Evaluación neutrosófica para el diagnóstico de la Leucemia Viral Felina

Autores/as

  • Pamela Alejandra Paredes Carvajal Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Jaine Labrada Ching Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Nathali Maite Villagrán Veloz Universidad Regional Autónoma de Los Andes, Ambato. Ecuador

Palabras clave:

método neutrosófico, prevalencia, gatos, linfoma, leucemia felina

Resumen

El gato doméstico ha sido un compañero invaluable para la humanidad, lo que hace imperativo entender las enfermedades que pueden afectarlos. La Leucemia Viral Felina (ViLeF) es una de las patologías más comunes en la práctica veterinaria y una de las principales causas de mortalidad en felinos, lo que subraya su impacto significativo en la salud de los gatos. Con el creciente número de personas que adoptan gatos como mascotas, se ha incrementado la importancia de estudios sobre el ViLeF para prevenir su propagación y mejorar la atención veterinaria. Este virus se relaciona estrechamente con el desarrollo de linfomas y es responsable de una variedad de síndromes clínicos en los gatos, superando a otros agentes infecciosos únicos en cuanto a su diversidad de efectos. Investigaciones previas en Ecuador han indicado prevalencias superiores al 50% en gatos domésticos, destacando factores como género, edad, estilo de vida y ubicación geográfica como variables relevantes. Por lo tanto, este estudio se propone desarrollar una Evaluación Neutrosófica que permita un diagnóstico más preciso y exhaustivo de la Leucemia Viral Felina. La evaluación neutrosófica constituye una herramienta valiosa para veterinarios y estudiantes de medicina veterinaria, facilitando un entendimiento más completo de la fisiopatología del virus y sus síndromes asociados, así como de las estrategias más efectivas para su tratamiento y prevención.

Publicado

2025-01-01

Número

Sección

Articulos

Cómo citar

Evaluación neutrosófica para el diagnóstico de la Leucemia Viral Felina. (2025). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 36, 18-25. https://fs.unm.edu/NCML2/index.php/112/article/view/662