Trombosis venosa profunda en extremidades inferiores: revisión de las técnicas de diagnóstico actuales y su simbiosis con el aprendizaje automático para un diagnóstico oportuno

Abstract

La Trombosis Venosa Profunda (TVP) es una manifestación de una Enfermedad Tromboembólica (ET). Cuando en una TVP los trombos venosos se desprenden y viajan a través del torrente sanguíneo pueden ocasionar una Trombo Embolia Pulmonar (TEP). La existencia de Trombosis Venosa Profunda (TVP) en las extremidades inferiores se ha descrito como uno de los principales factores de riesgo para el desarrollo de la TEP. Se considera que hasta el 90% de los émbolos pulmonares proceden de trombos venosos de las extremidades inferiores. Las técnicas más utilizadas para la detección de TVP son los modelos de probabilidad clínica, el dímero D y las pruebas de imagen no invasivas, como la ecografía para la TVP y la angiotomografía computadorizada (TC) para el embolismo pulmonar. Sin embargo, debido a la inespecificidad de los síntomas de la TVP, el umbral para ordenar una ecografía es bajo, además de ser un proceso complicado que requiere la participación de un médico especialista para su interpretación. En las últimas décadas el aprendizaje automático ha surgido como apoyo en la toma de decisiones para el diagnóstico de diversas enfermedades, algunas de las tecnologías más utilizadas en el campo de la medicina incluyen Support Vector Machine (SVM), Árboles de decisión y las Redes Neuronales Artificiales (RNA). En el presente artículo se hace una revisión de las tecnologías existentes para la detección de la TVP así como de los principales algoritmos de aprendizaje automático comúnmente utilizados en aplicaciones biomédicas; se propone el diseño de un sistema computarizado que utilice técnicas de aprendizaje automático como herramienta de apoyo para la detección oportuna de un posible padecimiento de TVP.

Evaluation of Machine Learning Algorithms for Early Diagnosis of Deep Venous Thrombosis

“…For each ML model trained, the values of Accuracy, F1 Score, Precision, Recall, Specificity, and the area under the curve (AUC) are acquired and printed using sklearn metrics, the acquisition of Accuracy, Precision, Recall, and the ROC curve was accomplished in the case of the Multi-Layer Perceptron NN (MLP-NN), and the Accuracy (2), F1 score (3), Specificity (4), and Recall (5) values are calculated using the following equations taken from [24,61].…”

“…In recent years, the field of data science has been pioneered in the development of hardware and software for the application of Artificial Neural Networks (ANNs) in clinical analysis, which can be useful for the diagnosis of DVT and other diseases in general, for example, the use of ML models such as Decision Trees, Support Vector Machine (SVM), and Neural Networks [24][25][26]. Nowadays, there are alternative methods of DVT diagnosis, some of which use AI.…”