Método Neutrosófico multicriterio para estimar biomarcadores en el Traumatismo Craneoencefálico

Autores/as

  • Piedad Elizabeth Acurio Padilla Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Davianny Alexander Corrales Alcívar Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Kevin Fabricio Aveiga Manosalvas Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Erick Alejandro Suárez Santacruz Universidad Regional Autónoma de Los Andes, Ambato. Ecuador

Palabras clave:

método neutrosófico multicriterio, biomarcador óptimo, traumatismo craneoencefálico, líquido cefalorraquídeo

Resumen

Hace más de dos décadas se delinearon los criterios para un biomarcador óptimo en el Traumatismo Craneoencefálico y se definió como aquel con alta especificidad y sensibilidad al tejido cerebral, liberado sólo después de una lesión irreversible, detectable rápidamente en líquido cefalorraquídeo y sangre periférica; refleja la gravedad y extensión de la lesión de manera temporalmente predecible. La toma directa de muestras del tejido cerebral lesionado es inviable, aunque sería la fuente más informativa; otros líquidos biológicos están sujetos a factores como la liberación de biomarcadores, la barrera hematoencefálica y la dilución en la circulación sistémica. Aunque aún no existen biomarcadores clínicamente validados para el diagnóstico de lesiones cerebrales agudas, diversos estudios de investigación han destacado el potencial de muchos de ellos, los más estudiados son la enolasa neuroespecífica y la proteína S100B. Dado el futuro prometedor que ofrecen los biomarcadores en el tratamiento precoz del Traumatismo Craneoencefálico y la prevención de sus complicaciones, el objetivo de la investigación es desarrollar un método neutrosófico multicriterio para estimar biomarcadores en el Traumatismo Craneoencefálico.  

Publicado

2024-07-01

Número

Sección

Articulos

Cómo citar

Método Neutrosófico multicriterio para estimar biomarcadores en el Traumatismo Craneoencefálico. (2024). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 33, 301-308. http://fs.unm.edu/NCML2/index.php/112/article/view/574