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]
63 / 100, 000
Anual
España
x
[6]
120 / 100,000
No especifica
Francia
x
[1]
12.7 / 100, 000
Anual
Korea
x
[7]
16.6 / 100, 000
La TVP se presenta de manera frecuente en
la atención de urgencias; se ha estimado
cerca de 2 millones de nuevos casos en EE.
UU. cada año, con una tasa de incidencia de
1 a 2 casos por cada mil habitantes al año
[8]. Las estimaciones detalladas del número
anual de eventos de TEV son difíciles de
obtener puesto que el TEV es difícil de
diagnosticar. El TEV a menudo es
clínicamente silencioso y, en muchos casos,
el primer signo de la enfermedad es una
Trombo Embolia Pulmonar repentina y
fatal. El TEV a menudo es asintomático, se
diagnostica erróneamente y no se reconoce
en el momento de la muerte sino a través de
rutinas postmortem [9].
2.1 Modelos probabilísticos
Los modelos o algoritmos probabilísticos,
clasifican el riesgo de que un paciente
presente diagnóstico positivo a una TVP
con base en un conjunto de síntomas y
factores asociados a la enfermedad. Los
principales modelos probabilísticos son la
Escala de Wells [9] y la regla de Oudega
[10].
26
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
2.1.1 Modelo de Wells
El modelo probabilístico más utilizado para
guiar el diagnóstico de la TVP es el
propuesto por Wells como lo mencionan
Darwood y Smith en el trabajo “Deep vein
thrombosis” [11], el cual consta de nueve
criterios, en donde a cada uno de ellos se le
asigna un valor numérico. Wells propone
tres diferentes grupos para clasificar la
probabilidad de sufrir TVP; dependiendo de
la puntuación alcanzada al sumar los valores
de los criterios observados en el paciente, la
probabilidad de TVP puede clasificarse
como: probabilidad baja (sumatoria de la
puntuación menor a uno), probabilidad
moderada (sumatoria de la puntuación entre
1 y 2) y probabilidad alta (sumatoria mayor
o igual a tres). En la tabla 2 se muestran los
criterios establecidos, así como el valor
asignado.
Tabla 2. Modelo de Wells para la predicción de TVP [12]
Criterios considerados
Puntuación
Cáncer activo (en tratamiento o detectado hace menos de 6 meses o en
tratamiento paliativo)
1
Parálisis, paresia, inmovilización con yeso del miembro sospechoso
1
Reposo en cama reciente de más de 3 días o cirugía mayor realizada hace
menos de 4 semanas
1
Tumefacción de todo un miembro
1
Dolor localizado en el trayecto venoso profundo
1
Tumefacción unilateral de la pantorrilla de más de 3 cm en comparación
con la pantorrilla contralateral
1
Edema con fóvea
1
Venas superficiales (no varicosas) colaterales
1
Presencia de un diagnóstico alternativo al menos tan probable como el de
trombosis venosa profunda
-2
2.1.2 Regla de Oudega
Un segundo modelo de predicción utilizado
en TVP es la escala o regla de Oudega [10],
la cual se utiliza en atención primaria para
predecir el riesgo de que un paciente sufra
TVP. En la tabla 3 se listan los criterios que
permiten llevar a cabo la estimación del
padecimiento.
Tabla 3. Escala de Oudega para predicción de TVP
[10]
Variables
Puntuación
Hombre
1
Anticonceptivos orales
1
Presencia de
malignidad
1
Cirujía reciente
1
Ausencia de trauma en
la pierna
1
Distensión de la vena
1
Aumento en la
pantorrilla ≥ 3cm
2
D-dimero anormal
6
27
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
Al igual que en el modelo de Wells, se
suman los criterios seleccionados de la
Tabla 3 y el resultado obtenido permite
conocer la estimación del riesgo para el
paciente: riesgo alto (10-13 puntos), riesgo
moderado (7-9 puntos), riesgo Bajo (5-6
puntos), riesgo muy bajo (0-3 puntos).
Aunque la escala de Wells es la más
utilizada en hospitales, en el trabajo
“Estudio coste efectividad del proceso
diagnóstico de la trombosis venosa
profunda desde la atención primaria” [3] se
comenta que ambas escalas presentan
“sensibilidad y especificidad similar y no
difieren en su validez diagnóstica.”
2.2 Dímero D
Los dímeros D son pequeños fragmentos de
proteínas generados por la fibrinólisis de un
trombo o coágulo sanguíneo. Los ensayos
de dímero D se emplean en el diagnóstico
de TVP o TEP y se han usado para predecir
la probabilidad de Tromboembolismo
Venoso recurrente [13]. El dímero D opera
como un marcador sensible en la detección
de TEV y excluye el TEV sin necesidad de
pruebas adicionales entre pacientes con baja
probabilidad clínica de TEP. Sin embargo, a
medida que el dímero D aumenta con la
edad, los pacientes mayores con mayor
frecuencia tienen resultados positivos
falsos, lo que disminuye la especificidad de
la prueba en estos pacientes. La tasa de
falsos positivos puede reducirse utilizando
un umbral de dímero-D ajustado por edad
[14].
2.3 Equipo de diagnóstico
Con el paso de los años se han desarrollado
diferentes tecnologías capaces de simular y
medir la hemodinámica del flujo sanguíneo
lo que facilita el diagnóstico de las
enfermedades tromboembólicas. A
continuación, se describen los principales
equipos de diagnóstico de TVP tanto en
etapa de investigación, como los que se
utilizan actualmente dentro de las unidades
de radiología.
2.3.1 Equipo de diagnóstico en etapa de
investigación
La termografía [15-20], es una técnica
rápida, simple, no invasiva, sin riesgo, con
un adecuado costo-beneficio y es altamente
sensible en una investigación inicial cuando
existe sospecha de TVP. La termografía
monitorea la temperatura del cuerpo
utilizando cámaras térmicas para obtener
correlaciones entre la fisiología térmica y la
temperatura de la piel [21]. Una termografía
negativa es concluyente en un estudio de
TVP. Sin embargo, una termografía positiva
tiene un sin número de causas probables, lo
que indicaría una evaluación adicional por
venografía o Doppler para confirmar o
refutar la TVP [22]. La termografía también
se utiliza en el diagnóstico de enfermedades
superficiales (piel, venas, arterias) midiendo
la velocidad del flujo, dirección y diámetro
de las venas [20].
2.3.2 Equipo de diagnóstico en Unidades
de atención médica
a) Venografía
Aunque la venografía es el estándar de oro
para el diagnóstico de la TVP [23] es un
método invasivo, costoso y presenta cierto
grado de riesgo en la salud del paciente [24],
además de ser innecesario en el 50% de los
casos; lo que hace limitado su uso en
aplicaciones clínicas.
28
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
b) Ecografía Doppler
Los equipos basados en el principio del
efecto Doppler son una herramienta
importante para el diagnóstico vascular no
invasivo. A través de las ecografías es
posible conocer información como la
relación de la permeabilidad arterial y
venosa, el sentido del flujo sanguíneo, la
presencia de estenosis y fístulas, y el estado
de la vasculatura distal y proximal al sitio de
examen [25]. La ecografía Doppler a color
es segura, no invasiva y fácil de usar [26-
28]. Los equipos ultrasónicos basan su
funcionamiento en el principio del efecto
Doppler y son una herramienta importante
para el diagnóstico vascular. En años
recientes la ecografía Doppler además de
ser la técnica más utilizada para analizar el
flujo sanguíneo [29], es uno de los métodos
de diagnóstico fundamental en múltiples
disciplinas y especialidades médicas [30-
32], y es el método de diagnóstico inicial
recomendado en pacientes con una alta
probabilidad de sufrir una TVP en
extremidades inferiores. La principal
desventaja de utilizar el ultrasonido Doppler
es la dependencia de un operador
especializado, sobre todo partiendo de que
el radiólogo tiene un entrenamiento que
presenta una curva lenta de aprendizaje
[33]. Así mismo, Bolado et al., comentan en
uno de sus trabajos que las exploraciones
realizadas fueron hechas por radiólogos con
diferentes formaciones por lo que no todos
tenían la misma experiencia en las técnicas
utilizadas [34]. De manera que realizar un
diagnóstico clínico de TVP puede ser un
proceso no tan fácil de llevar a cabo. Como
los signos y síntomas de la TVP a menudo
son inespecíficos, hay un umbral bajo para
ordenar un estudio de ultrasonido de las
extremidades inferiores para descartar la
TVP [35, 36], Dronkers et al. señalaron que
debido a que el diagnóstico de las
enfermedades Tromboembólicas se
sospechan con frecuencia, pero se confirma
en menos del 20% de los casos, no es ideal
realizar imágenes en todos los casos
sospechosos [14, 37].
En la tabla 4 se puede observar una
comparación entre las principales
herramientas de diagnóstico de TVP
utilizadas en hospitales y centros de
atención médica.
Tabla 4. Comparación de las herramientas de diagnóstico de TVP
Método de Diagnóstico
Invasivo
Sensibilidad %
Especificidad %
Ref.
Escala de Wells
No
77-98
37-58
[11]
Regla de Oudega
No
[10]
Dímero D
No
94
68
[11]
[38]
[39]
[40]
[41]
Dímero D
ajustado a la edad
100
66.3
Ultrasonido Doppler
No
>95
[2]
Venografía
Sí
100%
[2]
29
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
3. Inteligencia Artificial (IA) en el
diagnóstico médico
La IA se ha introducido en el área médica
no para sustituir al personal, sino como un
complemento de apoyo en la toma de
decisiones. Las Redes Neuronales
Artificiales (RNA) y las Máquinas de
Soporte Vectorial (MSV) entre otros
algoritmos, han aportado a la medicina en
conjunto con el personal médico, mayor
exactitud en el diagnóstico de
enfermedades, mejores sugerencias de
tratamientos y dosis de medicamentos.
3.1 Máquinas de Soporte Vectorial
(MSV)
Las máquinas de soporte vectorial son un
grupo de métodos de aprendizaje
supervisado que pueden ser aplicados a
problemas de clasificación o regresión.
Fueron inicialmente introducidos para
clasificar clases de objetos linealmente
separables. Representan hiperplanos o
fronteras de decisión en términos de un
pequeño subconjunto de todos los ejemplos
de entrenamiento que maximizan la
separación entre conjuntos y por lo tanto la
capacidad de clasificación entre clases,
denominados vectores de soporte [42].
3.2 Redes Neuronales Artificiales
(RNA)
Las redes neuronales son paradigmas
computacionales basados en modelos
matemáticos con capacidad de un fuerte
patrón de reconocimiento. Una red neuronal
es un algoritmo de cálculo que se basa en
una analogía del sistema nervioso. Se
intenta imitar la capacidad de aprendizaje de
este, haciendo que reconozca gradualmente
patrones de asociación entre las entradas
(variables predictivas) y los estados
dependientes de ellas (salidas).
La señal progresa desde las entradas, luego
por la capa oculta, hasta obtener una
respuesta traducida en el nivel de activación
de los nodos de salida, los cuales predicen
el resultado con base en las variables de
entrada
[43].
En la tabla 5 se presentan algunas
aplicaciones médicas en las que se ha
utilizado la IA para mejorar el diagnóstico
médico.
Tabla 5. Inteligencia Artificial con aplicaciones médicas.
Algoritmo
Aplicación
Exactitud
[%]
Especificidad
[%]
Sensibilidad
[%]
AUC
Ref.
ANN
Diagnóstico diferencial
de enfermedad pulmonar
intersticial
85
NA
NA
[44]
ANN
Plasma
Detección de
Alzheimer
0.882
76.9
88.2
0.882
[45]
Orina
76.9
80.9
0.839
SVM
Plasma
0.827
NA
NA
0.817
Orina
NA
NA
0.664
SVM
Infección del tracto
urinario
96.61
92.85
97.77
[46]
ANN
98.9
100
97.77
1
30
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
4. Conclusiones
La implementación de la IA en sistemas de
apoyo a la toma de decisiones clínicas está
dando lugar a que se lleven a cabo
diagnósticos de enfermedades más
acertados y oportunos, lo que permite a los
pacientes una mejor calidad de vida o
incluso la vida misma ya que en el caso de
las enfermedades Tromboembólicas, un
diagnóstico equivocado puede ser fatal.
En el presente trabajo se revisaron las
principales herramientas de diagnóstico de
TVP, así como algunos algoritmos de IA
que se han implementado en aplicaciones de
diagnóstico médico.
Dicho lo anterior, la investigación realizada
da lugar a la propuesta de desarrollo de un
sistema de toma de decisiones clínico, que
opere en conjunto con el médico para la
detección de TVP en extremidades
inferiores utilizando RNA; ya que según la
literatura mencionada se puede alcanzar
mayor exactitud en la clasificación.
Como se mencionó en la sección 2, no es
fácil tener una estadística del número de
casos de TVP que suceden en un
determinado período de tiempo ya que en la
mayoría de las ocasiones los pacientes
llegan al hospital directamente a la Unidad
de Urgencias teniendo ya una condición
avanzada de TVP, por lo que se sugiere que
el SADC sea utilizado como un sistema de
apoyo al médico de atención primaria, para
complementar la detección de las primeras
manifestaciones de este padecimiento de
manera oportuna.
A su vez, el médico de atención primaria no
dispone del equipo para realizar estudios de
imagen como la venografía o la ecografía
Doppler, por lo que se sugiere además que
el SADC incluya alguno de los modelos
probabilísticos utilizados como pre-test.
31
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
Referencias
[1] T. Moumneh, A. Penaloza, and P. M. Roy,
"Trombosis venosa profunda," EMC - Tratado
Med., vol. 22, no. 1, pp. 1-6, Mar. 2018.
https://doi.org/10.1016/S1636-5410(17)87867-
3.
[2] R. B. Resano and F. J. B. Resano, "Estudio
básico ante una trombosis venosa profunda,"
FMC Form. Medica Contin. en Aten. Primaria,
2018.
https://doi.org/10.1016/j.fmc.2018.01.006.
[3] E. Fuentes Camps, J. Luis Del Val García, S.
Bellmunt Montoya, S. Hmimina Hmimina, E.
Gómez Jabalera, and M. Á. Muñoz Pérez,
"Estudio coste efectividad del proceso
diagnóstico de la trombosis venosa profunda
desde la atención primaria," Aten. Primaria,
2016.
https://doi.org/10.1016/j.aprim.2015.05.006.
[4] A. Ziga-Martínez, P. M. Córdova-Quintal,
N. E. Lecuona-Huet, R. Muñoz-Vigna, and N.
Blum-Gilbert, "Catastrophic presentation of
venous thromboembolic disease," Rev. Médica
del Hosp. Gen. México, 2017.
https://doi.org/10.1016/j.hgmx.2017.01.001.
[5] D. Mozaffarian et al., "Heart Disease and
Stroke Statistics-2016 Update," Circulation,
2015.
https://doi.org/10.1161/CIR.000000000000035
0.
[6] E. Fuentes Camps, J. L. Del Val García, S.
Bellmunt Montoya, S. Hmimina Hmimina, E.
Gómez Jabalera, and M. Muñoz Pérez,
"Factores clínicos que influyen en la
probabilidad diagnóstica pretest de trombosis
venosa profunda en pacientes ambulatorios,"
Angiologia, 2015.
https://doi.org/10.1016/j.angio.2015.03.003.
[7] J. Hong et al., "Incidence of venous
thromboembolism in Korea from 2009 to 2013,"
PLoS ONE. 2018.
https://doi.org/10.1371/journal.pone.0191897.
[8] J. M. Benavides Bermúdes, J. J. Vivas Diaz,
G. Jaramillo Trujillo, and W. Bernal Torres,
"Trombosis venosa profunda en un paciente con
hipertiroidismo de novo. Presentación de caso,"
Repert. Med. y Cirugía, 2017.
https://doi.org/10.1016/j.reper.2017.03.004.
[9] P. S. Wells et al., "Value of assessment of
pretest probability of deep-vein thrombosis in
clinical management," Lancet, vol. 350, no.
9094, pp. 1795-1798, 1997.
https://doi.org/10.1016/S0140-6736(97)08140-
3.
[10] R. Oudega, K. G. M. Moons, and A. W.
Hoes, "Ruling out deep venous thrombosis in
primary care. A simple diagnostic algorithm
including D-dimer testing," Thromb. Haemost.,
2005. https://doi.org/10.1160/TH04-12-0829.
[11] R. J. Darwood and F. C. T. Smith, "Deep
vein thrombosis," Surgery (United Kingdom).
2013.
https://doi.org/10.1016/j.mpsur.2013.02.001.
[12] P. Priollet and V. Bossy, "Actitud práctica
y tratamiento de una trombosis venosa
profunda," EMC - Tratado Med., vol. 6, no. 3,
pp. 1-4, Jan. 2002.
https://doi.org/10.1016/S1636-5410(02)70215-
8.
[13] M. G. Kirchhof, A. Y. Y. Lee, and J. P.
Dutz, "D-Dimer Levels as a Marker of
Cutaneous Disease Activity: Case Reports of
Cutaneous Polyarteritis Nodosa and Atypical
32
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
Recurrent Urticaria," JAMA Dermatology, vol.
150, no. 8, pp. 880-884, 2014.
https://doi.org/10.1001/jamadermatol.2013.994
4.
[14] T. T, K. N, L. G. G, and W. PS, "Venous
thromboembolism: Advances in diagnosis and
treatment," JAMA, vol. 320, no. 15, pp. 1583-
1594, 2018.
https://doi.org/10.1001/jama.2018.14346.
[15] J. E. Francis, R. Roggli, T. J. Love, and C.
P. Robinson, "Thermography as a means of
blood perfusion measurement.," J. Biomech.
Eng., 1979. https://doi.org/10.1115/1.3426253.
[16] C. L. Huang et al., "The application of
infrared thermography in evaluation of patients
at high risk for lower extremity peripheral
arterial disease," J. Vasc. Surg., 2011.
https://doi.org/10.1016/j.jvs.2011.03.287.
[17] C. Jin et al., "A feasible method for
measuring the blood flow velocity in superficial
artery based on the laser induced dynamic
thermography," Infrared Phys. Technol., 2012.
https://doi.org/10.1016/j.infrared.2012.07.007.
[18] F. Deng, Q. Tang, G. Zeng, H. Wu, N.
Zhang, and N. Zhong, "Effectiveness of digital
infrared thermal imaging in detecting lower
extremity deep venous thrombosis," Med.
Phys., 2015.
https://doi.org/10.1183/13993003.congress-
2015.PA2259.
[19] S. Kacmaz, E. Ercelebi, S. Zengin, and S.
Cindoruk, "The use of infrared thermal imaging
in the diagnosis of deep vein thrombosis,"
Infrared Phys. Technol., vol. 86, pp. 120-129,
2017.
https://doi.org/10.1016/j.infrared.2017.09.005.
[20] A. Saxena, E. Y. K. Ng, and V. Raman,
"Thermographic venous blood flow
characterization with external cooling
stimulation," Infrared Phys. Technol., 2018.
https://doi.org/10.1016/j.infrared.2018.02.001.
[21] B. B. Lahiri, S. Bagavathiappan, T.
Jayakumar, and J. Philip, "Medical applications
of infrared thermography: A review," Infrared
Physics and Technology. 2012.
https://doi.org/10.1016/j.infrared.2012.03.007.
[22] J. R. Harding, "Thermal imaging in the
investigation of deep venous thrombosis," Proc.
17th Int. Conf. Eng. Med. Biol. Soc., vol. 2, pp.
1972-1974, 1995.
[23] S. Z. Goldhaber and H. Bounameaux,
"Pulmonary embolism and deep vein
thrombosis," in The Lancet, 2012.
https://doi.org/10.1016/S0140-6736(11)61904-
1.
[24] A. T. Cohen et al., "Venous
thromboembolism (VTE) in Europe. The
number of VTE events and associated morbidity
and mortality.," Thromb. Haemost., 2007.
https://doi.org/10.1160/TH07-03-0212.
[25] G. Paola Paolinelli, “Principios físicos e
indicaciones clínicas del ultrasonido doppler,”
Rev. Médica Clínica Las Condes, vol. 24, no. 1,
pp. 139–148, 2013.
https://doi.org/10.1016/S0716-8640(13)70139-
1
[26] C. Kearon, J. A. Julian, T. E. Newman, and
J. S. Ginsberg, "Noninvasive diagnosis of deep
venous thrombosis. McMaster Diagnostic
Imaging Practice Guidelines Initiative.," Ann.
Intern. Med., 1998.
https://doi.org/10.7326/0003-4819-128-8-
199804150-00011.
33
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
[27] J. B. Segal, J. Eng, L. J. Tamariz, and E. B.
Bass, "Review of the evidence on diagnosis of
deep venous thrombosis and pulmonary
embolism," Annals of Family Medicine. 2007.
https://doi.org/10.1370/afm.648.
[28] C. Landefeld, "Noninvasive diagnosis of
deep vein thrombosis," JAMA, vol. 300, no. 14,
pp. 1696-1697, Oct. 2008.
https://doi.org/10.1001/jama.300.14.1696.
[29] S. Muth, S. Dort, I. A. Sebag, M.-J. Blais,
and D. Garcia, "Unsupervised dealiasing and
denoising of color-Doppler data," Med. Image
Anal., vol. 15, no. 4, pp. 577-588, 2011.
https://doi.org/10.1016/j.media.2011.03.003.
[30] J. G. Stevenson, "The Development of
Color Doppler Echocardiography: Innovation
and Collaboration," J. Am. Soc. Echocardiogr.,
vol. 31, no. 12, pp. 1344-1352, 2018.
https://doi.org/10.1016/j.echo.2018.08.005.
[31] J. Torres Macho et al., "Positioning
document on incorporating point-of-care
ultrasound in Internal Medicine departments,"
Rev. Clin. Esp., 2018.
https://doi.org/10.1016/j.rceng.2018.02.004.
[32] N. Fortier O'brien et al., "Transcranial
Doppler Ultrasonography Provides Insights into
Neurovascular Changes in Children with
Cerebral Malaria Article in Press the Journal of
Pediatrics. www.jpeds.com," J. Pediatr., 2018.
https://doi.org/10.1016/j.jpeds.2018.07.075.
[33] G. Paola Paolinelli, "Principios físicos e
indicaciones clínicas del ultrasonido doppler,"
Rev. Médica Clínica Las Condes, 2013.
https://doi.org/10.1016/S0716-8640(13)70139-
1.
[34] A. G. Bolado, M. V. Bárcena, J. L. del
Cura, O. Gorriño, and D. Grande, "Indicación de
eco-Doppler venosa de extremidades inferiores
en el diagnóstico de la enfermedad
tromboembólica ante una sospecha de
tromboembolismo pulmonar Diagnostic
Indication for Venous Echo-Doppler of the
Lower Limbs in the Diagnosis of
Thromboembolic," Radiologia, vol. 45, no. 5,
pp. 213-218, 2011.
https://doi.org/10.1016/S0033-8338(03)77905-
3.
[35] J. Kelly and B. J. Hunt, "The utility of
pretest probability assessment in patients with
clinically suspected venous thromboembolism,"
Journal of Thrombosis and Haemostasis. 2003.
https://doi.org/10.1046/j.1538-
7836.2003.00382.x.
[36] S. PC, I. IK, G. SZ, P. G, B. CB, and K. R,
"Performance of wells score for deep vein
thrombosis in the inpatient setting," JAMA
Intern. Med., vol. 175, no. 7, pp. 1112-1117,
2015.
https://doi.org/10.1001/jamainternmed.2015.16
87.
[37] C. E. A. Dronkers et al., "Disease
prevalence dependent failure rate in diagnostic
management studies on suspected deep vein
thrombosis: communication from the SSC of the
ISTH," J. Thromb. Haemost., 2017.
https://doi.org/10.1111/jth.13805.
[38] P. M. Reardon et al., "Diagnostic Accuracy
and Financial Implications of Age-Adjusted D-
Dimer Strategies for the Diagnosis of Deep
Venous Thrombosis in the Emergency
Department," J. Emerg. Med., 2019.
https://doi.org/10.1016/j.jemermed.2019.01.02
7.
[39] B. A. Parry et al., "International,
multicenter evaluation of a new D-dimer assay
for the exclusion of venous thromboembolism
34
ISSN: 2594-1925
Revistas de Ciencias Tecnológicas. Volumen 3 (1): 23-34.
using standard and age-adjusted cut-offs,"
Thromb. Res., 2018.
https://doi.org/10.1016/j.thromres.2018.04.003.
[40] K. Broen, B. Scholtes, and R. Vossen,
"Predicting the need for further thrombosis
diagnostics in suspected DVT is increased by
using age adjusted D-dimer values,"
Thrombosis Research. 2016.
https://doi.org/10.1016/j.thromres.2016.08.011.
[41] S. Sharif et al., "Comparison of the age-
adjusted and clinical probability-adjusted D-
dimer to exclude pulmonary embolism in the
ED," Am. J. Emerg. Med., 2019.
https://doi.org/10.1016/j.ajem.2018.07.053.
[42] G. Cano et al., "Predicción de solubilidad
de fármacos usando máquinas de soporte
vectorial sobre unidades de procesamiento
gráfico," Rev. Int. Metod. Numer. para Calc. y
Disen. en Ing., 2017.
https://doi.org/10.1016/j.rimni.2015.12.001.
[43] J. J. Sprockel, J. J. Diaztagle, W. Alzate,
and E. González, "Redes neuronales en el
diagnóstico del infarto agudo de miocardio,"
Rev. Colomb. Cardiol., 2014.
https://doi.org/10.1016/j.rccar.2013.10.001.
[44] H. Abe et al., "Artificial neural networks
(ANNs) for differential diagnosis of interstitial
lung disease: results of a simulation test with
actual clinical cases1," Acad. Radiol., vol. 11,
no. 1, pp. 29-37, 2004.
https://doi.org/10.1016/S1076-6332(03)00572-
5.
[45] C. Peña-autista, T. Durand, C. Oger, M.
Baquero, M. Vento, and C. Cháfer-Pericás,
"Assessment of lipid peroxidation and artificial
neural network models in early Alzheimer
Disease diagnosis," Clin. Biochem., 2019.
https://doi.org/10.1016/j.clinbiochem.2019.07.
008.
[46] I. A. Ozkan, M. Koklu, and I. U. Sert,
"Diagnosis of urinary tract infection based on
artificial intelligence methods," Comput.
Methods Programs Biomed., vol. 166, pp. 51-
59, 2018.
https://doi.org/10.1016/j.cmpb.2018.10.007.
Este texto está protegido por una licencia Creative Commons 4.0
Usted es libre para Compartir —copiar y redistribuir el material en cualquier medio o formato — y Adaptar el documento —remezclar,
transformar y crear a partir del material— para cualquier propósito, incluso para fines comerciales, siempre que cumpla la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se han realizado
cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del licenciante o lo recibe por el
uso que hace de la obra.
Resumen de licencia - Texto completo de la licencia