductuales de más de 100.000 participantes. Su meta es convertir una prueba no invasiva de unos 15 minutos en información útil para salud cerebral.

La escala es llamativa, pero no responde a la pregunta clínica decisiva: ¿mejora el sistema una decisión médica en personas que no participaron en su desarrollo? El anuncio original de Hemispheric enumera aplicaciones deseadas —TEPT, traumatismo cerebral leve, depresión, ansiedad, esquizofrenia y alzhéimer—, pero no publica sensibilidad, especificidad, protocolo clínico, artículo revisado por pares ni autorización regulatoria. Esa ausencia no demuestra que el modelo falle; sitúa el producto en el peldaño que la evidencia pública permite sostener.

Qué mide realmente un EEG

Un electroencefalograma registra diferencias de voltaje en el cuero cabelludo producidas por la actividad coordinada de poblaciones neuronales. No lee pensamientos ni observa una neurona aislada. Cráneo, piel, colocación de electrodos, movimiento, parpadeo, tensión muscular, medicación, sueño y tarea realizada pueden cambiar la señal. El Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares describe el EEG como una prueba indolora y de bajo riesgo empleada, entre otros usos, para trastornos convulsivos, sueño y monitorización cerebral.

Eso explica a la vez su atractivo y su dificultad. Es mucho más fácil desplegar electrodos externos que implantar sensores, pero la medición llega mezclada y atenuada. Para extraer una característica estable hay que controlar hardware, referencia eléctrica, frecuencia de muestreo, filtrado, artefactos y contexto de la tarea. Un modelo grande puede aprender regularidades en esa mezcla; también puede aprender qué laboratorio tomó el registro, qué diadema se usó o cómo se movía un grupo.

Hemispheric afirma haber construido tanto laboratorios de recogida como infraestructura y dispositivos propios. Su página oficial de Descartes dice que el sistema se entrenó con tareas perceptivas, cognitivas, emocionales y conductuales y que generaliza a personas nuevas. Sin una ficha que desglose cohortes, lugares, diagnósticos y métricas por subgrupo, “generaliza” sigue siendo una afirmación del fabricante, no un resultado que el lector pueda auditar.

Más horas no significan más pacientes independientes

Las 250.000 horas y los 100.000 participantes describen dimensiones diferentes. Muchas ventanas temporales de una misma sesión pueden producir millones de ejemplos altamente correlacionados, pero no equivalen a millones de cerebros. La unidad que debe mantenerse separada entre entrenamiento y prueba suele ser la persona; según el uso, también el centro clínico, el dispositivo, el país o el periodo.

Si fragmentos del mismo participante aparecen en ambos conjuntos, el modelo puede reconocer rasgos individuales en lugar de aprender una señal transferible de enfermedad. Si todos los casos proceden de laboratorios propios y la prueba usa el mismo montaje, puede caer al cambiar de hospital. Si controles y pacientes se registran con protocolos distintos, puede clasificar el protocolo. Estas fugas no se resuelven con más parámetros.

Hay otra separación imprescindible: datos conductuales de entrenamiento y etiqueta clínica. Un juego puede activar atención, memoria o control inhibitorio y aportar una señal rica para preentrenar. Pero un diagnóstico de TEPT no se define por una puntuación en un juego. Para validar un biomarcador hace falta un estándar de referencia clínico previamente especificado, aplicado sin que quien etiqueta conozca la predicción del modelo.

Decodificar una tarea no es diagnosticar un trastorno

Un modelo fundacional puede aprender primero una representación general y después adaptarse a tareas concretas. Ese enfoque ya es valioso si predice estímulos, movimientos o rendimiento en ejercicios nuevos. El salto de una demostración de decodificación a una indicación médica exige otro ensayo: población objetivo real, comparación adecuada, umbral fijado de antemano y consecuencias clínicas medidas.

Las guías GREENBEAN para biomarcadores basados en EEG, elaboradas por un grupo internacional bajo la Federación Internacional de Neurofisiología Clínica y la red EQUATOR, distinguen cuatro fases. Las fases 1 y 2 son exploratorias y no constituyen validación formal; la fase 3 aporta evidencia convincente de validez y la fase 4 estudia utilidad y generalización en el mundo real. Es una escalera mejor que la etiqueta imprecisa “probado”.

Para un detector diagnóstico, sensibilidad y especificidad muestran cuántos casos detecta y cuántas personas sin el trastorno clasifica correctamente. No bastan por sí solas. El valor predictivo cambia con la prevalencia: incluso una prueba aparentemente precisa puede generar muchos falsos positivos cuando se aplica a una población de bajo riesgo. También importa compararla con la práctica existente, no con el azar.

Para elegir tratamiento, la exigencia es distinta. Correlacionar una señal inicial con una respuesta posterior no prueba que usar esa señal mejore resultados. Hace falta comparar decisiones guiadas por el modelo con decisiones habituales, idealmente de forma prospectiva. Para seguimiento, hay que conocer repetibilidad y cambio mínimo relevante. “Diagnosticar”, “predecir respuesta” y “monitorizar” no son tres textos de marketing para la misma puntuación: son usos con referencias y riesgos diferentes.

La regulación depende de lo que haga el producto

El comunicado dice que Hemispheric mostró la plataforma a responsables del Centro de Dispositivos y Salud Radiológica de la FDA y persigue una estrategia regulatoria amplia. Mostrar no significa presentar una solicitud, y presentar no significa recibir autorización. Tampoco existe una aprobación genérica de un modelo fundacional: la evaluación se vincula a la función, la población, la entrada y la salida pretendidas.

La guía final de la FDA sobre apoyo a decisiones clínicas explica que ciertas funciones quedan fuera de la definición de dispositivo, mientras otras siguen sujetas a sus políticas. Analizar una señal médica con un resultado específico para un paciente puede situar el producto en un terreno distinto al de una herramienta que presenta literatura que el profesional puede revisar independientemente.

La propia investigación regulatoria de la FDA sobre nuevos usos de IA subraya que cribado, triaje, diagnóstico, pronóstico y predicción de respuesta requieren métricas y estándares de referencia diferentes. Por eso preguntar simplemente “¿tiene aprobación?” se queda corto. Hay que preguntar: ¿para qué indicación exacta, con qué versión y qué población?

Una ficha mínima para leer la próxima afirmación

Primero, identifique la salida: ¿una representación de señal, una puntuación de riesgo, un diagnóstico auxiliar o una recomendación de tratamiento? Segundo, busque la independencia del test: participantes, centros y periodos que no alimentaron entrenamiento ni selección del modelo. Tercero, exija denominadores y umbral, no solo “exactitud”: sensibilidad, especificidad, intervalos de confianza y resultados por edad, sexo, medicación, comorbilidad, dispositivo y calidad de señal.

Cuarto, compruebe el comparador. El valor práctico aparece cuando el sistema se mide junto a especialistas y pruebas actuales, con una ruta prevista para resultados discordantes. Quinto, separe reproducibilidad de utilidad: repetir una puntuación estable es necesario, pero no demuestra que cambie un tratamiento ni que ese cambio beneficie al paciente. Sexto, localice publicación, registro de estudio y decisión regulatoria; una nota corporativa solo documenta lo que la empresa afirma.

Descartes puede convertirse en una plataforma importante: una cohorte amplia y un EEG accesible son ingredientes serios. A 15 de julio, la evidencia pública permite afirmar que Hemispheric lanzó el modelo, describió su escala y anunció ambiciones clínicas. No permite convertir esas ambiciones en diagnósticos disponibles ni en precisión demostrada. La capacidad duradera es distinguir tamaño de datos, rendimiento de decodificación, validación clínica y utilidad real: cuatro peldaños que ningún número de parámetros permite saltar.