Programa del congreso

La cirugía mínimamente invasiva ha impulsado programas de entrenamiento como el Fundamentals of Laparoscopic Surgery (FLS), que permiten evaluar el rendimiento a través de métricas externas como tiempos y errores. Sin embargo, estas medidas no reflejan la carga cognitiva del cirujano, un aspecto clave en el proceso de aprendizaje. Este trabajo analiza el potencial de la electroencefalografía (EEG) para caracterizar la evolución de la carga cognitiva durante la práctica laparoscópica.

Se utilizó una base de datos pública, con registros EEG de 25 sujetos, seleccionando solo aquellos que completaron cinco intentos por tarea. Los sujetos se clasificaron en noveles y expertos. Las señales se preprocesaron y analizaron para las regiones frontal, parietal y occipital. A partir de las potencias relativas se calcularon tres índices asociados a la carga cognitiva: Theta/Alpha Ratio (TAR), Engagement Ratio (ER) y Beta/Alpha Ratio (BAR).

Los resultados mostraron una reducción progresiva del TAR y aumento de ER y BAR en noveles, con diferencias significativas desde los primeros intentos, especialmente en la región parietal. En los expertos las curvas permanecieron estables, con menor variabilidad y sin cambios relevantes.

Estos hallazgos apuntan a dos fases del aprendizaje laparoscópico: una de ajuste en noveles y otra de estabilización en expertos, reforzando el valor del EEG como complemento a las métricas clásicas en el entrenamiento quirúrgico.

En este estudio se emplea electroencefalografía intracraneal de profundidad para caracterizar la actividad de la corteza dorsolateral prefrontal durante la navegación en un entorno de realidad virtual. Un paciente con epilepsia refractaria resistente a fármacos, con electrodos de profundidad en la corteza dorsolateral prefrontal derecha, recorrió libremente, a distintas velocidades, un entorno de realidad virtual que simulaba un bosque. Se analizó la potencia espectral en distintas bandas de frecuencia de las señales obtenidas, y se compararon medianas de la potencia entre velocidades usando pruebas no paramétricas. Los resultados revelan dos grupos de contactos con diferentes tendencias de modulación espectral en función de la velocidad: uno muestra aumentos proporcionales en todas las bandas, y el otro, cambios mínimos. Estos hallazgos sugieren la existencia de subregiones funcionales en la corteza dorsolateral prefrontal cuya dinámica espectral se relaciona con el desplazamiento virtual.

La caracterización de los patrones de conectividad funcional dinámica (dFC) cerebral, conocidos como meta-estados, ofrece información sobre la organización temporal de la actividad neuronal. Diferentes estudios han demostrado que el deterioro cognitivo leve (DCL) y la demencia debida a la enfermedad de Alzheimer (EA) provocan cambios en los patrones de dFC; aunque no se conoce claramente su impacto sobre la organización de la secuencia de meta-estados. Los objetivos de este estudio son confirmar que existe una organización recurrente en la secuencia de activación de los meta-estados en estado de reposo y evaluar las variaciones que provocan el DCL y la EA. Para ello se han empleado tres bases de datos de señales de electroencefalografía (EEG) y magnetoencefalografía (MEG), a partir de las que se ha obtenido la secuencia de activación de meta-estados cerebrales. Se ha aplicado un análisis de recurrencias a estas secuencias para cuantificar su nivel de recurrencia y estabilidad. Los resultados muestran una organización recurrente en las secuencias de meta-estados de los controles en la banda alfa, que se degrada progresivamente conforme avanza la demencia, reflejando una pérdida de recurrencia y un aumento de la aleatoriedad. Estos hallazgos apuntan a que la desorganización temporal de los meta-estados podría servir como biomarcador de la neurodegeneración.

Los pacientes con estados alterados de conciencia (DOC) representan un desafío diagnóstico debido a la dificultad para detectar signos claros de conciencia mediante evaluaciones conductuales tradicionales. Por ello, en este estudio, se analizaron las respuestas hemodinámicas cerebrales obtenidas mediante espectroscopía funcional en el infrarrojo cercano (fNIRS) ante comandos simples de imaginería motora, para encontrar posibles casos de cognición encubierta que puedan complementar el diagnóstico clínico de los pacientes DOC. Se solicitó a 22 participantes con DOC imaginar movimientos de la mano derecha o izquierda durante 20 segundos, alternando con periodos de reposo de la misma duración. Se preprocesaron 15 registros válidos de 14 pacientes, 7 diagnosticados como síndrome de vigilia sin respuesta (UWS) y 7 como estado de mínima conciencia (MCS). De cada registro, se extrajeron la media y la pendiente por canal y se utilizó un clasificador basado en un análisis discriminante lineal (LDA) para clasificar las respuestas cerebrales de los pacientes entre movimiento y reposo. El clasificador detectó respuestas cerebrales significativas en un 26,6% de los casos, incluyendo un paciente con diagnóstico de UWS, sugiriendo conciencia encubierta. Estos hallazgos, acordes con estudios previos con resonancia magnética funcional (fMRI) y electroencefalografía (EEG), apoyan el potencial clínico de fNIRS combinado con inteligencia artificial (IA) como herramienta no invasiva y accesible para complementar la evaluación de pacientes con DOC.

Las lesiones cerebrales graves pueden derivar en estados alterados de la conciencia (DoC), incluyendo los estados de vigilia sin respuesta y de mínima conciencia, donde los pacientes presentan signos variables de alerta y conciencia del entorno y ellos mismos. La evaluación clínica de estos signos presenta limitaciones, en tanto que depende principalmente de respuestas motoras. La dependencia de estas respuestas impide evaluar correctamente a aquellos pacientes que, pese a tener cierto nivel de cognición preservado, tienen lesiones en la vía motora, lo que se conoce como cognición encubierta. En este estudio, se complementa dicha evaluación mediante el análisis de respuestas eléctricas cerebrales (EEG) de los pacientes a estímulos emocionales personalizados y neutros. Se reclutaron 15 controles sanos y 15 pacientes con DoC. Cada participante visualizó videos de personas conocidas y desconocidas mediante realidad virtual, mientras se registraba su EEG. Se entrenaron clasificadores SVM personalizados por sujeto para discriminar entre ambas condiciones. Los resultados mostraron clasificación significativa en todos los controles y en 5 pacientes. Además, se observó una fuerte correlación positiva entre la exactitud de los clasificadores y las puntuaciones clínicas, sugiriendo que la capacidad de discriminar estímulos emocionales a nivel neuronal podría reflejar el nivel de conciencia. Este enfoque individualizado permite abordar la elevada variabilidad inter sujeto y muestra potencial como biomarcador objetivo para complementar la evaluación clínica y detectar cognición residual en pacientes con DoC.

En este trabajo se presenta una comparativa entre diferentes técnicas de filtrado (tanto existentes como novedosas) para la selección de un único canal con el fin de detectar crisis epilépticas en registros de EEG. El objetivo es identificar el mejor canal para capturar la información ictal, minimizando a su vez la complejidad del sistema, con la finalidad de implementarlo en dispositivos portátiles. Utilizando la base de datos CHB-MIT, se emplean diversas medidas estadísticas (varianza, entropía, correlación y divergencia de Jensen-Shannon) para evaluar la efectividad de cada canal. Se utiliza una Máquina de Vectores de Soporte (SVM) específica para cada paciente para clasificar los eventos de crisis, con la extracción de características realizada tanto en el dominio temporal como frecuencial. El entrenamiento se lleva a cabo siguiendo el esquema de validación cruzada, dejando un registro fuera. Los resultados resaltan los beneficios de la selección de canales basada en medidas tales como la divergencia de Jensen-Shannon, que permite reducir los requisitos computacionales y mantener un buen rendimiento.