Hallazgos electroencefalográficos compatibles con encefalopatía en pacientes ingresados por covid-19 / Electroencephalographic findings compatible with encephalopathy in patients admitted for COVID-19

RESUMEN INTRODUCCIÓN: La covid-19 afecta principalmente al aparato respiratorio, sin embargo, también se ha descrito afectación tanto directa como indirecta en el sistema nervioso central y periférico, lo cual ocasiona una gran variedad de manifestaciones neurológicas, siendo la encefalopatía una de las más frecuentemente observadas. OBJETIVO: Se busca mostrar la utilidad del video-electroencefalograma (vEEG) en el diagnóstico de encefalopatía en pacientes ingresados por covid-19, así como su valor para determinar el pronóstico de estos pacientes. MÉTODOS: Estudio observacional retrospectivo con 76 vEEG de 41 pacientes con covid-19 confirmada. Los estudios se han realizado entre los meses de marzo del 2020 y junio del 2021. Se estudió la gravedad de la enfermedad, así como sus características clínicas y neurológicas, el tratamiento farmacológico y los hallazgos electroencefalográficos según el grado de disfunción de la encefalopatía que desarrollaron estos pacientes. RESULTADOS: De los 41 pacientes, 12 (29 %) presentaron signos electroencefalográficos de disfunción cerebral leve, 15 (37 %) disfunción cerebral moderada y 14 (34 %) disfunción cerebral severa, los cuales se asociaron con una mayor mortalidad. CONCLUSIONES: En los 76 vEEG realizados a los 41 pacientes ingresados con encefalopatías asociadas con infección por covid-19, no se observó un patrón distinto a los descritos en encefalopatías de otras etiologías. El vEEG fue útil para confirmar la sospecha clínica de una disfunción cerebral en pacientes con encefalopatías asociadas con infección por covid-19 y para asignarle un grado de severidad, confirmando su beneficio como biomarcador diagnóstico y pronóstico.

ABSTRACT INTRODUCTION: COVID-19 mainly affects the respiratory system; however, both direct and indirect involvement of the central and peripheral nervous system has also been described, causing a wide variety of neurological manifestations, with encephalopathy being one of the most frequently observed neurological manifestations. OBJECTIVE: With this article we intend to show the usefulness of vEEG in the diagnosis of encephalopathy in patients referred for COVID-19 who develop this neurological complication, as well as its value in determining the prognosis of these patients. METHODS: Retrospective observational study with 76 video-electroencephalograms of 41 patients with confirmed COVID-19 infection. The studies were performed during the months of March 2020 through June 2021. Disease severity, clinical and neurological features, pharmacological treatment and electroencephalographic indings were studied according to the degree of encephalopathy dysfunction these patients developed. RESULTS: Of the 41 patients, 12 (29 %) presented electroencephalographic signs of mild cerebral dysfunction, 15 (37 %) moderate cerebral dysfunction, and 14 (34 %) severe cerebral dysfunction, which were associated with higher mortality. CONCLUSIONS: In the 76 vEEG performed in the 41 patients admitted with encephalopathies associated with COVID-19 infection, no pattern different from that described in encephalopathies of other etiologies was observed. The vEEG was useful to confirm the clinical suspicion of brain dysfunction in patients with encephalopathies associated with COVID-19 infection and to assign a degree of severity, confirming its benefit as a diagnostic and prognostic biomarker.

Análisis de señales electroencefalográficas para la clasificación de habla imaginada / Electroencephalographic Signals Analysis for Imagined Speech Classification

El presente trabajo tiene como objetivo interpretar las señales de EEG registradas durante la pronunciación imaginada de palabras de un vocabulario reducido, sin emitir sonidos ni articular movimientos (habla imaginada o no pronunciada) con la intención de controlar un dispositivo. Específicamente, el vocabulario permitiría controlar el cursor de la computadora, y consta de las palabras del lenguaje español: "arriba", "abajo", "izquierda", "derecha", y "seleccionar". Para ello, se registraron las señales de EEG de 27 individuos utilizando un protocolo básico para saber a priori en qué segmentos de la señal la persona imagina la pronunciación de la palabra indicada. Posteriormente, se utiliza la transformada wavelet discreta (DWT) para extraer características de los segmentos que son usados para calcular la energía relativa wavelet (RWE) en cada una de los niveles en los que la señal es descompuesta, y se selecciona un subconjunto de valores RWE provenientes de los rangos de frecuencia menores a 32 Hz. Enseguida, éstas se concatenan en dos configuraciones distintas: 14 canales (completa) y 4 canales (los más cercanos a las áreas de Broca y Wernicke). Para ambas configuraciones se entrenan tres clasificadores: Naive Bayes (NB), Random Forest (RF) y Máquina de vectores de soporte (SVM). Los mejores porcentajes de exactitud se obtuvieron con RF cuyos promedios fueron 60.11% y 47.93% usando las configuraciones de 14 canales y 4 canales, respectivamente. A pesar de que los resultados aún son preliminares, éstos están arriba del 20%, es decir, arriba del azar para cinco clases. Con lo que se puede conjeturar que las señales de EEG podrían contener información que hace posible la clasificación de las pronunciaciones imaginadas de las palabras del vocabulario reducido.

This work aims to interpret the EEG signals associated with actions to imagine the pronunciation of words that belong to a reduced vocabulary without moving the articulatory muscles and without uttering any audible sound (imagined or unspoken speech). Specifically, the vocabulary reflects movements to control the cursor on the computer, and consists of the Spanish language words: "arriba", "abajo", "izquierda", "derecha", and "seleccionar". To do this, we have recorded EEG signals from 27 subjects using a basic protocol to know a priori in what segments of the signal a subject imagines the pronunciation of the indicated word. Subsequently, discrete wavelet transform (DWT) is used to extract features from the segments. These are used to compute relative wavelet energy (RWE) in each of the levels in that EEG signal is decomposed and, it is selected a RWE values subset with the frequencies smaller than 32 Hz. Then, these are concatenated in two different configurations: 14 channels (full) and 4 channels (the channels nearest to the brain areas of Wernicke and Broca). The following three classifiers were trained using both configurations: Naive Bayes (NB), Random Forest (RF) and support vector machines (SVM). The best accuracies were obtained by RF whose averages were 60.11% and 47.93% using both configurations, respectively. Even though, the results are still preliminary, these are above 20%, this means they are more accurate than chance for five classes. Based on them, we can conjecture that the EEG signals could contain information needed for the classification of the imagined pronunciations of the words belonging to a reduced vocabulary.