Método para la recomendación de manejo clínico en la sepsis obstétrica y complicaciones perinatales

Contenido principal del artículo

Santiago Xavier Peñarreta Quezada
Katherine Valeria Estévez Freire
Erika Azucena Colta Tamba
Katherin Yesenia Yépez Toro

Resumen

La sepsis obstétrica sigue siendo una de las complicaciones más desafiantes y peligrosas en el ámbito de la obstetricia, representando una causa significativa de morbilidad y mortalidad tanto materna como perinatal en todo el mundo. Esta complicación crítica, derivada de una respuesta inmunitaria desproporcionada a una infección durante el embarazo, el parto o el postparto, requiere un enfoque de manejo altamente especializado y basado en evidencia para mitigar sus efectos adversos. El manejo clínico en la sepsis obstétrica y las complicaciones perinatales puede expresarse mediante una relación directa del desempeño de neutralidad representando un dominio de valores neutrosóficos para modelar la incertidumbre. La implementación de técnicas de Soft Computing ha sido utilizada para representar la incertidumbre en procesos de toma de decisiones de esta naturaleza. La presente investigación tiene como objetivo desarrollar un método para la recomendación de manejo clínico en la sepsis obstétrica y complicaciones perinatales. Los resultados del método propuesto contribuyen en la recomendación de estrategias para prevenir, diagnosticar y tratar eficazmente esta condición, así como en la identificación y manejo de las complicaciones perinatales asociadas.

##plugins.themes.bootstrap3.displayStats.downloads##

##plugins.themes.bootstrap3.displayStats.noStats##

Detalles del artículo

Cómo citar
Método para la recomendación de manejo clínico en la sepsis obstétrica y complicaciones perinatales. (2024). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 33, 154-164. https://fs.unm.edu/NCML2/index.php/112/article/view/559
Sección
Articulos

Cómo citar

Método para la recomendación de manejo clínico en la sepsis obstétrica y complicaciones perinatales. (2024). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 33, 154-164. https://fs.unm.edu/NCML2/index.php/112/article/view/559