AI-Based Identification of Artifact-Free Wake EEG Segments for Spectral Analysis in Hepatic Encephalopathy

Hepatic encephalopathy is a serious complication of liver disease and/or portosystemic shunting, associated with high morbidity and mortality. Wake electroencephalography (EEG) is commonly used to support its diagnosis and prognosis by detecting slowing of brain activity. However, quantitative EEG analysis still depends on manual selection of artifact-free segments, which limits its use in routine clinical practice. The aim of this study was to develop a machine learning-based pipeline capable of automatically selecting one-minute artifact-free wake EEG segments for subsequent automated spectral analysis. A Python-MATLAB workflow was developed to process approximately 12,000 archived EEG recordings stored in proprietary TRC format. A clinically annotated database including 578 evaluations with corresponding EEG recordings, clinical, psychometric, and laboratory data was refined. For each EEG included in the dataset, a one-minute artifact-free wake segment previously identified by expert clinicians was used as a reference standard. On a subset of 4 EEG recordings, a preliminary validation of the automated pipeline was performed. Spectral analysis was automatically applied to the manually selected segments to verify correct interpretation of the EEG annotations and reproducibility of spectral EEG parameters. A total of 578 clinical evaluations with corresponding EEG recordings and standardized diagnostic classification were included in the final dataset. A structured TRC-based EEG database was successfully constructed by linking electrophysiological recordings with confirmed clinical diagnoses. Preliminary validation of the automated EEG processing pipeline was performed on 4 EEG recordings, demonstrating good agreement between the spectral analysis implemented in the automatic algorithm and those manually performed by expert clinicians. The results suggest that machine learning may help automate the selection of high-quality EEG segments. This may reduce variability between observers and may support the use of machine learning-based quantitative EEG analysis in the clinical assessment of hepatic encephalopathy.

L’encefalopatia epatica è una grave complicanza della cirrosi con/senza shunt portosistemico, ed è associata ad un’elevata morbilità e mortalità. L’elettroencefalogramma (EEG) è comunemente utilizzato come supporto diagnostico e prognostico grazie alla sua capacità di rilevare il rallentamento dell’attività cerebrale di veglia caratteristico della patologia. Tuttavia, l’analisi quantitativa dell’EEG richiede ancora la selezione manuale di segmenti privi di artefatti, limitandone l’applicazione nella pratica clinica routinaria. Lo scopo di questo studio è stato sviluppare una pipeline basata su tecniche di machine learning in grado di selezionare automaticamente segmenti di EEG di veglia della durata di un minuto e privi di artefatti, da destinare alla successiva analisi spettrale automatizzata. A questo scopo, è stata sviluppata una pipeline integrata Python-MATLAB per l’elaborazione di circa 12.000 registrazioni EEG archiviate nel formato proprietario TRC. È stato inoltre perfezionato un database di 578 valutazioni comprendente i tracciati EEG ed i corrispondenti dati clinici, psicometrici e laboratoristici. Per ciascun EEG incluso nel dataset è stato utilizzato come standard di riferimento un segmento di veglia di un minuto, privo di artefatti e precedentemente selezionato da clinici esperti. Su un sottoinsieme di quattro registrazioni EEG è stata effettuata una validazione preliminare della pipeline automatizzata. L’analisi spettrale è stata applicata automaticamente ai segmenti selezionati manualmente al fine di verificare la corretta interpretazione delle annotazioni EEG e la riproducibilità dei parametri spettrali. Nel dataset finale sono state incluse 578 valutazioni cliniche corredate dai rispettivi tracciati EEG e da una classificazione diagnostica standardizzata. È stato costruito con successo un database EEG strutturato basato sul formato TRC, integrando le registrazioni elettrofisiologiche con diagnosi cliniche confermate. La validazione preliminare della pipeline automatizzata, eseguita su quattro registrazioni EEG, ha mostrato una buona concordanza tra l’analisi spettrale implementata dall’algoritmo automatico e quella di riferimento. I risultati ottenuti suggeriscono che l’impiego di algoritmi di machine learning possa contribuire ad automatizzare la selezione di segmenti EEG di elevata qualità, riducendo la variabilità inter-osservatore e favorendo l’integrazione dell’analisi quantitativa dell’EEG basata su machine learning nella valutazione clinica dell’encefalopatia epatica.