Método Neutrosófico multicriterio para estimar biomarcadores en el Traumatismo Craneoencefálico

Contenido principal del artículo

Piedad Elizabeth Acurio Padilla
Davianny Alexander Corrales Alcívar
Kevin Fabricio Aveiga Manosalvas
Erick Alejandro Suárez Santacruz

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.  

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

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

Detalles del artículo

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

Artículos más leídos del mismo autor/a