Método multicriterio neutrosófico para la evaluación microorganismos aerobios presentes en las cubetas de los estudiantes de la Universidad Regional Autónoma de Los Andes

Contenido principal del artículo

Jonathan Armando Yanza Freire
Deysi Paulina Paredes Cabezas
Nayeli Jadira Montiel Lastra
David Nicolas Bonilla Arciniega

Resumen

La contaminación del instrumental odontológico es una problemática que afecta la seguridad y la salud de pacientes y profesionales. Los procedimientos dentales, por su contacto con fluidos biológicos, aumentan el riesgo de infecciones si no se siguen adecuadamente prácticas de esterilización y desinfección. Por otra parte, las principales vías de infección en una consulta odontológica son: el contacto directo con los fluidos corporales de un paciente infectado y el contacto con superficies antes, durante y después de los tratamientos dentales. La presente investigación tiene como objetivo desarrollar un método multicriterio neutrosófico para la evaluación microorganismos aerobios presentes en las cubetas de los estudiantes de la Universidad Regional Autónoma de los Andes en Ecuador. Los hallazgos de esta investigación indican una baja carga bacteriana en las cubetas metálicas de impresión utilizadas por los estudiantes de odontología y reflejan indirectamente el cumplimiento de los protocolos de desinfección.

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

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

Detalles del artículo

Cómo citar
Método multicriterio neutrosófico para la evaluación microorganismos aerobios presentes en las cubetas de los estudiantes de la Universidad Regional Autónoma de Los Andes. (2024). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 33, 191-197. https://fs.unm.edu/NCML2/index.php/112/article/view/563
Sección
Articulos

Cómo citar

Método multicriterio neutrosófico para la evaluación microorganismos aerobios presentes en las cubetas de los estudiantes de la Universidad Regional Autónoma de Los Andes. (2024). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 33, 191-197. https://fs.unm.edu/NCML2/index.php/112/article/view/563

Artículos más leídos del mismo autor/a