Revista de Ciencias Tecnológicas (RECIT). Volumen 3 (1): 10-22.
Revista de Ciencias Tecnológicas (RECIT). Universidad Autónoma de Baja California ISSN 2594-1925
Volumen 3 (1): 23-34. Enero-Marzo 2020 https://doi.org/10.37636/recit.v312334.
23
ISSN: 2594-1925
Trombosis venosa profunda en extremidades
inferiores: revisión de las técnicas de diagnóstico
actuales y su simbiosis con el aprendizaje automático
para un diagnóstico oportuno
Deep vein thrombosis in lower extremities: review of current
diagnostic techniques and their symbiosis with machine learning for
timely diagnosis
Fong-Mata María Berenice
1
, Inzunza-González Everardo
2
, García-Guerrero
Enrique Efrén
2
, Mejía Medina David Abdel
1
, Morales Contreras Oscar Adrián
1
,
Gómez-Roa Antonio
1
1
Facultad de Ciencias de la Ingeniería y la Tecnología, Universidad Autónoma de Baja California,
Tijuana, Baja California, México.
2
Facultad de Ingeniería, Arquitectura y Diseño, Universidad Autónoma de Baja California, Ensenada,
Baja California, México.
Autor de correspondencia: Dr. David Abdel Mejía Medina, Facultad de Ciencias de la Ingeniería y la
Tecnología, Universidad Autónoma de Baja California, Tijuana, Baja California, México. ORCID:
https://orcid.org/0000-0003-2860-2428. E-mail: damejia@uabc.edu.mx.
Recibido: 15 de Septiembre del 2019 Aceptado: 30 de Noviembre del 2019 Publicado: 1 de Enero del 2020.
Resumen. – La Trombosis Venosa Profunda (TVP) es una manifestación de una Enfermedad
Tromboembólica (ET). Cuando en una TVP los trombos venosos se desprenden y viajan a través
del torrente sanguíneo pueden ocasionar una Trombo Embolia Pulmonar (TEP). La existencia
de Trombosis Venosa Profunda (TVP) en las extremidades inferiores se ha descrito como uno
de los principales factores de riesgo para el desarrollo de la TEP. Se considera que hasta el
90% de los émbolos pulmonares proceden de trombos venosos de las extremidades inferiores.
Las técnicas más utilizadas para la detección de TVP son los modelos de probabilidad clínica,
el dímero D y las pruebas de imagen no invasivas, como la ecografía para la TVP y la
angiotomografía computadorizada (TC) para el embolismo pulmonar. Sin embargo, debido a
la inespecificidad de los síntomas de la TVP, el umbral para ordenar una ecografía es bajo,
además de ser un proceso complicado que requiere la participación de un médico especialista
para su interpretación. En las últimas décadas el aprendizaje automático ha surgido como
apoyo en la toma de decisiones para el diagnóstico de diversas enfermedades, algunas de las
tecnologías más utilizadas en el campo de la medicina incluyen Support Vector Machine (SVM),
Árboles de decisión y las Redes Neuronales Artificiales (RNA). En el presente artículo se hace
una revisión de las tecnologías existentes para la detección de la TVP así como de los
principales algoritmos de aprendizaje automático comúnmente utilizados en aplicaciones
biomédicas; se propone el diseño de un sistema computarizado que utilice técnicas de
aprendizaje automático como herramienta de apoyo para la detección oportuna de un posible
padecimiento de TVP.
Palabras clave: Diagnóstico; Redes neuronales artificiales; Trombosis venosa profunda.
24
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
Abstract. – Deep Venous Thrombosis (DVT) is a manifestation of a Thromboembolic Disease
(ET). When in a DVT the venous thrombus detaches and travel through the bloodstream can
cause a Pulmonary Embolism Thrombus (PET). The existence of Deep Venous Thrombosis
(DVT) in the lower extremities has been described as one of the main risk factors for the
development of PET. It is considered that up to 90% of pulmonary emboli come from venous
thrombi of the lower extremities. The most commonly used techniques for the detection of DVT
are clinical probability models, D-dimer and non-invasive imaging tests, such as ultrasound for
DVT and computed angiotomography (CT) for pulmonary embolism. However, due to the non-
specificity of the symptoms of DVT, the threshold for ordering an ultrasound is low, in addition
to being a complicated process that requires the participation of a specialist doctor for its
interpretation. In recent decades, machine learning has emerged as support in decision-making
for the diagnosis of various diseases, some of the most used technologies in the field of medicine
include Support Vector Machine (SVM), Decision Trees and Neural Networks Artificial (RNA).
This article reviews the existing technologies for the detection of DVT as well as the main
machine learning algorithms commonly used in biomedical applications; The design of a
computerized system that uses machine learning techniques as a support tool for the timely
detection of a possible DVT is proposed.
Keywords: Diagnosis; Artificial neural networks; Deep venous thrombosis.
1. Introducción
Una persona en estado de
hipercoagulabilidad puede llegar a padecer
Trombosis Venosa Profunda (TVP), la cual
involucra la formación de trombos en las
paredes de las venas que impiden que la
sangre fluya como lo haría en condiciones
de salud normales, y puede ocurrir en
extremidades superiores o inferiores. El
presente estudio se ocupa de la revisión de
la literatura del segundo padecimiento,
debido a que el 90% de los casos en donde
se presentan Embolias Pulmonares (EP)
provienen de TVP en extremidades
inferiores [1].
La incidencia de la TVP va de un caso entre
10,000 adultos jóvenes a un caso por cada
cien adultos mayores. En personas de 65 a
69 años la incidencia es de 1.8 casos por
cada 1,000 habitantes al año y aumenta a 3.1
casos por cada 1,000 habitantes por año
entre 85 y 89 años. Los síntomas de la TVP
suelen ser inespecíficos y al mismo tiempo
multifactoriales, por lo que se tiene que
realizar un diagnóstico diferencial ante la
posible sospecha.
Dicho diagnóstico debe realizarse con
diversas entidades como celulitis,
tromboflebitis superficial, rotura de quiste
de Baker, desgarros musculares con
hematoma, traumatismos de partes blandas,
edema de estasis, síndrome postrombótico,
artritis y linfedema [2]; aproximadamente,
un 80-90% de los pacientes con clínica
compatible con TVP, derivados desde la
atención primaria, no presentan este
diagnóstico [3].
Debido a ello, la TVP representa un desafío
clínico para los médicos de todas las
disciplinas, por lo que es esencial que el
primer médico entre en contacto con la
enfermedad para evaluar rápidamente,
comenzar el tratamiento y remitir al
paciente con el especialista [4], debido a que
con el diagnóstico temprano es posible
iniciar oportunamente el tratamiento que
25
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
evite la manifestación pulmonar de la
enfermedad. Recientemente, los algoritmos
de aprendizaje automático se han
incorporado a la práctica médica mediante
el uso de los Sistemas de Apoyo a la Toma
de Decisiones Clínicas (SADC), que
complementan junto con el médico el
diagnóstico de enfermedades, así como la
prescripción de ciertos medicamentos. El
resto del trabajo se divide como sigue, en la
sección 2 se exponen las principales
herramientas de diagnóstico utilizadas en la
actualidad para evaluar condiciones de
TVP. En la sección 3 se mencionan dos
algoritmos de Inteligencia Artificial (IA)
ampliamente utilizados en aplicaciones
médicas. Finalmente, en la sección 4 se
presentan las conclusiones del trabajo y una
propuesta de SADC para la detección
oportuna de TVP en extremidades
inferiores.
2. Herramientas de diagnóstico de TVP
El Trombo Embolismo Venoso (TEV) es
una afección mundial como se puede
apreciar en la tabla 1, es una condición con
altos índices de morbilidad y mortalidad.
Por lo que la detección oportuna de alguna
de estas manifestaciones permite al
especialista determinar el tratamiento
adecuado evitando así que este avance y
lleve a quien lo padece a un estado de salud
que puede ser fatal.
Tabla 1. Incidencia del TEV
Incidencia
habitantes
Período
País o Región
TEV
Ref.
TVP
No
especifica
300,000-600,000
Anual
Estados Unidos
x
[5]
143 y 183 / 100, 000
Anual
Europa
x
[6] <