Clasificadores de aprendizaje supervisado no lineales basados en radiómica de la TC cerebral sin contraste para predecir el pronóstico funcional en pacientes con hematoma intracerebral espontáneo

 array:24 [
  "pii" => "S0033833823001637"
  "issn" => "00338338"
  "doi" => "10.1016/j.rx.2023.08.001"
  "estado" => "S300"
  "fechaPublicacion" => "2023-11-01"
  "aid" => "1528"
  "copyright" => "SERAM"
  "copyrightAnyo" => "2023"
  "documento" => "article"
  "crossmark" => 1
  "subdocumento" => "fla"
  "cita" => "Radiologia. 2023;65:519-30"
  "abierto" => array:3 [
    "ES" => false
    "ES2" => false
    "LATM" => false
  ]
  "gratuito" => false
  "lecturas" => array:1 [
    "total" => 0
  ]
  "Traduccion" => array:1 [
    "en" => array:19 [
      "pii" => "S2173510723001404"
      "issn" => "21735107"
      "doi" => "10.1016/j.rxeng.2023.08.002"
      "estado" => "S300"
      "fechaPublicacion" => "2023-11-01"
      "aid" => "1528"
      "copyright" => "SERAM"
      "documento" => "article"
      "crossmark" => 1
      "subdocumento" => "fla"
      "cita" => "Radiologia. 2023;65:519-30"
      "abierto" => array:3 [
        "ES" => false
        "ES2" => false
        "LATM" => false
      ]
      "gratuito" => false
      "lecturas" => array:1 [
        "total" => 0
      ]
      "en" => array:13 [
        "idiomaDefecto" => true
        "cabecera" => "<span class="elsevierStyleTextfn">Original articles</span>"
        "titulo" => "Radiomic-based nonlinear supervised learning classifiers on non-contrast CT to predict functional prognosis in patients with spontaneous intracerebral hematoma"
        "tienePdf" => "en"
        "tieneTextoCompleto" => "en"
        "tieneResumen" => array:2 [
          0 => "en"
          1 => "es"
        ]
        "paginas" => array:1 [
          0 => array:2 [
            "paginaInicial" => "519"
            "paginaFinal" => "530"
          ]
        ]
        "titulosAlternativos" => array:1 [
          "es" => array:1 [
            "titulo" => "Clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica de la TC cerebral sin contraste para predecir el pron&#243;stico funcional en pacientes con hematoma intracerebral espont&#225;neo"
          ]
        ]
        "contieneResumen" => array:2 [
          "en" => true
          "es" => true
        ]
        "contieneTextoCompleto" => array:1 [
          "en" => true
        ]
        "contienePdf" => array:1 [
          "en" => true
        ]
        "resumenGrafico" => array:2 [
          "original" => 0
          "multimedia" => array:8 [
            "identificador" => "fig0015"
            "etiqueta" => "Figure 3"
            "tipo" => "MULTIMEDIAFIGURA"
            "mostrarFloat" => true
            "mostrarDisplay" => false
            "figura" => array:1 [
              0 => array:4 [
                "imagen" => "gr3.jpeg"
                "Alto" => 1318
                "Ancho" => 3018
                "Tamanyo" => 232340
              ]
            ]
            "detalles" => array:1 [
              0 => array:3 [
                "identificador" => "at0015"
                "detalle" => "Figure "
                "rol" => "short"
              ]
            ]
            "descripcion" => array:1 [
              "en" => "<p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">Patient selection flowchart&#46;</p>"
            ]
          ]
        ]
        "autores" => array:1 [
          0 => array:2 [
            "autoresLista" => "E&#46; Serrano, J&#46; Moreno, L&#46; Llull, A&#46; Rodr&#237;guez, C&#46; Zwanzger, S&#46; Amaro, L&#46; Oleaga, A&#46; L&#243;pez-Rueda"
            "autores" => array:8 [
              0 => array:2 [
                "nombre" => "E&#46;"
                "apellidos" => "Serrano"
              ]
              1 => array:2 [
                "nombre" => "J&#46;"
                "apellidos" => "Moreno"
              ]
              2 => array:2 [
                "nombre" => "L&#46;"
                "apellidos" => "Llull"
              ]
              3 => array:2 [
                "nombre" => "A&#46;"
                "apellidos" => "Rodr&#237;guez"
              ]
              4 => array:2 [
                "nombre" => "C&#46;"
                "apellidos" => "Zwanzger"
              ]
              5 => array:2 [
                "nombre" => "S&#46;"
                "apellidos" => "Amaro"
              ]
              6 => array:2 [
                "nombre" => "L&#46;"
                "apellidos" => "Oleaga"
              ]
              7 => array:2 [
                "nombre" => "A&#46;"
                "apellidos" => "L&#243;pez-Rueda"
              ]
            ]
          ]
        ]
      ]
      "idiomaDefecto" => "en"
      "Traduccion" => array:1 [
        "es" => array:9 [
          "pii" => "S0033833823001637"
          "doi" => "10.1016/j.rx.2023.08.001"
          "estado" => "S300"
          "subdocumento" => ""
          "abierto" => array:3 [
            "ES" => false
            "ES2" => false
            "LATM" => false
          ]
          "gratuito" => false
          "lecturas" => array:1 [
            "total" => 0
          ]
          "idiomaDefecto" => "es"
          "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833823001637?idApp=UINPBA00004N"
        ]
      ]
      "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510723001404?idApp=UINPBA00004N"
      "url" => "/21735107/0000006500000006/v2_202401250617/S2173510723001404/v2_202401250617/en/main.assets"
    ]
  ]
  "itemSiguiente" => array:19 [
    "pii" => "S003383382300053X"
    "issn" => "00338338"
    "doi" => "10.1016/j.rx.2023.02.005"
    "estado" => "S300"
    "fechaPublicacion" => "2023-11-01"
    "aid" => "1477"
    "copyright" => "SERAM"
    "documento" => "article"
    "crossmark" => 1
    "subdocumento" => "fla"
    "cita" => "Radiologia. 2023;65:531-45"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:1 [
      "total" => 0
    ]
    "es" => array:14 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Actualizaci&#243;n</span>"
      "titulo" => "El espectro de placenta acreta en la etapa temprana y final del embarazo&#46; Un repaso a trav&#233;s de la imagen"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "tieneResumen" => array:3 [
        0 => "es"
        1 => "es"
        2 => "en"
      ]
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "531"
          "paginaFinal" => "545"
        ]
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Placenta Accreta Spectrum in Early and Late Pregnancy from an Imaging Perspective&#44; A Scoping Review"
        ]
      ]
      "contieneResumen" => array:2 [
        "es" => true
        "en" => true
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 1
        "multimedia" => array:5 [
          "identificador" => "fig0055"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => false
          "mostrarDisplay" => true
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "fx1.jpeg"
              "Alto" => 754
              "Ancho" => 1333
              "Tamanyo" => 155712
            ]
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "B&#46; Moradi, J&#46; Azadbakht, S&#46; Sarmadi, M&#46; Gity, E&#46; Shirali, M&#46; Azadbakht"
          "autores" => array:6 [
            0 => array:2 [
              "nombre" => "B&#46;"
              "apellidos" => "Moradi"
            ]
            1 => array:2 [
              "nombre" => "J&#46;"
              "apellidos" => "Azadbakht"
            ]
            2 => array:2 [
              "nombre" => "S&#46;"
              "apellidos" => "Sarmadi"
            ]
            3 => array:2 [
              "nombre" => "M&#46;"
              "apellidos" => "Gity"
            ]
            4 => array:2 [
              "nombre" => "E&#46;"
              "apellidos" => "Shirali"
            ]
            5 => array:2 [
              "nombre" => "M&#46;"
              "apellidos" => "Azadbakht"
            ]
          ]
        ]
      ]
      "resumen" => array:1 [
        0 => array:3 [
          "titulo" => "Graphical abstract"
          "clase" => "graphical"
          "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><p id="spar0085" class="elsevierStyleSimplePara elsevierViewall"><elsevierMultimedia ident="fig0055"></elsevierMultimedia></p></span>"
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2173510723000691"
        "doi" => "10.1016/j.rxeng.2023.02.001"
        "estado" => "S300"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510723000691?idApp=UINPBA00004N"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S003383382300053X?idApp=UINPBA00004N"
    "url" => "/00338338/0000006500000006/v1_202311020932/S003383382300053X/v1_202311020932/es/main.assets"
  ]
  "itemAnterior" => array:19 [
    "pii" => "S0033833823000279"
    "issn" => "00338338"
    "doi" => "10.1016/j.rx.2022.11.012"
    "estado" => "S300"
    "fechaPublicacion" => "2023-11-01"
    "aid" => "1469"
    "copyright" => "SERAM"
    "documento" => "article"
    "crossmark" => 1
    "subdocumento" => "fla"
    "cita" => "Radiologia. 2023;65:509-18"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:1 [
      "total" => 0
    ]
    "es" => array:13 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Original</span>"
      "titulo" => "Eficacia de la capacidad y la eficiencia pron&#243;sticas de la herramienta de inteligencia artificial Thoracic Care Suite de GE aplicada a la radiograf&#237;a tor&#225;cica de pacientes con neumon&#237;a COVID-19"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "tieneResumen" => array:2 [
        0 => "es"
        1 => "en"
      ]
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "509"
          "paginaFinal" => "518"
        ]
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Performance in prognostic capacity and efficiency of the Thoracic Care Suite GE AI tool applied to chest radiography of patients with COVID-19 pneumonia"
        ]
      ]
      "contieneResumen" => array:2 [
        "es" => true
        "en" => true
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 0
        "multimedia" => array:7 [
          "identificador" => "fig0005"
          "etiqueta" => "Figura 1"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => true
          "mostrarDisplay" => false
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "gr1.jpeg"
              "Alto" => 3216
              "Ancho" => 2508
              "Tamanyo" => 449168
            ]
          ]
          "descripcion" => array:1 [
            "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Selecci&#243;n de la muestra con criterios de inclusi&#243;n y exclusi&#243;n&#46;</p> <p id="spar0050" class="elsevierStyleSimplePara elsevierViewall">&#40;1&#41; Neumon&#237;a en radiograf&#237;a tor&#225;cica&#58; opacidades pulmonares&#44; hallazgos probables o indeterminados de neumon&#237;a COVID-19&#46;</p> <p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">&#40;2&#41; Criterios de hospitalizaci&#243;n&#58;</p> <p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">Criterios principales&#58;</p> <p id="spar0065" class="elsevierStyleSimplePara elsevierViewall">-Disnea&#46;</p> <p id="spar0070" class="elsevierStyleSimplePara elsevierViewall">-Frecuencia respiratoria &#8805; 22&#46;</p> <p id="spar0075" class="elsevierStyleSimplePara elsevierViewall">-Saturaci&#243;n de O<span class="elsevierStyleInf">2</span> basal &#60;<span class="elsevierStyleHsp" style=""></span>94&#37;&#46;</p> <p id="spar0080" class="elsevierStyleSimplePara elsevierViewall">Criterios adicionales que tener en cuenta&#58;</p> <p id="spar0085" class="elsevierStyleSimplePara elsevierViewall">-Puntuaci&#243;n Brixia en radiograf&#237;a tor&#225;cica&#58;</p> <p id="spar0090" class="elsevierStyleSimplePara elsevierViewall">-0-4&#58; paciente de bajo riesgo&#46;</p> <p id="spar0095" class="elsevierStyleSimplePara elsevierViewall">-5-13&#58; la necesidad de ingreso debe correlacionarse con los antecedentes cl&#237;nicos e hist&#243;ricos&#46;</p> <p id="spar0100" class="elsevierStyleSimplePara elsevierViewall">-14-18&#58; paciente de riesgo elevado&#46;</p> <p id="spar0105" class="elsevierStyleSimplePara elsevierViewall">-Pacientes de riesgo elevado seg&#250;n las enfermedades concomitantes&#46;</p> <p id="spar0110" class="elsevierStyleSimplePara elsevierViewall">RT-PCR&#58; reacci&#243;n en cadena de la polimerasa en tiempo real con retrotranscripci&#243;n <span class="elsevierStyleItalic">&#40;real-time reverse transcription polymerase chain reaction&#41;</span>&#59; RXT-IA&#58; RXT procesada con la herramienta de IA&#59; RXT&#58; radiograf&#237;a tor&#225;cica&#46;</p>"
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "Juana Mar&#237;a Plasencia-Mart&#237;nez, Rafael P&#233;rez-Costa, M&#243;nica Ballesta-Ruiz, Jos&#233; Mar&#237;a Garc&#237;a-Santos"
          "autores" => array:4 [
            0 => array:2 [
              "nombre" => "Juana Mar&#237;a"
              "apellidos" => "Plasencia-Mart&#237;nez"
            ]
            1 => array:2 [
              "nombre" => "Rafael"
              "apellidos" => "P&#233;rez-Costa"
            ]
            2 => array:2 [
              "nombre" => "M&#243;nica"
              "apellidos" => "Ballesta-Ruiz"
            ]
            3 => array:2 [
              "nombre" => "Jos&#233; Mar&#237;a"
              "apellidos" => "Garc&#237;a-Santos"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2173510723001350"
        "doi" => "10.1016/j.rxeng.2022.11.007"
        "estado" => "S300"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510723001350?idApp=UINPBA00004N"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833823000279?idApp=UINPBA00004N"
    "url" => "/00338338/0000006500000006/v1_202311020932/S0033833823000279/v1_202311020932/es/main.assets"
  ]
  "es" => array:19 [
    "idiomaDefecto" => true
    "cabecera" => "<span class="elsevierStyleTextfn">Original</span>"
    "titulo" => "Clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica de la TC cerebral sin contraste para predecir el pron&#243;stico funcional en pacientes con hematoma intracerebral espont&#225;neo"
    "tieneTextoCompleto" => true
    "paginas" => array:1 [
      0 => array:2 [
        "paginaInicial" => "519"
        "paginaFinal" => "530"
      ]
    ]
    "autores" => array:1 [
      0 => array:4 [
        "autoresLista" => "E&#46; Serrano, J&#46; Moreno, L&#46; Llull, A&#46; Rodr&#237;guez, C&#46; Zwanzger, S&#46; Amaro, L&#46; Oleaga, A&#46; L&#243;pez-Rueda"
        "autores" => array:8 [
          0 => array:3 [
            "nombre" => "E&#46;"
            "apellidos" => "Serrano"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
            ]
          ]
          1 => array:3 [
            "nombre" => "J&#46;"
            "apellidos" => "Moreno"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
          2 => array:3 [
            "nombre" => "L&#46;"
            "apellidos" => "Llull"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">c</span>"
                "identificador" => "aff0015"
              ]
            ]
          ]
          3 => array:3 [
            "nombre" => "A&#46;"
            "apellidos" => "Rodr&#237;guez"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">c</span>"
                "identificador" => "aff0015"
              ]
            ]
          ]
          4 => array:3 [
            "nombre" => "C&#46;"
            "apellidos" => "Zwanzger"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">d</span>"
                "identificador" => "aff0020"
              ]
            ]
          ]
          5 => array:3 [
            "nombre" => "S&#46;"
            "apellidos" => "Amaro"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">c</span>"
                "identificador" => "aff0015"
              ]
            ]
          ]
          6 => array:3 [
            "nombre" => "L&#46;"
            "apellidos" => "Oleaga"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">e</span>"
                "identificador" => "aff0025"
              ]
            ]
          ]
          7 => array:4 [
            "nombre" => "A&#46;"
            "apellidos" => "L&#243;pez-Rueda"
            "email" => array:1 [
              0 => "alrueda81@hotmail.com"
            ]
            "referencia" => array:3 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">e</span>"
                "identificador" => "aff0025"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">f</span>"
                "identificador" => "aff0030"
              ]
              2 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">&#42;</span>"
                "identificador" => "cor0005"
              ]
            ]
          ]
        ]
        "afiliaciones" => array:6 [
          0 => array:3 [
            "entidad" => "Departamento Radiolog&#237;a&#44; Hospital Universitario de Bellvitge&#44; Hospitalet de Llobregat&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "a"
            "identificador" => "aff0005"
          ]
          1 => array:3 [
            "entidad" => "Cl&#237;nica Iribas-IRM&#44; Asunci&#243;n&#44; Paraguay"
            "etiqueta" => "b"
            "identificador" => "aff0010"
          ]
          2 => array:3 [
            "entidad" => "Departamento de Neurolog&#237;a&#44; Hospital Cl&#237;nic&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "c"
            "identificador" => "aff0015"
          ]
          3 => array:3 [
            "entidad" => "Departamento Radiolog&#237;a&#44; Hospital del Mar&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "d"
            "identificador" => "aff0020"
          ]
          4 => array:3 [
            "entidad" => "Departamento Radiolog&#237;a&#44; Hospital Cl&#237;nic&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "e"
            "identificador" => "aff0025"
          ]
          5 => array:3 [
            "entidad" => "Servicio de Inform&#225;tica Cl&#237;nica&#44; Hospital Cl&#237;nic&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "f"
            "identificador" => "aff0030"
          ]
        ]
        "correspondencia" => array:1 [
          0 => array:3 [
            "identificador" => "cor0005"
            "etiqueta" => "&#8270;"
            "correspondencia" => "Autor para correspondencia&#46;"
          ]
        ]
      ]
    ]
    "titulosAlternativos" => array:1 [
      "en" => array:1 [
        "titulo" => "Radiomic-based nonlinear supervised learning classifiers on non-contrast CT to predict functional prognosis in patients with spontaneous intracerebral hematoma"
      ]
    ]
    "resumenGrafico" => array:2 [
      "original" => 1
      "multimedia" => array:5 [
        "identificador" => "fig0025"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => false
        "mostrarDisplay" => true
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "fx1.jpeg"
            "Alto" => 754
            "Ancho" => 1333
            "Tamanyo" => 212256
          ]
        ]
      ]
    ]
    "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Introducci&#243;n</span><p id="par0005" class="elsevierStylePara elsevierViewall">El accidente cerebrovascular &#40;ACV&#41; es la segunda causa de muerte en todo el mundo y una de las principales causas de incapacidad<a class="elsevierStyleCrossRef" href="#bib0225"><span class="elsevierStyleSup">1</span></a>&#46; El hematoma intracerebral espont&#225;neo &#40;HIE&#41; es el segundo tipo m&#225;s frecuente de ACV&#44; despu&#233;s del ictus isqu&#233;mico&#44; y representa el 10-20&#37; de todos los ACV<a class="elsevierStyleCrossRef" href="#bib0230"><span class="elsevierStyleSup">2</span></a>&#46;</p><p id="par0010" class="elsevierStylePara elsevierViewall">Aunque el pron&#243;stico es variable&#44; el HIE sigue siendo una causa importante de mortalidad y de morbilidad en todo el mundo<a class="elsevierStyleCrossRef" href="#bib0235"><span class="elsevierStyleSup">3</span></a>&#44; con una tasa de mortalidad de aproximadamente el 40&#37; al mes&#44; 54&#37; al a&#241;o y 75&#37; a los 5<span class="elsevierStyleHsp" style=""></span>a&#241;os&#46; Solo del 12&#37; al 39&#37; de los pacientes logran independencia funcional<a class="elsevierStyleCrossRef" href="#bib0235"><span class="elsevierStyleSup">3</span></a>&#46; Identificar a los pacientes con riesgo de mal pron&#243;stico funcional permite una mejor estratificaci&#243;n para ofrecer terapias intensivas adaptadas a estos pacientes<a class="elsevierStyleCrossRef" href="#bib0240"><span class="elsevierStyleSup">4</span></a>&#46;</p><p id="par0015" class="elsevierStylePara elsevierViewall">Al ser la tomograf&#237;a computarizada cerebral sin contraste &#40;TCCSC&#41; el m&#233;todo diagn&#243;stico de elecci&#243;n en el HIE agudo<a class="elsevierStyleCrossRef" href="#bib0245"><span class="elsevierStyleSup">5</span></a>&#44; han surgido varios par&#225;metros cualitativos &#40;signos radiol&#243;gicos&#41; que se asocian a crecimiento del HIE y a mal pron&#243;stico en estos pacientes&#46; Los signos radiol&#243;gicos de la TCCSC son una forma de representar las caracter&#237;sticas de morfolog&#237;a &#40;irregularidad&#41; y densidad &#40;heterogeneidad&#41; del HIE&#46;</p><p id="par0020" class="elsevierStylePara elsevierViewall">Sin embargo&#44; estos par&#225;metros cualitativos &#40;signos radiol&#243;gicos&#41;<a class="elsevierStyleCrossRefs" href="#bib0250"><span class="elsevierStyleSup">6-12</span></a> pueden estar sujetos a cierta subjetividad en la interpretaci&#243;n&#44; y algunos de ellos tienen definiciones superpuestas<a class="elsevierStyleCrossRef" href="#bib0285"><span class="elsevierStyleSup">13</span></a>&#44; habi&#233;ndose publicado resultados de concordancia interobservador variables<a class="elsevierStyleCrossRef" href="#bib0290"><span class="elsevierStyleSup">14</span></a>&#46; Adem&#225;s&#44; se han descrito tasas bajas de sensibilidad en la predicci&#243;n pron&#243;stica de estos signos &#40;entre el 14&#44;3 y el 39&#44;2&#37; para pron&#243;stico funcional seg&#250;n el grupo de Law&#41;<a class="elsevierStyleCrossRef" href="#bib0295"><span class="elsevierStyleSup">15</span></a>&#44; lo que puede dar lugar a estimaciones err&#243;neas y eventualmente afectar a la toma de decisiones&#46;</p><p id="par0025" class="elsevierStylePara elsevierViewall">Estas limitaciones ponen de manifiesto la necesidad de desarrollar y utilizar par&#225;metros cuantitativos reproducibles &#40;biomarcadores&#41; que minimicen el componente subjetivo de la evaluaci&#243;n radiol&#243;gica cualitativa y que mejoren el rendimiento en la predicci&#243;n del pron&#243;stico de los signos radiol&#243;gicos&#46;</p><p id="par0030" class="elsevierStylePara elsevierViewall">La radi&#243;mica es un enfoque cuantitativo en el que se extraen un gran n&#250;mero de caracter&#237;sticas &#40;biomarcadores&#41; de las im&#225;genes radiol&#243;gicas<a class="elsevierStyleCrossRefs" href="#bib0300"><span class="elsevierStyleSup">16&#44;17</span></a>&#46;</p><p id="par0035" class="elsevierStylePara elsevierViewall">Al aplicar algoritmos de aprendizaje autom&#225;tico supervisado<a class="elsevierStyleCrossRef" href="#bib0310"><span class="elsevierStyleSup">18</span></a> sobre los par&#225;metros cuantitativos &#40;biomarcadores&#41; se pueden crear modelos que puedan realizar la predicci&#243;n de una variable resultado sobre datos no evaluados previamente&#46; Nuestra hip&#243;tesis es que clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica pueden predecir el mal pron&#243;stico funcional en pacientes con HIE&#44; al objetivar caracter&#237;sticas no apreciables por el ojo humano &#40;intensidad&#44; forma&#44; textura&#8230;&#41;&#46;</p><p id="par0040" class="elsevierStylePara elsevierViewall">El objetivo de este estudio es evaluar si clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica de la TCCSC pueden predecir el pron&#243;stico funcional al alta en pacientes con HIE&#46;</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Material y m&#233;todos</span><p id="par0045" class="elsevierStylePara elsevierViewall">El manuscrito ha sido estructurado atendiendo a la iniciativa CLAIM &#40;de sus siglas en ingl&#233;s <span class="elsevierStyleItalic">Checklist for Artificial Intelligence in Medical Imaging</span>&#41;<a class="elsevierStyleCrossRef" href="#bib0315"><span class="elsevierStyleSup">19</span></a>&#46;</p><p id="par0050" class="elsevierStylePara elsevierViewall">Para la segmentaci&#243;n de cada HIE se utiliz&#243; el Software 3D Slicer &#40;versi&#243;n 4&#46;10&#46;2&#41;&#46; El software utilizado para el procesamiento de datos fue Orange data mining versi&#243;n 3&#46;31 &#40;<a href="https://orangedatamining.com/">https&#58;&#47;&#47;orangedatamining&#46;com&#47;</a>&#41;&#46;</p><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Dise&#241;o del estudio</span><p id="par0055" class="elsevierStylePara elsevierViewall">An&#225;lisis observacional retrospectivo unic&#233;ntrico de pacientes consecutivos con diagn&#243;stico de HIE confirmado por TCCSC entre enero de 2016 y abril de 2018 en un centro terciario de ictus&#46; El objetivo es crear un algoritmo de aprendizaje supervisado no lineal de cribado para predecir el pron&#243;stico funcional al alta en pacientes con HIE&#46; Dado el objetivo marcado&#44; las m&#233;tricas que se quieren optimizar son la sensibilidad y el valor predictivo negativo&#46;</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0085">Datos</span><p id="par0060" class="elsevierStylePara elsevierViewall">El protocolo del estudio fue aprobado por el Comit&#233; de &#201;tica de Investigaci&#243;n Cl&#237;nica local &#40;n&#250;mero de registro HCB&#47;2020&#47;0180&#41; seg&#250;n lo establecido en las leyes y normas nacionales &#40;Ley 14&#47;2007&#44; de 3 de julio&#44; de Investigaci&#243;n Biom&#233;dica&#41; e internacionales &#40;Declaraci&#243;n de Helsinki&#44; en su &#250;ltima actualizaci&#243;n de Fortaleza&#44; Brasil&#44; 2013&#41;&#46; Dada la naturaleza retrospectiva del estudio&#44; no se requiri&#243; el consentimiento informado espec&#237;fico para la inclusi&#243;n de los datos en el estudio&#46; Para garantizar el anonimato de los participantes en el estudio se llev&#243; a cabo un proceso de seudonimizaci&#243;n&#46; El conjunto de datos empleado en este estudio no se ha utilizado previamente&#46; Los datos que respaldan las conclusiones de este estudio est&#225;n disponibles mediante el autor de correspondencia&#44; previa solicitud justificada de los mismos&#46;</p><p id="par0065" class="elsevierStylePara elsevierViewall">Inicialmente se valoraron un total de 128 pacientes mayores de 18<span class="elsevierStyleHsp" style=""></span>a&#241;os con diagn&#243;stico de HIE espont&#225;neo y con TCCSC realizado dentro de las primeras 24<span class="elsevierStyleHsp" style=""></span>horas desde el inicio de los s&#237;ntomas&#46; De estos se excluyeron los pacientes con HIE secundario y los pacientes en los que no se dispon&#237;a de todas las variables de radi&#243;mica&#46; Se recogieron datos demogr&#225;ficos &#40;edad y sexo&#41;&#44; h&#225;bitos t&#243;xicos &#40;alcohol y tabaco&#41;&#44; factores de riesgo cerebrovascular y cardiovascular &#40;hipertensi&#243;n&#44; dislipidemia&#44; diabetes mellitus&#44; fibrilaci&#243;n auricular y cardiopat&#237;a isqu&#233;mica&#41;&#44; antecedentes m&#233;dicos de HIE o ictus previo y tratamiento farmacol&#243;gico antiagregante o anticoagulante concomitante&#46;</p><p id="par0070" class="elsevierStylePara elsevierViewall">Al ingreso&#44; se registraron la presi&#243;n arterial sist&#243;lica y diast&#243;lica &#40;mmHG&#41;&#44; la glucemia &#40;mmol&#47;l&#41; y la evaluaci&#243;n neurol&#243;gica inicial mediante la <span class="elsevierStyleItalic">National Institutes of Health Stroke Scale</span> &#40;NIHSS&#41;&#46; El pron&#243;stico funcional al alta se determin&#243; utilizando la escala de Rankin modificada &#40;mRS&#41; dicotomizada en buen pron&#243;stico &#40;mRS<span class="elsevierStyleHsp" style=""></span>0-2&#41; o mal pron&#243;stico &#40;mRS<span class="elsevierStyleHsp" style=""></span>3-6&#41;&#46;</p><p id="par0075" class="elsevierStylePara elsevierViewall">Se realiz&#243; una TCCSC secuencial en dos equipos de TC multicorte &#40;Somatom Definition Flash y Somatom Sensation 64&#44; Siemens Healthcare&#44; Erlangen&#44; Alemania&#41;&#46; Se obtuvieron im&#225;genes secuenciales axiales paralelas a la l&#237;nea orbitomeatal desde la base del cr&#225;neo hasta el v&#233;rtice&#44; utilizando par&#225;metros est&#225;ndar de 140<span class="elsevierStyleHsp" style=""></span>kV&#44; 230<span class="elsevierStyleHsp" style=""></span>mAs y reconstrucciones axiales con un grosor de 5<span class="elsevierStyleHsp" style=""></span>mm&#46;</p><p id="par0080" class="elsevierStylePara elsevierViewall">Se analizaron la localizaci&#243;n del HIE &#40;ganglios basales&#44; lobar&#44; tronco encef&#225;lico y cerebelo&#41;&#44; la presencia de hemorragia intraventricular y el volumen del hematoma &#40;ml&#41;&#46; El volumen del hematoma se calcul&#243; seg&#250;n el m&#233;todo validado A<span class="elsevierStyleHsp" style=""></span>&#215;<span class="elsevierStyleHsp" style=""></span>B<span class="elsevierStyleHsp" style=""></span>&#215;<span class="elsevierStyleHsp" style=""></span>C<span class="elsevierStyleHsp" style=""></span>&#47;<span class="elsevierStyleHsp" style=""></span>2<a class="elsevierStyleCrossRef" href="#bib0320"><span class="elsevierStyleSup">20</span></a>&#46;</p><p id="par0085" class="elsevierStylePara elsevierViewall">Las im&#225;genes de la TCCSC de cada paciente incluido en el estudio se importaron desde el <span class="elsevierStyleItalic">Picture Archiving and Communication System</span> &#40;PACS&#41; al Software 3D Slicer &#40;versi&#243;n 4&#46;10&#46;2&#41;&#44; donde se utiliz&#243; el m&#243;dulo &#171;Segment Editor&#187; para la segmentaci&#243;n&#46;</p><p id="par0090" class="elsevierStylePara elsevierViewall">El proceso de segmentaci&#243;n fue llevado a cabo por un radi&#243;logo cualificado sin acceso a la informaci&#243;n cl&#237;nica&#46; Los contornos de todos los HIE fueron dibujados manualmente corte a corte y se formaron los vol&#250;menes de inter&#233;s &#40;VOI&#41; tridimensionales de cada HIE&#46;</p><p id="par0095" class="elsevierStylePara elsevierViewall">Desde el m&#243;dulo &#171;Radiomics&#187; del Software 3D Slicer se obtuvieron de forma autom&#225;tica un total de 105 variables de cada uno de los VOI&#44; relacionadas con la intensidad&#44; la forma y la textura del hematoma&#46; El m&#243;dulo &#171;Radiomics&#187; de 3D Slicer se basa en la librer&#237;a <span class="elsevierStyleItalic">pyRadiomics</span><a class="elsevierStyleCrossRef" href="#bib0325"><span class="elsevierStyleSup">21</span></a>&#44; que cumple con el est&#225;ndar <span class="elsevierStyleItalic">Image Biomarker Standardisation Initiative</span> &#40;IBSI&#41;<a class="elsevierStyleCrossRef" href="#bib0330"><span class="elsevierStyleSup">22</span></a>&#46; En la <a class="elsevierStyleCrossRef" href="#fig0005">figura 1</a> se resume el proceso de segmentaci&#243;n&#46;</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0090">Verdad fundamental</span><p id="par0100" class="elsevierStylePara elsevierViewall">El objetivo principal de este trabajo fue evaluar si los clasificadores de aprendizaje supervisado basados en radi&#243;mica de la TCCSC son capaces de predecir el mal pron&#243;stico funcional al alta en pacientes con HIE&#46; Se defini&#243; mal pron&#243;stico como aquellos pacientes con dependencia para realizar las actividades diarias al alta o defunci&#243;n tras el HIE &#40;mRS<span class="elsevierStyleHsp" style=""></span>3-6&#41;&#46; La variable resultado &#40;mRS al alta&#41; fue dicotomizada en buen pron&#243;stico &#40;independencia funcional al alta&#58; mRS<span class="elsevierStyleHsp" style=""></span>0-2&#41; y mal pron&#243;stico &#40;dependencia funcional o defunci&#243;n al alta&#58; mRS<span class="elsevierStyleHsp" style=""></span>3-6&#41;&#46; La escala mRS eval&#250;a la discapacidad global tras un ACV y es la medida de resultado funcional m&#225;s completa y utilizada en los ensayos de ictus&#46; Sin embargo&#44; se ha descrito variabilidad interobservador que puede implicar una clasificaci&#243;n err&#243;nea y limitar la validez de los resultados<a class="elsevierStyleCrossRef" href="#bib0335"><span class="elsevierStyleSup">23</span></a>&#46; Por ello&#44; el mRS al alta ha sido determinado por seis neur&#243;logos vasculares con m&#225;s de cinco a&#241;os de experiencia y con certificaci&#243;n en su determinaci&#243;n&#46; Adem&#225;s&#44; se ha dicotomizado el resultado del mRS en lugar de emplearlo en su escala original&#44; ya que se ha demostrado que las tasas de error de clasificaci&#243;n son menores con la dicotomizaci&#243;n del mRS&#44; en comparaci&#243;n con la determinaci&#243;n ordinal<a class="elsevierStyleCrossRef" href="#bib0340"><span class="elsevierStyleSup">24</span></a>&#46;</p></span><span id="sec0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0095">Distribuci&#243;n de datos</span><p id="par0105" class="elsevierStylePara elsevierViewall">La muestra se dividi&#243; en dos cohortes estratificadas de pacientes&#44; una cohorte de entrenamiento y prueba &#40;70&#37;&#44; n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>70&#41; y otra de validaci&#243;n &#40;30&#37;&#44; n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>29&#41;&#46; La estratificaci&#243;n de la muestra se refiere a que cada cohorte tiene la misma proporci&#243;n de pacientes con buen y mal pron&#243;stico funcional que la muestra global&#46;</p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0100">Modelo</span><p id="par0110" class="elsevierStylePara elsevierViewall">El software utilizado para el procesamiento de datos fue Orange data mining versi&#243;n 3&#46;31 &#40;<a href="https://orangedatamining.com/">https&#58;&#47;&#47;orangedatamining&#46;com&#47;</a>&#41;&#46; Todas las variables de radi&#243;mica obtenidas &#40;tanto en la cohorte de entrenamiento y prueba como en la cohorte de validaci&#243;n&#41; se sometieron a un procesamiento inicial para asegurar el correcto funcionamiento de los clasificadores&#46; Este procesamiento consiste&#44; en primer lugar&#44; en excluir los pacientes que ten&#237;an valores perdidos &#40;ausentes&#41; en alguna de las 105 variables&#46; En segundo lugar&#44; mediante el algoritmo &#171;Isolation Forest&#187; se eliminaron el 5&#37; de los pacientes con valores de radi&#243;mica extremos&#46; Por &#250;ltimo&#44; se llev&#243; a cabo un proceso de estandarizaci&#243;n y normalizaci&#243;n para convertir las variables de radi&#243;mica en variables con una distribuci&#243;n normal con valores comprendidos entre 0 y 1&#46;</p></span><span id="sec0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0105">Reducci&#243;n de la dimensionalidad - Selecci&#243;n de variables</span><p id="par0115" class="elsevierStylePara elsevierViewall">Una vez realizado el procesamiento inicial de las variables de radi&#243;mica&#44; para seleccionar las variables a estudio se utilizaron&#44; por un lado&#44; todas las variables de radi&#243;mica sin seleccionar ni reducir su dimensionalidad &#40;evaluando las 105 variables de cada uno de los pacientes&#41;&#44; y&#44; por otro&#44; se aplicaron t&#233;cnicas de reducci&#243;n de la dimensionalidad para identificar y retirar informaci&#243;n irrelevante y redundante<a class="elsevierStyleCrossRef" href="#bib0345"><span class="elsevierStyleSup">25</span></a>&#46; Dado que contamos con una muestra de 70 pacientes para entrenar el modelo&#44; se redujo la dimensionalidad en 7 variables para minimizar el efecto del sobreajuste <span class="elsevierStyleItalic">&#40;overfitting&#41;</span>&#46; Los m&#233;todos empleados de selecci&#243;n de variables y de reducci&#243;n de la dimensionalidad fueron&#58;<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">-</span><p id="par0120" class="elsevierStylePara elsevierViewall">M&#233;todo ANOVA&#58; seleccionamos 7 variables seg&#250;n tengan mayor diferencia entre los valores promedio de la caracter&#237;stica en diferentes clases&#44; siempre y cuando no exista correlaci&#243;n entre ellas &#40;coeficiente de correlaci&#243;n de Spearman &#60;<span class="elsevierStyleHsp" style=""></span>0&#44;5&#41;&#46;</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">-</span><p id="par0125" class="elsevierStylePara elsevierViewall">Algoritmos de reducci&#243;n de la dimensionalidad lineal&#58;</p></li><li class="elsevierStyleListItem" id="lsti0015"><span class="elsevierStyleLabel">&#8728;</span><p id="par0130" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Principal Component Analysis</span> &#40;PCA&#41;<a class="elsevierStyleCrossRef" href="#bib0350"><span class="elsevierStyleSup">26</span></a> 80&#58; es un procedimiento estad&#237;stico que transforma ortogonalmente las n dimensiones num&#233;ricas originales de un conjunto de datos en un nuevo conjunto de n dimensiones llamadas componentes principales&#46; En este caso&#44; el nuevo conjunto tendr&#225; tantas dimensiones como sean necesarias para conservar el 80&#37; de la variaci&#243;n de los datos&#46;</p></li><li class="elsevierStyleListItem" id="lsti0020"><span class="elsevierStyleLabel">&#8728;</span><p id="par0135" class="elsevierStylePara elsevierViewall">PCA-90&#58; en este caso&#44; el nuevo conjunto tendr&#225; tantas dimensiones como sean necesarias para conservar el 90&#37; de la variaci&#243;n de los datos&#46;</p></li><li class="elsevierStyleListItem" id="lsti0025"><span class="elsevierStyleLabel">-</span><p id="par0140" class="elsevierStylePara elsevierViewall">Algoritmos de reducci&#243;n de la dimensionalidad no lineales con los que seleccionaremos 7 nuevas dimensiones &#40;variables&#41; para representar nuestras variables originales&#58;</p></li><li class="elsevierStyleListItem" id="lsti0030"><span class="elsevierStyleLabel">&#8728;</span><p id="par0145" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">tSNE</span>-7 &#40;incrustaci&#243;n de vecinos estoc&#225;sticos distribuidos en t&#41;<a class="elsevierStyleCrossRef" href="#bib0355"><span class="elsevierStyleSup">27</span></a>&#58; es un algoritmo que calcula la probabilidad de que pares de puntos de datos en el espacio de alta dimensi&#243;n est&#233;n relacionados y luego elige una inserci&#243;n de baja dimensi&#243;n que produce una distribuci&#243;n similar&#46;</p></li><li class="elsevierStyleListItem" id="lsti0035"><span class="elsevierStyleLabel">&#8728;</span><p id="par0150" class="elsevierStylePara elsevierViewall">Isomap-7 &#40;mapeo de caracter&#237;sticas isom&#233;tricas&#41;<a class="elsevierStyleCrossRef" href="#bib0360"><span class="elsevierStyleSup">28</span></a>&#58; es un algoritmo que proyecta los datos a una dimensi&#243;n inferior&#44; preservando la distancia m&#225;s corta entre dos puntos de una curva&#46;</p></li><li class="elsevierStyleListItem" id="lsti0040"><span class="elsevierStyleLabel">&#8728;</span><p id="par0155" class="elsevierStylePara elsevierViewall">LLE-7 &#40;incrustaci&#243;n localmente lineal&#41;<a class="elsevierStyleCrossRef" href="#bib0365"><span class="elsevierStyleSup">29</span></a>&#58; es un algoritmo que mantiene las caracter&#237;sticas lineales locales de las muestras&#44; por lo que cada punto puede estar representado como una suma lineal y ponderada de sus vecinos&#46;</p></li></ul></p></span><span id="sec0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0110">Construcci&#243;n del modelo</span><p id="par0160" class="elsevierStylePara elsevierViewall">Para la construcci&#243;n del modelo se emplearon algoritmos utilizados previamente en la literatura con buenos resultados en la evaluaci&#243;n del crecimiento y el pron&#243;stico del HIE<a class="elsevierStyleCrossRefs" href="#bib0370"><span class="elsevierStyleSup">30-32</span></a>&#46; Se aplicaron los siguientes algoritmos&#58;<ul class="elsevierStyleList" id="lis0010"><li class="elsevierStyleListItem" id="lsti0045"><span class="elsevierStyleLabel">-</span><p id="par0165" class="elsevierStylePara elsevierViewall">K vecinos m&#225;s cercanos &#40;KNN&#41;&#58; es uno de los algoritmos de clasificaci&#243;n m&#225;s b&#225;sicos&#46; Es un algoritmo de aprendizaje no param&#233;trico&#44; es decir&#44; que no hace suposiciones sobre la forma funcional de los datos&#46; Por el contrario&#44; es un algoritmo basado en instancias&#44; es decir&#44; el algoritmo no aprende un modelo&#44; sino que memoriza las instancias de entrenamiento que son usadas como &#171;base de conocimiento&#187; para realizar las predicciones<a class="elsevierStyleCrossRefs" href="#bib0385"><span class="elsevierStyleSup">33&#44;34</span></a>&#46;</p></li><li class="elsevierStyleListItem" id="lsti0050"><span class="elsevierStyleLabel">&#8728;</span><p id="par0170" class="elsevierStylePara elsevierViewall">Distancia euclidiana &#40;KNN-E&#41;&#58; es la distancia en l&#237;nea recta o la trayectoria m&#225;s corta posible entre dos puntos&#46;</p></li><li class="elsevierStyleListItem" id="lsti0055"><span class="elsevierStyleLabel">&#8728;</span><p id="par0175" class="elsevierStylePara elsevierViewall">Distancia Manhattan &#40;KNN-M&#41;&#58; la distancia Manhattan entre 2 puntos es la suma de las diferencias absolutas de sus coordenadas&#46; Es decir&#44; es la suma de las longitudes de los dos catetos del tri&#225;ngulo rect&#225;ngulo&#46; Es la distancia entre dos puntos en una cuadr&#237;cula de calles tipo ciudad&#44; en la que es no es posible recorrer los dos puntos en l&#237;nea recta&#46;</p></li><li class="elsevierStyleListItem" id="lsti0060"><span class="elsevierStyleLabel">-</span><p id="par0180" class="elsevierStylePara elsevierViewall">M&#225;quinas de vectores de soporte &#40;<span class="elsevierStyleItalic">Support Vector Machine</span> &#91;SVM&#93;&#41;&#58; es un algoritmo que representa las instancias de la muestra en el espacio&#44; separando las clases a dos espacios mediante un hiperplano de separaci&#243;n&#46; Cuando las nuevas instancias se introducen en el modelo&#44; en funci&#243;n de los espacios a los que pertenezcan&#44; pueden ser clasificadas a una u otra clase&#46; Una SVM construye un hiperplano o conjunto de hiperplanos en un espacio de alta dimensionalidad que puede ser utilizado en problemas de clasificaci&#243;n o regresi&#243;n&#46; La manera m&#225;s simple de realizar la separaci&#243;n es mediante una l&#237;nea recta&#44; un plano recto&#44; pero los problemas a estudiar no se suelen representar en casos de dos dimensiones&#46; Habitualmente&#44; un algoritmo de SVM debe tratar con curvas no lineales de separaci&#243;n y m&#225;s de dos variables predictoras&#46; La representaci&#243;n por medio de funciones Kernel ofrece una soluci&#243;n a este problema&#44; ya que toma un espacio de entrada de baja dimensi&#243;n y lo transforma en un espacio dimensional m&#225;s alto&#44; es decir&#44; convierte el problema no separable en un problema separable<a class="elsevierStyleCrossRefs" href="#bib0385"><span class="elsevierStyleSup">33&#44;35&#44;36</span></a>&#46; Se utilizaron Kernel Polinomial &#40;P-SVM&#41;&#59; Kernel Radial &#40;R-SVM&#41; y Kernel Sigmoideo &#40;S-SVM&#41;&#46;</p></li><li class="elsevierStyleListItem" id="lsti0065"><span class="elsevierStyleLabel">-</span><p id="par0185" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Random Forest</span> &#40;RF&#41;&#58; en este algoritmo se ejecutan varios algoritmos de &#225;rboles de decisiones en <span class="elsevierStyleItalic">bagging</span>&#44; es decir&#44; los distintos &#225;rboles ven distintas proporciones de datos&#44; por lo que cada &#225;rbol se entrenar&#225; con distintas muestras de datos para un mismo problema&#46; Para clasificar una nueva instancia&#44; cada &#225;rbol de decisi&#243;n da una clasificaci&#243;n&#44; y finalmente la decisi&#243;n con mayor n&#250;mero de &#171;votos&#187; es la predicci&#243;n del algoritmo<a class="elsevierStyleCrossRefs" href="#bib0385"><span class="elsevierStyleSup">33&#44;37</span></a>&#46; Se utilizaron algoritmos sobre la decisi&#243;n de 10 &#225;rboles &#40;RF-10&#41; y 50 &#225;rboles &#40;RF-50&#41;&#46;</p></li><li class="elsevierStyleListItem" id="lsti0070"><span class="elsevierStyleLabel">-</span><p id="par0190" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Gradient boosting CatBoost</span> &#40;GB&#41;&#58; algoritmo construido con &#225;rboles de decisi&#243;n individuales entrenados de forma secuencial&#44; de forma que cada nuevo &#225;rbol trata de mejorar los errores del anterior <span class="elsevierStyleItalic">&#40;boosting&#41;</span>&#46; La predicci&#243;n de una nueva instancia se obtiene agregando las predicciones de todos los &#225;rboles individuales que forman el modelo<a class="elsevierStyleCrossRefs" href="#bib0385"><span class="elsevierStyleSup">33&#44;38</span></a>&#46;</p></li></ul></p><p id="par0195" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#fig0010">figura 2</a> se resume el m&#233;todo de procesamiento de datos&#44; de selecci&#243;n de variables y de construcci&#243;n del modelo&#46;</p><elsevierMultimedia ident="fig0010"></elsevierMultimedia></span><span id="sec0050" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0115">Entrenamiento y prueba</span><p id="par0200" class="elsevierStylePara elsevierViewall">En la cohorte de entrenamiento y prueba se realizaron 10 iteraciones de validaci&#243;n cruzada estratificada&#44; es decir&#44; se entren&#243; al modelo con el 90&#37; de los casos de la cohorte de entrenamiento y prueba y se realiz&#243; la predicci&#243;n con el 10&#37; restante de la muestra&#46; Esto se realiz&#243; 10 veces y se calcul&#243; la media de los valores de &#225;rea bajo la curva ROC &#40;AUC&#41; de las 10 predicciones&#46; No se realizaron estrategias de <span class="elsevierStyleItalic">data augmentation</span> en nuestra muestra&#46;</p><p id="par0205" class="elsevierStylePara elsevierViewall">Una vez entrenados los algoritmos en la cohorte de entrenamiento y prueba se realizaron las predicciones con la cohorte de validaci&#243;n&#46; Se calcularon la sensibilidad y el valor predictivo negativo de los clasificadores en la cohorte de validaci&#243;n&#46; Se defini&#243; un IC del 95&#37;&#46;</p></span></span><span id="sec0055" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0120">Resultados</span><span id="sec0060" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0125">Datos</span><p id="par0210" class="elsevierStylePara elsevierViewall">Un total de 105 pacientes cumplieron finalmente los criterios de inclusi&#243;n y exclusi&#243;n&#44; y fueron analizados&#59; en la <a class="elsevierStyleCrossRef" href="#fig0015">figura 3</a> se representa el diagrama de flujo de los pacientes&#46; Las principales caracter&#237;sticas demogr&#225;ficas&#44; cl&#237;nicas y de imagen se recogen en las <a class="elsevierStyleCrossRefs" href="#tbl0005">tablas 1 y 2</a>&#46;</p><elsevierMultimedia ident="fig0015"></elsevierMultimedia><elsevierMultimedia ident="tbl0005"></elsevierMultimedia><elsevierMultimedia ident="tbl0010"></elsevierMultimedia></span><span id="sec0065" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0130">Procesamiento de los datos y cohorte de entrenamiento y prueba &#40;<a class="elsevierStyleCrossRef" href="#fig0020">fig&#46; 4</a>&#41;</span><p id="par0215" class="elsevierStylePara elsevierViewall">Tras excluir los pacientes con valores perdidos y aplicar el algoritmo &#171;Isolation Forest&#187;&#44; con en el que se eliminaron el 5&#37; de los pacientes con valores extremos&#44; las variables de radi&#243;mica de 99 pacientes con HIE fueron analizadas&#46; La muestra se dividi&#243; en una cohorte de entrenamiento y prueba &#40;70&#37;&#44; n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>70&#41; y otra de validaci&#243;n &#40;30&#37;&#44; n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>29&#41;&#46; En la cohorte de entrenamiento y prueba se realizaron 10 iteraciones de validaci&#243;n cruzada estratificada &#40;se entren&#243; al modelo con el 90&#37; de los casos de la cohorte y se realiz&#243; la predicci&#243;n con el 10&#37; restante de la muestra&#41;&#46; Esto se llev&#243; a cabo 10 veces y se calcul&#243; la media de los valores de &#225;rea bajo la curva &#40;AUC&#41; de las 10 predicciones&#46; Una vez entrenados los algoritmos en la cohorte de entrenamiento y prueba se realizaron las predicciones con la cohorte de validaci&#243;n&#46; Se calcularon la sensibilidad y el valor predictivo negativo de los clasificadores en la cohorte de validaci&#243;n&#46;</p><elsevierMultimedia ident="fig0020"></elsevierMultimedia><p id="par0220" class="elsevierStylePara elsevierViewall">La AUC media de los diferentes m&#233;todos de selecci&#243;n de variables y clasificadores con la cohorte de entrenamiento y prueba se resume en la <a class="elsevierStyleCrossRef" href="#tbl0015">tabla 3</a>&#46; KNN-E&#44; P-SVM y RF-10&#44; en combinaci&#243;n con el m&#233;todo de selecci&#243;n de caracter&#237;sticas de correlaci&#243;n ANOVA&#44; fueron los clasificadores de mejor rendimiento en la cohorte de entrenamiento y prueba &#40;AUC de 0&#44;752&#44; 0&#44;798 y 0&#44;742&#44; respectivamente&#41;&#46; Las siete variables de radi&#243;mica seleccionadas con el m&#233;todo ANOVA fueron&#58; &#171;Run Lenght Non-Uniformity&#187;&#44; &#171;Gray Level Non-Uniformity&#187;&#44; &#171;High Gray Level Emphasis&#187;&#44; &#171;Run Entropy&#187;&#44; &#171;Busyness&#187;&#44; &#171;Long Run Emphasis&#187;&#44; &#171;Interquartile Range&#187;&#46;</p><elsevierMultimedia ident="tbl0015"></elsevierMultimedia></span><span id="sec0070" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0135">Rendimiento del modelo</span><p id="par0225" class="elsevierStylePara elsevierViewall">Despu&#233;s del entrenamiento de los diferentes modelos&#44; los clasificadores se evaluaron con los datos de la cohorte de validaci&#243;n &#40;n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>29&#41; para predecir mal pron&#243;stico funcional del paciente al alta&#44; comparando la predicci&#243;n de los clasificadores con el pron&#243;stico funcional que tuvieron dichos pacientes&#46; La sensibilidad de los clasificadores en la cohorte de validaci&#243;n se detalla en la <a class="elsevierStyleCrossRef" href="#tbl0020">tabla 4</a>&#46; KNN-E&#44; KNN-M&#44; P-SVM y RF-10 en combinaci&#243;n con el m&#233;todo de selecci&#243;n de caracter&#237;sticas de correlaci&#243;n ANOVA fueron los clasificadores con mejor rendimiento en la cohorte de validaci&#243;n&#44; la sensibilidad fue de 0&#44;897 &#40;IC<span class="elsevierStyleHsp" style=""></span>95&#37;&#58; 0&#44;778-1&#41;&#44; con 0 falsos negativos&#44; un valor predictivo positivo del 89&#37; y un valor predictivo negativo del 100&#37;&#46; El clasificador RF-10 en combinaci&#243;n con el m&#233;todo de selecci&#243;n de variables Isomap-7 logr&#243; la misma tasa de sensibilidad&#46; En la <a class="elsevierStyleCrossRef" href="#tbl0025">tabla 5</a> se muestra la matriz de confusi&#243;n de los cinco modelos con mejores resultados de sensibilidad&#46;</p><elsevierMultimedia ident="tbl0020"></elsevierMultimedia><elsevierMultimedia ident="tbl0025"></elsevierMultimedia></span></span><span id="sec0075" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0140">Discusi&#243;n</span><p id="par0230" class="elsevierStylePara elsevierViewall">En este estudio retrospectivo se han desarrollado diferentes modelos de aprendizaje supervisado no lineales basados en radi&#243;mica para predecir el pron&#243;stico funcional al alta en pacientes con HIE&#46; Los algoritmos P-SVM&#44; KNN-E y RF-10&#44; en combinaci&#243;n con el m&#233;todo de selecci&#243;n de variables ANOVA&#44; fueron los clasificadores con mejor rendimiento en la cohorte de entrenamiento y prueba &#40;AUC de 0&#44;798&#44; 0&#44;752 y 0&#44;742&#44; respectivamente&#41;&#46; Las predicciones de estos modelos&#44; en la cohorte de validaci&#243;n&#44; tuvieron una sensibilidad de 0&#44;897 &#40;IC<span class="elsevierStyleHsp" style=""></span>95&#37;&#58; 0&#44;778-1&#41;&#44; con una tasa de falsos negativos del 0&#37; para la predicci&#243;n de mal pron&#243;stico funcional al alta&#46; Identificar a los pacientes con riesgo de mal pron&#243;stico funcional permite una mejor estratificaci&#243;n para ofrecer terapias intensivas adaptadas a estos pacientes&#46;</p><p id="par0235" class="elsevierStylePara elsevierViewall">La principal fortaleza de este an&#225;lisis es que es el primer estudio basado en algoritmos de aprendizaje supervisado no lineales en el que el objetivo principal es predecir el pron&#243;stico funcional al alta en pacientes con HIE&#46;</p><p id="par0240" class="elsevierStylePara elsevierViewall">Existen dos estudios previamente publicados basados en algoritmos de aprendizaje supervisado no lineales&#44; en los que el objetivo fue la predicci&#243;n de crecimiento del HIE&#46; El primero fue el publicado en el a&#241;o 2019 por el equipo de Hui Li et al&#46;<a class="elsevierStyleCrossRef" href="#bib0415"><span class="elsevierStyleSup">39</span></a>&#46; En &#233;l se investig&#243; si los valores de radi&#243;mica de la TCCSC podr&#237;an predecir el crecimiento del HIE&#46; Tras el proceso de selecci&#243;n de datos&#44; analizaron 4 variables de radi&#243;mica para construir el modelo y aplicaron 23 algoritmos de aprendizaje supervisado&#46; El que obtuvo mejor rendimiento para predecir crecimiento del HIE fue &#171;Linear Support Vector Classifier&#187; &#40;<a class="elsevierStyleCrossRef" href="#tbl0030">tabla 6</a>&#41;&#46;</p><elsevierMultimedia ident="tbl0030"></elsevierMultimedia><p id="par0245" class="elsevierStylePara elsevierViewall">El segundo estudio&#44; desarrollado por el equipo de Song<a class="elsevierStyleCrossRef" href="#bib0370"><span class="elsevierStyleSup">30</span></a>&#44; tuvo como objetivo determinar si los modelos de TCCSC basados en valores de radi&#243;mica y algoritmos de aprendizaje supervisado podr&#237;an mejorar la predicci&#243;n de la expansi&#243;n temprana del hematoma en pacientes con HIE&#46; Construyeron varios modelos para predecir el crecimiento del HIE&#58; modelo radiol&#243;gico&#44; modelo radi&#243;mico&#44; modelo cl&#237;nico-radiol&#243;gico&#44; modelo radiol&#243;gico-radi&#243;mico y modelo combinado&#46; En sus resultados observaron que el modelo radi&#243;mico &#40;en concreto&#44; el algoritmo de regresi&#243;n log&#237;stica&#41; demostr&#243; un mejor rendimiento y mayor sensibilidad que el modelo cl&#237;nico-radiol&#243;gico y que el modelo radiol&#243;gico &#40;<a class="elsevierStyleCrossRef" href="#tbl0030">tabla 6</a>&#41;&#46;</p><p id="par0250" class="elsevierStylePara elsevierViewall">Otra de las fortalezas de este estudio es que&#44; pese a su naturaleza retrospectiva&#44; el protocolo de adquisici&#243;n y de reconstrucci&#243;n de las im&#225;genes est&#225; estandarizado y no existe variabilidad&#46; Debido a la naturaleza retrospectiva de la mayor&#237;a de los estudios de radi&#243;mica&#44; los protocolos de imagen&#44; incluyendo la adquisici&#243;n&#44; y los ajustes de reconstrucci&#243;n a menudo no est&#225;n controlados o estandarizados&#46;</p><p id="par0255" class="elsevierStylePara elsevierViewall">M&#250;ltiples investigaciones han evaluado el impacto de estos par&#225;metros &#40;voltaje&#44; miliamperaje&#44; <span class="elsevierStyleItalic">pitch</span>&#44; <span class="elsevierStyleItalic">field of view</span>&#44; grosor de corte&#44; adquisici&#243;n&#44; marca&#44; movimiento&#8230;&#41; y su influencia sobre las variables de radi&#243;mica&#46; En 2016 Lu et al&#46;<a class="elsevierStyleCrossRef" href="#bib0420"><span class="elsevierStyleSup">40</span></a> evaluaron la concordancia en los valores de radi&#243;mica al variar par&#225;metros de grosor de corte y el algoritmo de reconstrucci&#243;n de la TCCSC y llegaron a la conclusi&#243;n de que existe variabilidad entre las caracter&#237;sticas de radi&#243;mica cuando se calculan a partir de im&#225;genes de TCCSC reconstruidas con diferentes algoritmos y grosores de corte&#44; destacando la importancia de estandarizar la adquisici&#243;n de las im&#225;genes&#46; En el presente an&#225;lisis se han utilizado dos equipos diferentes &#40;Somatom Definition Flash&#44; Siemens Healthcare y Somatom Sensation 64&#44; Siemens Healthcare&#41; de la misma marca&#59; en investigaciones futuras habr&#237;a que analizar si al utilizar marcas diferentes existe variabilidad en los resultados de las caracter&#237;sticas de radi&#243;mica&#46;</p><p id="par0260" class="elsevierStylePara elsevierViewall">Una de las limitaciones es que&#44; tal y como se ha mencionado en la introducci&#243;n&#44; el HIE es una de las causas principales de incapacidad&#44; por lo que un alto porcentaje de pacientes incluidos en este estudio &#40;84&#44;8&#37;&#41; tuvieron un mal pron&#243;stico funcional al alta &#40;mRS<span class="elsevierStyleHsp" style=""></span>3-6&#41;&#46; Esto hace que los grupos de la cohorte de entrenamiento y prueba y de la cohorte de validaci&#243;n no est&#233;n balanceados&#46;</p><p id="par0265" class="elsevierStylePara elsevierViewall">El HIE es una patolog&#237;a con elevada morbimortalidad&#44; lo que hace que la probabilidad pretest de mal pron&#243;stico funcional al alta en estos pacientes sea elevada&#46; La probabilidad pretest de mal pron&#243;stico funcional tras un HIE es del 0&#44;86 en la muestra global&#44; y tras aplicar los clasificadores de aprendizaje supervisado basados en radi&#243;mica&#44; obtenemos una sensibilidad del 0&#44;89 en la cohorte de validaci&#243;n&#46; Esta es la principal limitaci&#243;n del estudio&#44; ya que la probabilidad de predecir el pron&#243;stico no aumenta de manera sustancial una vez aplicado el modelo&#46; El rendimiento del modelo podr&#237;a mejorar aumentando la muestra para conseguir cohortes mejor balanceadas&#46;</p><p id="par0270" class="elsevierStylePara elsevierViewall">Seg&#250;n los resultados publicados por los equipos de Pszczolkowski<a class="elsevierStyleCrossRef" href="#bib0425"><span class="elsevierStyleSup">41</span></a> y Huang<a class="elsevierStyleCrossRef" href="#bib0430"><span class="elsevierStyleSup">42</span></a>&#44; otra de las medidas que se podr&#237;a aplicar para mejorar el rendimiento de nuestro modelo ser&#237;a crear modelos combinados en los que incorporar&#44; al modelo de radi&#243;mica&#44; informaci&#243;n sobre los factores demogr&#225;ficos y cl&#237;nicos&#46;</p><p id="par0275" class="elsevierStylePara elsevierViewall">En el estudio del grupo de Pszczolkowski<a class="elsevierStyleCrossRef" href="#bib0425"><span class="elsevierStyleSup">41</span></a> se evalu&#243; el rendimiento predictivo de las variables basadas en radi&#243;mica de la TCCSC para predecir no solo la expansi&#243;n del HIE&#44; sino tambi&#233;n el mal pron&#243;stico funcional utilizando modelos lineales generalizados&#46; Investigaron tambi&#233;n el rendimiento predictivo de los signos radiol&#243;gicos y los factores cl&#237;nicos de forma independiente y en combinaci&#243;n con las variables basadas en radi&#243;mica&#46; Llegaron a la conclusi&#243;n de que los modelos que utilizan variables basadas en radi&#243;mica de la TCCSC superan a los modelos individuales que utilizan signos radiol&#243;gicos o factores cl&#237;nicos aislados&#46; Adem&#225;s&#44; observaron que los modelos combinados&#44; en los que se incorporaban factores demogr&#225;ficos y cl&#237;nicos al modelo de radi&#243;mica&#44; mejoraban la predicci&#243;n de mal pron&#243;stico en los pacientes con HIE &#40;<a class="elsevierStyleCrossRef" href="#tbl0030">tabla 6</a>&#41;&#46;</p><p id="par0280" class="elsevierStylePara elsevierViewall">De igual forma&#44; en 2022&#44; el equipo de Huang<a class="elsevierStyleCrossRef" href="#bib0430"><span class="elsevierStyleSup">42</span></a> evalu&#243; el rendimiento predictivo de las variables basadas en radi&#243;mica de la TCCSC del HIE y del edema perihematoma&#44; y desarrollaron varios modelos basados en las caracter&#237;sticas de radi&#243;mica y cl&#237;nicas para predecir el pron&#243;stico funcional a los tres meses&#44; utilizando modelos lineales generalizados&#46; Demostraron que el modelo conjunto de radi&#243;mica y cl&#237;nico obtuvo un mejor rendimiento y una mayor sensibilidad en la predicci&#243;n de mal pron&#243;stico tanto en la cohorte de entrenamiento y prueba como en la de validaci&#243;n interna y de validaci&#243;n externa&#41; &#40;<a class="elsevierStyleCrossRef" href="#tbl0030">tabla 6</a>&#41;&#46;</p><p id="par0285" class="elsevierStylePara elsevierViewall">Por &#250;ltimo&#44; otra de las limitaciones del estudio radica en que&#44; aunque la segmentaci&#243;n del HIE en la TCCSC ha sido realizada por un radi&#243;logo especialista&#44; no se ha analizado la robustez de los valores de radi&#243;mica con varias segmentaciones&#46; La segmentaci&#243;n manual y semiautom&#225;tica introduce el sesgo de observador&#44; y los estudios han demostrado que muchas variables de radi&#243;mica no son robustas frente a las variaciones intra e interobservador relativas a la delineaci&#243;n del ROI&#47;VOI<a class="elsevierStyleCrossRef" href="#bib0435"><span class="elsevierStyleSup">43</span></a>&#46; En consecuencia&#44; habr&#237;a que realizar evaluaciones de la reproducibilidad intra e interobservador de las variables de radi&#243;mica derivadas y excluir las variables no reproducibles&#46; A pesar de ello&#44; es el m&#233;todo de segmentaci&#243;n utilizado previamente en la literatura<a class="elsevierStyleCrossRef" href="#bib0440"><span class="elsevierStyleSup">44</span></a>&#44; y adem&#225;s consideramos que el gran contraste que existe en la TCCSC entre el HIE &#40;hiperdenso&#41; y el resto de las estructuras adyacentes facilita la identificaci&#243;n y la segmentaci&#243;n de este&#44; por lo que no creemos que invalide nuestros resultados&#46;</p><p id="par0290" class="elsevierStylePara elsevierViewall">En conclusi&#243;n&#44; el uso de clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica con m&#233;todos de aprendizaje autom&#225;tico son una herramienta de diagn&#243;stico prometedora para predecir el resultado funcional al alta en pacientes con HIE&#44; con una baja tasa de falsos negativos&#44; aunque todav&#237;a son necesarios estudios con mayor tama&#241;o muestral&#44; balanceados y en los que se combinen caracter&#237;sticas de radi&#243;mica y cl&#237;nicas para desarrollar y mejorar su rendimiento&#46;</p></span><span id="sec0080" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0145">Financiaci&#243;n</span><p id="par0295" class="elsevierStylePara elsevierViewall">Este trabajo no ha recibido ninguna financiaci&#243;n externa&#46;</p></span><span id="sec0085" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0150">Autor&#237;a</span><p id="par0300" class="elsevierStylePara elsevierViewall"><ul class="elsevierStyleList" id="lis0015"><li class="elsevierStyleListItem" id="lsti0075"><span class="elsevierStyleLabel">1&#46;</span><p id="par0305" class="elsevierStylePara elsevierViewall">Responsable de la integridad del estudio&#58; ES&#44; JM&#44; LL&#44; AR&#44; CZ&#44; SA&#44; LO&#44; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0080"><span class="elsevierStyleLabel">2&#46;</span><p id="par0310" class="elsevierStylePara elsevierViewall">Concepci&#243;n del estudio&#58; ES&#44; ALR&#44; SA&#44; LO&#46;</p></li><li class="elsevierStyleListItem" id="lsti0085"><span class="elsevierStyleLabel">3&#46;</span><p id="par0315" class="elsevierStylePara elsevierViewall">Dise&#241;o del estudio&#58; ES&#44; ALR&#44; SA&#44; LO&#46;</p></li><li class="elsevierStyleListItem" id="lsti0090"><span class="elsevierStyleLabel">4&#46;</span><p id="par0320" class="elsevierStylePara elsevierViewall">Obtenci&#243;n de los datos&#58; ES&#44; JM&#44; LL&#44; AR&#44; CZ&#44; SA&#44; LO&#44; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0095"><span class="elsevierStyleLabel">5&#46;</span><p id="par0325" class="elsevierStylePara elsevierViewall">An&#225;lisis e interpretaci&#243;n de los datos&#58; ES&#44; JM&#44; LL&#44; AR&#44; CZ&#44; SA&#44; LO&#44; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0100"><span class="elsevierStyleLabel">6&#46;</span><p id="par0330" class="elsevierStylePara elsevierViewall">Tratamiento estad&#237;stico&#58; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0105"><span class="elsevierStyleLabel">7&#46;</span><p id="par0335" class="elsevierStylePara elsevierViewall">B&#250;squeda bibliogr&#225;fica&#58; ES&#44; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0110"><span class="elsevierStyleLabel">8&#46;</span><p id="par0340" class="elsevierStylePara elsevierViewall">Redacci&#243;n del trabajo&#58; ES&#44; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0115"><span class="elsevierStyleLabel">9&#46;</span><p id="par0345" class="elsevierStylePara elsevierViewall">Revisi&#243;n cr&#237;tica del manuscrito con aportaciones intelectualmente relevantes&#58; ES&#44; JM&#44; LL&#44; AR&#44; CZ&#44; SA&#44; LO&#44; ALR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0120"><span class="elsevierStyleLabel">10&#46;</span><p id="par0350" class="elsevierStylePara elsevierViewall">Aprobaci&#243;n de la versi&#243;n final&#58; ES&#44; JM&#44; LL&#44; AR&#44; CZ&#44; SA&#44; LO&#44; ALR&#46;</p></li></ul></p></span><span id="sec0090" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0155">Conflicto de intereses</span><p id="par0355" class="elsevierStylePara elsevierViewall">Los autores declaran no tener ning&#250;n conflicto de intereses&#46;</p></span></span>"
    "textoCompletoSecciones" => array:1 [
      "secciones" => array:13 [
        0 => array:3 [
          "identificador" => "xres2003238"
          "titulo" => "Graphical abstract"
          "secciones" => array:1 [
            0 => array:1 [
              "identificador" => "abst0005"
            ]
          ]
        ]
        1 => array:3 [
          "identificador" => "xres2003237"
          "titulo" => "Resumen"
          "secciones" => array:4 [
            0 => array:2 [
              "identificador" => "abst0010"
              "titulo" => "Objetivo"
            ]
            1 => array:2 [
              "identificador" => "abst0015"
              "titulo" => "Material y m&#233;todo"
            ]
            2 => array:2 [
              "identificador" => "abst0020"
              "titulo" => "Resultados"
            ]
            3 => array:2 [
              "identificador" => "abst0025"
              "titulo" => "Conclusi&#243;n"
            ]
          ]
        ]
        2 => array:2 [
          "identificador" => "xpalclavsec1716387"
          "titulo" => "Palabras clave"
        ]
        3 => array:3 [
          "identificador" => "xres2003236"
          "titulo" => "Abstract"
          "secciones" => array:4 [
            0 => array:2 [
              "identificador" => "abst0030"
              "titulo" => "Purpose"
            ]
            1 => array:2 [
              "identificador" => "abst0035"
              "titulo" => "Methods"
            ]
            2 => array:2 [
              "identificador" => "abst0040"
              "titulo" => "Results"
            ]
            3 => array:2 [
              "identificador" => "abst0045"
              "titulo" => "Conclusion"
            ]
          ]
        ]
        4 => array:2 [
          "identificador" => "xpalclavsec1716386"
          "titulo" => "Keywords"
        ]
        5 => array:2 [
          "identificador" => "sec0005"
          "titulo" => "Introducci&#243;n"
        ]
        6 => array:3 [
          "identificador" => "sec0010"
          "titulo" => "Material y m&#233;todos"
          "secciones" => array:8 [
            0 => array:2 [
              "identificador" => "sec0015"
              "titulo" => "Dise&#241;o del estudio"
            ]
            1 => array:2 [
              "identificador" => "sec0020"
              "titulo" => "Datos"
            ]
            2 => array:2 [
              "identificador" => "sec0025"
              "titulo" => "Verdad fundamental"
            ]
            3 => array:2 [
              "identificador" => "sec0030"
              "titulo" => "Distribuci&#243;n de datos"
            ]
            4 => array:2 [
              "identificador" => "sec0035"
              "titulo" => "Modelo"
            ]
            5 => array:2 [
              "identificador" => "sec0040"
              "titulo" => "Reducci&#243;n de la dimensionalidad - Selecci&#243;n de variables"
            ]
            6 => array:2 [
              "identificador" => "sec0045"
              "titulo" => "Construcci&#243;n del modelo"
            ]
            7 => array:2 [
              "identificador" => "sec0050"
              "titulo" => "Entrenamiento y prueba"
            ]
          ]
        ]
        7 => array:3 [
          "identificador" => "sec0055"
          "titulo" => "Resultados"
          "secciones" => array:3 [
            0 => array:2 [
              "identificador" => "sec0060"
              "titulo" => "Datos"
            ]
            1 => array:2 [
              "identificador" => "sec0065"
              "titulo" => "Procesamiento de los datos y cohorte de entrenamiento y prueba &#40;fig&#46; 4&#41;"
            ]
            2 => array:2 [
              "identificador" => "sec0070"
              "titulo" => "Rendimiento del modelo"
            ]
          ]
        ]
        8 => array:2 [
          "identificador" => "sec0075"
          "titulo" => "Discusi&#243;n"
        ]
        9 => array:2 [
          "identificador" => "sec0080"
          "titulo" => "Financiaci&#243;n"
        ]
        10 => array:2 [
          "identificador" => "sec0085"
          "titulo" => "Autor&#237;a"
        ]
        11 => array:2 [
          "identificador" => "sec0090"
          "titulo" => "Conflicto de intereses"
        ]
        12 => array:1 [
          "titulo" => "<span class="elsevierStyleBold">Bibliograf&#237;a</span>"
        ]
      ]
    ]
    "pdfFichero" => "main.pdf"
    "tienePdf" => true
    "fechaRecibido" => "2023-05-21"
    "fechaAceptado" => "2023-08-03"
    "PalabrasClave" => array:2 [
      "es" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec1716387"
          "palabras" => array:6 [
            0 => "Accidente cerebrovascular agudo"
            1 => "Hemorragia intracerebral"
            2 => "CT Scanner"
            3 => "X-ray"
            4 => "Inteligencia artificial"
            5 => "Biomarcadores"
          ]
        ]
      ]
      "en" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Keywords"
          "identificador" => "xpalclavsec1716386"
          "palabras" => array:6 [
            0 => "Acute cerebrovascular accident"
            1 => "Cerebral hemorrhage"
            2 => "CT Scanner"
            3 => "X-ray"
            4 => "AI &#40;artificial intelligence&#41;"
            5 => "Biomarker"
          ]
        ]
      ]
    ]
    "tieneResumen" => true
    "resumen" => array:2 [
      "es" => array:3 [
        "titulo" => "Resumen"
        "resumen" => "<span id="abst0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0015">Objetivo</span><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Evaluar si clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica de la TC cerebral sin contraste &#40;TCCSC&#41; pueden predecir el pron&#243;stico funcional al alta en pacientes con hematoma intracerebral espont&#225;neo &#40;HIE&#41;&#46;</p></span> <span id="abst0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0020">Material y m&#233;todo</span><p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">An&#225;lisis observacional retrospectivo y unic&#233;ntrico de pacientes con diagn&#243;stico de HIE confirmado por TCCSC entre enero de 2016 y abril de 2018&#46; Se incluyeron pacientes con HIE &#62;<span class="elsevierStyleHsp" style=""></span>18<span class="elsevierStyleHsp" style=""></span>a&#241;os y con TCCSC realizado dentro de las primeras 24<span class="elsevierStyleHsp" style=""></span>horas del inicio de los s&#237;ntomas&#46; Se excluyeron los HIE secundarios y en los que no se dispon&#237;a de las variables de radi&#243;mica&#46; Se recogieron datos cl&#237;nicos&#44; demogr&#225;ficos y variables al ingreso&#46; Los pacientes se clasificaron seg&#250;n la Escala Modificada de Rankin &#40;mRS&#41; al alta en buen &#40;mRS<span class="elsevierStyleHsp" style=""></span>0-2&#41; y mal pron&#243;stico &#40;mRS<span class="elsevierStyleHsp" style=""></span>3-6&#41;&#46; Tras la segmentaci&#243;n manual de la TCCSC de cada HIE se obtuvieron las variables de radi&#243;mica&#46; La muestra se dividi&#243; en una cohorte de entrenamiento y prueba y otra cohorte de validaci&#243;n &#40;70-30&#37;&#44; respectivamente&#41;&#46; Se usaron diferentes m&#233;todos de selecci&#243;n de variables y reducci&#243;n de dimensionalidad&#44; as&#237; como diferentes algoritmos para la construcci&#243;n del modelo&#46; Se realizaron 10 iteraciones de validaci&#243;n cruzada estratificada en la cohorte de entrenamiento y prueba y se calcul&#243; la media de los valores de &#225;rea bajo la curva &#40;AUC&#41;&#46; Una vez entrenados los modelos&#44; se calcul&#243; la sensibilidad de cada uno para predecir el pron&#243;stico funcional al alta en la cohorte de validaci&#243;n&#46;</p></span> <span id="abst0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Resultados</span><p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">Se analizaron 105 pacientes con HIE&#46; Se evaluaron 105 variables de radi&#243;mica de cada paciente&#46; Los algoritmos P-SVM&#44; KNN-E y RF-10&#44; en combinaci&#243;n con el m&#233;todo de selecci&#243;n de variables ANOVA&#44; fueron los clasificadores con mejor rendimiento en la cohorte de entrenamiento y prueba &#40;AUC&#58; 0&#44;798&#44; 0&#44;752 y 0&#44;742&#44; respectivamente&#41;&#46; Las predicciones de estos modelos&#44; en la cohorte de validaci&#243;n&#44; tuvieron una sensibilidad de 0&#44;897 &#40;IC<span class="elsevierStyleHsp" style=""></span>95&#37;&#58; 0&#44;778-1&#41;&#44; con una tasa de falsos negativos del 0&#37; para la predicci&#243;n de mal pron&#243;stico funcional al alta&#46;</p></span> <span id="abst0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0030">Conclusi&#243;n</span><p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Los clasificadores de aprendizaje supervisado no lineales basados en radi&#243;mica son una herramienta de diagn&#243;stico prometedora para predecir el resultado funcional al alta en pacientes con HIE&#44; con una baja tasa de falsos negativos&#44; aunque todav&#237;a son necesarios estudios con mayor tama&#241;o muestral y balanceados para desarrollar y mejorar su rendimiento&#46;</p></span>"
        "secciones" => array:4 [
          0 => array:2 [
            "identificador" => "abst0010"
            "titulo" => "Objetivo"
          ]
          1 => array:2 [
            "identificador" => "abst0015"
            "titulo" => "Material y m&#233;todo"
          ]
          2 => array:2 [
            "identificador" => "abst0020"
            "titulo" => "Resultados"
          ]
          3 => array:2 [
            "identificador" => "abst0025"
            "titulo" => "Conclusi&#243;n"
          ]
        ]
      ]
      "en" => array:3 [
        "titulo" => "Abstract"
        "resumen" => "<span id="abst0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">Purpose</span><p id="spar0030" class="elsevierStyleSimplePara elsevierViewall">To evaluate if nonlinear supervised learning classifiers based on non-contrast cerebral CT can predict functional prognosis at discharge in patients with spontaneous intracerebral hematoma &#40;HIE&#41;&#46;</p></span> <span id="abst0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">Methods</span><p id="spar0035" class="elsevierStyleSimplePara elsevierViewall">Retrospective&#44; single-center&#44; observational analysis of patients with a diagnosis of spontaneous intracerebral hematoma confirmed by non-contrast CT between January 2016 and April 2018&#46; Patients with HIE &#62;<span class="elsevierStyleHsp" style=""></span>18<span class="elsevierStyleHsp" style=""></span>years and with non-contrast CT performed within the first 24<span class="elsevierStyleHsp" style=""></span>hours of symptom onset were included&#46; Patients with secondary spontaneous intracerebral hematoma and in whom radiomic variables were not available were excluded&#46; Clinical&#44; demographic and admission variables were collected&#46; Patients were classified according to the Modified Rankin Scale &#40;mRS&#41; at discharge into good &#40;mRS<span class="elsevierStyleHsp" style=""></span>0-2&#41; and poor prognosis &#40;mRS<span class="elsevierStyleHsp" style=""></span>3-6&#41;&#46; After manual segmentation of each spontaneous intracerebral hematoma&#44; the radiomics variables were obtained&#46; The sample was divided into a training and testing cohort and a validation cohort &#40;70-30&#37;&#44; respectively&#41;&#46; Different methods of variable selection and dimensionality reduction were used&#44; and different algorithms were used for model construction&#46; Stratified 10-fold cross-validation were performed on the training and testing cohort and the mean area under the curve &#40;AUC&#41; were calculated&#46; Once the models were trained&#44; the sensitivity of each was calculated to predict functional prognosis at discharge in the validation cohort&#46;</p></span> <span id="abst0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050">Results</span><p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">105 patients with spontaneous intracerebral hematoma were analyzed&#46; 105 radiomic variables were evaluated for each patient&#46; P-SVM&#44; KNN-E and RF-10 algorithms&#44; in combination with the ANOVA variable selection method&#44; were the best performing classifiers in the training and testing cohort &#40;AUC&#58; 0&#46;798&#44; 0&#46;752 and 0&#46;742&#44; respectively&#41;&#46; The predictions of these models&#44; in the validation cohort&#44; had a sensitivity of 0&#46;897 &#40;95&#37;<span class="elsevierStyleHsp" style=""></span>CI&#58; 0&#46;778-1&#41;&#44; with a false-negative rate of 0&#37; for predicting poor functional prognosis at discharge&#46;</p></span> <span id="abst0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0055">Conclusion</span><p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">The use of radiomics-based nonlinear supervised learning classifiers are a promising diagnostic tool for predicting functional outcome at discharge in HIE patients&#44; with a low false negative rate&#44; although larger and balanced samples are still needed to develop and improve their performance&#46;</p></span>"
        "secciones" => array:4 [
          0 => array:2 [
            "identificador" => "abst0030"
            "titulo" => "Purpose"
          ]
          1 => array:2 [
            "identificador" => "abst0035"
            "titulo" => "Methods"
          ]
          2 => array:2 [
            "identificador" => "abst0040"
            "titulo" => "Results"
          ]
          3 => array:2 [
            "identificador" => "abst0045"
            "titulo" => "Conclusion"
          ]
        ]
      ]
    ]
    "multimedia" => array:11 [
      0 => array:7 [
        "identificador" => "fig0005"
        "etiqueta" => "Figura 1"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr1.jpeg"
            "Alto" => 1221
            "Ancho" => 3510
            "Tamanyo" => 393847
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0050" class="elsevierStyleSimplePara elsevierViewall">Proceso de segmentaci&#243;n&#46; Las im&#225;genes de la TCCSC se importaron desde el <span class="elsevierStyleItalic">Picture Archiving and Communication System</span> &#40;PACS&#41; al Software 3D Slicer &#40;versi&#243;n 4&#46;10&#46;2&#41;&#44; donde se utiliz&#243; el m&#243;dulo &#171;Segment Editor&#187; para la segmentaci&#243;n&#46; Los contornos de todos los HIE fueron dibujados manualmente corte a corte y se formaron los vol&#250;menes de inter&#233;s tridimensionales &#40;VOI&#41; de cada HIE&#46; Desde el m&#243;dulo &#171;Radiomics&#187; del Software 3D Slicer se obtuvieron de forma autom&#225;tica un total 105 variables de cada uno de los VOI&#44; relacionadas con la intensidad&#44; la forma y la textura del hematoma&#46;</p>"
        ]
      ]
      1 => array:7 [
        "identificador" => "fig0010"
        "etiqueta" => "Figura 2"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr2.jpeg"
            "Alto" => 1189
            "Ancho" => 3010
            "Tamanyo" => 396626
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">Resumen del m&#233;todo de procesamiento de datos&#44; selecci&#243;n de variables y construcci&#243;n del modelo&#46;</p>"
        ]
      ]
      2 => array:7 [
        "identificador" => "fig0015"
        "etiqueta" => "Figura 3"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr3.jpeg"
            "Alto" => 1272
            "Ancho" => 3010
            "Tamanyo" => 211741
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">Diagrama de flujo de la selecci&#243;n de pacientes&#46;</p>"
        ]
      ]
      3 => array:7 [
        "identificador" => "fig0020"
        "etiqueta" => "Figura 4"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr4.jpeg"
            "Alto" => 1249
            "Ancho" => 3010
            "Tamanyo" => 229684
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0065" class="elsevierStyleSimplePara elsevierViewall">Procedimiento de entrenamiento y validaci&#243;n&#46; Un total de 105 pacientes cumplieron los criterios de inclusi&#243;n&#46; Se excluyeron pacientes con valores perdidos y se aplic&#243; el algoritmo &#171;Isolation Forest&#187; con en el que se eliminaron el 5&#37; de los pacientes con valores extremos&#46; Tras el procesamiento inicial&#44; se analizaron finalmente 99 pacientes&#46; La muestra se dividi&#243; en dos cohortes estratificadas de pacientes&#58; una cohorte de entrenamiento y prueba &#40;70&#37;&#44; n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>70&#41; y otra de validaci&#243;n &#40;30&#37;&#44; n<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>29&#41;&#46; En la cohorte de entrenamiento y prueba se realizaron 10 iteraciones de validaci&#243;n cruzada estratificada&#46; Una vez entrenados los algoritmos en la cohorte de entrenamiento y prueba&#44; se realizaron las predicciones con la cohorte de validaci&#243;n&#46;</p>"
        ]
      ]
      4 => array:8 [
        "identificador" => "tbl0005"
        "etiqueta" => "Tabla 1"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at1"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:1 [
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Edad &#40;a&#241;os&#41;&#44; mediana &#40;RIQ&#41;</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">78 &#40;66-84&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Sexo &#40;masculino&#41;</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">59 &#40;56&#44;2&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Antecedentes&#44; n &#40;&#37;&#41;</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Alcohol&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">7 &#40;6&#44;7&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Tabaco&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">7 &#40;6&#44;7&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>HTA&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">66 &#40;62&#44;9&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Dislipemia&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">41 &#40;39&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>DM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">23 &#40;21&#44;9&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>FA&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">22 &#40;21&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Cardiopat&#237;a isqu&#233;mica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">8 &#40;7&#44;6&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>HIE previo&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">5 &#40;4&#44;8&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Ictus previo&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">14 &#40;13&#44;3&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Antiagregantes&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">26 &#40;24&#44;8&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Anticoagulantes&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">25 &#40;23&#44;8&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Variables al ingreso</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Glucemia&#44; mediana&#40;RIQ&#41;&#44; Mmol&#47;l&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">138 &#40;114-173&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>PAS&#44; mediana &#40;RIQ&#41;&#44; mmHG&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">159 &#40;141-188&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>PAD&#44; mediana &#40;RIQ&#41;&#44; mmHG&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">81 &#40;67-100&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>NIHSS inicial&#44; mediana &#40;RIQ&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">15 &#40;5-21&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">mRS al alta&#44; n &#40;&#37;&#41;</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>mRS 0-2&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">16 &#40;15&#44;2&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3326323.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0070" class="elsevierStyleSimplePara elsevierViewall">Caracter&#237;sticas demogr&#225;ficas</p>"
        ]
      ]
      5 => array:8 [
        "identificador" => "tbl0010"
        "etiqueta" => "Tabla 2"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at2"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:1 [
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Total&#44; n &#40;&#37;&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Localizaci&#243;n</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Lobar&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">47 &#40;44&#44;8&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Profunda&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">47 &#40;44&#44;8&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Cerebelo&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">8 &#40;7&#44;6&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Tronco encef&#225;lico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">3 &#40;2&#44;9&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Volumen &#40;ml&#41;&#44; mediana &#40;RIQ&#41;</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">17 &#40;8-47&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Extensi&#243;n ventricular</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="char" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">47 &#40;44&#44;8&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3326321.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0075" class="elsevierStyleSimplePara elsevierViewall">Caracter&#237;sticas de imagen</p>"
        ]
      ]
      6 => array:8 [
        "identificador" => "tbl0015"
        "etiqueta" => "Tabla 3"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at3"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:2 [
          "leyenda" => "<p id="spar0085" class="elsevierStyleSimplePara elsevierViewall">GB&#58; <span class="elsevierStyleItalic">gradient boosting CatBoost</span>&#59; Isomap-7&#58; mapeo de caracter&#237;sticas isom&#233;tricas&#59; KNN&#58; K vecinos m&#225;s cercanos&#59; KNN-E&#58; distancia euclidiana&#59; KNN-M&#58; distancia Manhattan&#59; LLE-7&#58; incrustaci&#243;n localmente lineal&#59; PCA&#58; <span class="elsevierStyleItalic">principal component analisis</span>&#59; P-SVM&#58; <span class="elsevierStyleItalic">Kernel polinomial</span>&#59; RF&#58; <span class="elsevierStyleItalic">Random forest</span>&#59; R-SMV&#58; Kernel radial&#59; S-SVM&#58; Kernel sigmoideo&#59; SVM&#58; <span class="elsevierStyleItalic">Support vector machine</span>&#59; tSNE&#58; incrustaci&#243;n de vecinos estoc&#225;sticos distribuidos en t&#46;</p>"
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td-with-role" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col">AUC media&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " colspan="8" align="center" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Clasificadores</th></tr><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">KNN-E&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">KNN-M&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">P-SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">R-SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">S-SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">RF-10&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">RF-50&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">GB&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="9" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">M&#233;todos de selecci&#243;n de variables</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Sin seleccionar&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;554&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;472&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;693&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;575&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;330&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;514&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;607&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;709&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>ANOVA<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>SPERAMAN &#40;7&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;752</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;629&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;798</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;636&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;522&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;742</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;715&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;690&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>PCA-80 &#40;23&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;558&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;466&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;487&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;462&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;425&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;572&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;536&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;601&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>PCA-90 &#40;34&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;494&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;528&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;384&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;419&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;512&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;548&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;581&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;505&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>tSNE-7&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;600&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;590&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;462&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;288&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;328&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;574&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;638&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;596&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Isomap-7&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;585&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;475&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;530&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;399&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;411&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;355&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;311&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;268&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>LLE-7&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;462&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;491&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;433&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;468&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;482&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;486&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;482&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;513&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3326325.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0080" class="elsevierStyleSimplePara elsevierViewall">Media AUC de clasificadores tras 10 iteraciones de validaci&#243;n cruzada estratificada en cohorte entrenamiento y prueba</p>"
        ]
      ]
      7 => array:8 [
        "identificador" => "tbl0020"
        "etiqueta" => "Tabla 4"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at4"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:2 [
          "leyenda" => "<p id="spar0095" class="elsevierStyleSimplePara elsevierViewall">GB&#58; <span class="elsevierStyleItalic">gradient boosting CatBoost</span>&#59; Isomap-7&#58; mapeo de caracter&#237;sticas isom&#233;tricas&#59; KNN&#58; K vecinos m&#225;s cercanos&#59; KNN-E&#58; distancia euclidiana&#59; KNN-M&#58; distancia Manhattan&#59; LLE-7&#58; incrustaci&#243;n localmente lineal&#59; PCA&#58; <span class="elsevierStyleItalic">principal component analisis</span>&#59; P-SVM&#58; <span class="elsevierStyleItalic">Kernel polinomial</span>&#59; RF&#58; <span class="elsevierStyleItalic">Random forest</span>&#59; R-SMV&#58; Kernel radial&#59; S-SVM&#58; Kernel sigmoideo&#59; SVM&#58; <span class="elsevierStyleItalic">Support vector machine</span>&#59; tSNE&#58; incrustaci&#243;n de vecinos estoc&#225;sticos distribuidos en t&#46;</p>"
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td-with-role" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col">AUC media&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " colspan="8" align="center" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Clasificadores</th></tr><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">KNN-E&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">KNN-M&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">P-SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">R-SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">S-SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">RF-10&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">RF-50&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">GB&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="9" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">M&#233;todos de selecci&#243;n de variables</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Sin seleccionar&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>ANOVA<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>SPERAMAN &#40;7&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;897</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;897</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;897</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;897</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;793&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>PCA-80 &#40;23&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>PCA-90 &#40;34&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>tSNE-7&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;793&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;793&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Isomap-7&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleBold">0&#44;897</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>LLE-7&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;793&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;862&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;828&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3326320.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0090" class="elsevierStyleSimplePara elsevierViewall">Sensibilidad de los clasificadores en la cohorte de validaci&#243;n</p>"
        ]
      ]
      8 => array:8 [
        "identificador" => "tbl0025"
        "etiqueta" => "Tabla 5"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at5"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:1 [
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " colspan="4" align="center" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">PREDICCI&#211;N</th></tr><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Buen pron&#243;stico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Mal pron&#243;stico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Total&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="4" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Realidad</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Buen pron&#243;stico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">3&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">4&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Mal pron&#243;stico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">25&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">25&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Total&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">28&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">29&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3326324.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0100" class="elsevierStyleSimplePara elsevierViewall">Matriz de confusi&#243;n de los cinco modelos con mejores resultados de sensibilidad en la cohorte de validaci&#243;n</p>"
        ]
      ]
      9 => array:8 [
        "identificador" => "tbl0030"
        "etiqueta" => "Tabla 6"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at6"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:2 [
          "leyenda" => "<p id="spar0110" class="elsevierStyleSimplePara elsevierViewall">AUC&#58; &#225;rea bajo la curva&#59; E&#58; especificidad&#59; KNN-E&#58; distancia euclidiana&#59; P-SVM&#58; Kernel polinomial&#59; RF&#58; <span class="elsevierStyleItalic">Random forest</span>&#59; S&#58; sensibilidad&#46;</p>"
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Variable resultado&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Estudio&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">M&#233;todo&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Resultados&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="6" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Crecimiento HIE</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Hui Li et al&#46;<a class="elsevierStyleCrossRef" href="#bib0415"><span class="elsevierStyleSup">39</span></a>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Algoritmos de aprendizaje supervisado no lineales&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica&#58; <span class="elsevierStyleItalic">Linear Support Vector Classifier</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;726&#59; E 0&#44;717&#59; AUC 0&#44;729</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="5" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Song et al&#46;<a class="elsevierStyleCrossRef" href="#bib0370"><span class="elsevierStyleSup">30</span></a></td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="5" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Algoritmos de aprendizaje supervisado no lineales</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radiol&#243;gico&#58; <span class="elsevierStyleItalic">Black Hole</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;367&#59; E 0&#44;853&#59; AUC 0&#44;610</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Cl&#237;nico-radiol&#243;gico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;645&#59; E 0&#44;775&#59; AUC 0&#44;766</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica&#58; <span class="elsevierStyleItalic">Logistic regression</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;761&#59; E0&#44;818&#59; AUC 0&#44;850</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>radiol&#243;gico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;795&#59; E 0&#44;879&#59; AUC 0&#44;867</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Combinado &#40;radi&#243;mica<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>radiol&#243;gico<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>cl&#237;nico&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;804&#59; E 0&#44;881&#59; AUC 0&#44;867</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="6" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Pron&#243;stico<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>crecimiento HIE</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="6" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Pszczolkowski et al&#46;<a class="elsevierStyleCrossRef" href="#bib0425"><span class="elsevierStyleSup">41</span></a></td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="6" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Modelos lineales generalizados</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Pron&#243;stico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Crecimiento&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;698&#59; E 0&#44;741&#59; AUC 0&#44;783&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;635&#59; E 0&#44;690&#59; AUC 0&#44;693&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radiol&#243;gico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;318&#59; E 0&#44;880&#59; AUC 0&#44;621&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;467&#59; E 0&#44;711&#59; AUC 0&#44;609&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>radiol&#243;gico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;698&#59; E0&#44;741&#59; AUC 0&#44;783&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;635&#59; E 0&#44;69&#59; AUC0&#44;693&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Cl&#237;nico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;620&#59; E 0&#44;815&#59; AUC 0&#44;789&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;350&#59; E 0&#44;839&#59; AUC 0&#44;668&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>cl&#237;nico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;694&#59; E 0&#44;826&#59; AUC 0&#44;818&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;650&#59; E 0&#44;711&#59; AUC 0&#44;704&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="4" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Pron&#243;stico HIE</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="3" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Huang et al&#46;<a class="elsevierStyleCrossRef" href="#bib0430"><span class="elsevierStyleSup">42</span></a></td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " rowspan="3" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Modelos lineales generalizados</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;705&#59; E 0&#44;725&#59; AUC 0&#44;773</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Cl&#237;nico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;767&#59; E 0&#44;725&#59; AUC 0&#44;828</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica<span class="elsevierStyleHsp" style=""></span>&#43;<span class="elsevierStyleHsp" style=""></span>cl&#237;nico&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;775&#59; E 0&#44;739&#59; AUC 0&#44;844</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Nuestros resultados&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Algoritmos de aprendizaje supervisado no lineales&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Radi&#243;mica&#58;P-SVM&#44; KNN-E y RF-10&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " colspan="2" align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">S 0&#44;897 &#40;IC 95&#37;&#58; 0&#44;778-1&#41;</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3326322.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0105" class="elsevierStyleSimplePara elsevierViewall">Resumen de los resultados de las cohortes de validaci&#243;n interna de los trabajos de radi&#243;mica&#44; cuyo objetivo fue la predicci&#243;n de crecimiento y pron&#243;stico del hematoma intracerebral espont&#225;neo &#40;HIE&#41;&#44; que han sido mencionados en la discusi&#243;n del manuscrito</p>"
        ]
      ]
      10 => array:5 [
        "identificador" => "fig0025"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => false
        "mostrarDisplay" => true
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "fx1.jpeg"
            "Alto" => 754
            "Ancho" => 1333
            "Tamanyo" => 212256
          ]
        ]
      ]
    ]
    "bibliografia" => array:2 [
      "titulo" => "<span class="elsevierStyleBold">Bibliograf&#237;a</span>"
      "seccion" => array:1 [
        0 => array:2 [
          "identificador" => "bibs0015"
          "bibliografiaReferencia" => array:44 [
            0 => array:3 [
              "identificador" => "bib0225"
              "etiqueta" => "1"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Global&#44; regional&#44; and national burden of stroke and its risk factors&#44; 1990-2019&#58; A systematic analysis for the Global Burden of Disease Study 2019"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "G&#46;S&#46; Collaborators"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/S1474-4422(21)00252-0"
                      "Revista" => array:5 [
                        "tituloSerie" => "Lancet Neurol&#46;"
                        "fecha" => "2021"
                        "volumen" => "20"
                        "paginaInicial" => "795"
                        "paginaFinal" => "820"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            1 => array:3 [
              "identificador" => "bib0230"
              "etiqueta" => "2"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "International epidemiology of intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "M&#46;A&#46; Ikram"
                            1 => "R&#46;G&#46; Wieberdink"
                            2 => "P&#46;J&#46; Koudstaal"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s11883-012-0252-1"
                      "Revista" => array:5 [
                        "tituloSerie" => "Curr Atheroscler Rep&#46;"
                        "fecha" => "2012"
                        "volumen" => "14"
                        "paginaInicial" => "300"
                        "paginaFinal" => "306"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            2 => array:3 [
              "identificador" => "bib0235"
              "etiqueta" => "3"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Epidemiology&#44; risk factors&#44; and clinical features of intracerebral hemorrhage&#58; An update"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "S&#46;J&#46; An"
                            1 => "T&#46;J&#46; Kim"
                            2 => "B&#46;W&#46; Yoon"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.5853/jos.2016.00864"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Stroke&#46;"
                        "fecha" => "2017"
                        "volumen" => "19"
                        "paginaInicial" => "3"
                        "paginaFinal" => "10"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28178408"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            3 => array:3 [
              "identificador" => "bib0240"
              "etiqueta" => "4"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Predictors of hematoma expansion predictors after intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "S&#46; Chen"
                            1 => "B&#46; Zhao"
                            2 => "W&#46; Wang"
                            3 => "L&#46; Shi"
                            4 => "C&#46; Reis"
                            5 => "J&#46; Zhang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.18632/oncotarget.19366"
                      "Revista" => array:6 [
                        "tituloSerie" => "Oncotarget&#46;"
                        "fecha" => "2017"
                        "volumen" => "8"
                        "paginaInicial" => "89348"
                        "paginaFinal" => "89363"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29179524"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            4 => array:3 [
              "identificador" => "bib0245"
              "etiqueta" => "5"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Guidelines for the management of spontaneous intracerebral hemorrhage&#58; A guideline for healthcare professionals from the American Heart Association&#47;American Stroke Association"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "J&#46;C&#46; Hemphill"
                            1 => "S&#46;M&#46; Greenberg"
                            2 => "C&#46;S&#46; Anderson"
                            3 => "K&#46; Becker"
                            4 => "B&#46;R&#46; Bendok"
                            5 => "M&#46; Cushman"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STR.0000000000000069"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2015"
                        "volumen" => "46"
                        "paginaInicial" => "2032"
                        "paginaFinal" => "2060"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/26022637"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            5 => array:3 [
              "identificador" => "bib0250"
              "etiqueta" => "6"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Island Sign&#58; An imaging predictor for early hematoma expansion and poor outcome in patients with intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "Q&#46; Li"
                            1 => "Q&#46;J&#46; Liu"
                            2 => "W&#46;S&#46; Yang"
                            3 => "X&#46;C&#46; Wang"
                            4 => "L&#46;B&#46; Zhao"
                            5 => "X&#46; Xiong"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STROKEAHA.117.017985"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2017"
                        "volumen" => "48"
                        "paginaInicial" => "3019"
                        "paginaFinal" => "3025"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29018128"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            6 => array:3 [
              "identificador" => "bib0255"
              "etiqueta" => "7"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Swirl sign in intracerebral haemorrhage&#58; Definition&#44; prevalence&#44; reliability and prognostic value"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "E&#46; Selariu"
                            1 => "E&#46; Zia"
                            2 => "M&#46; Brizzi"
                            3 => "K&#46; Abul-Kasim"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1186/1471-2377-12-109"
                      "Revista" => array:5 [
                        "tituloSerie" => "BMC Neurol&#46;"
                        "fecha" => "2012"
                        "volumen" => "12"
                        "paginaInicial" => "109"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23013418"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            7 => array:3 [
              "identificador" => "bib0260"
              "etiqueta" => "8"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Black Hole Sign&#58; Novel imaging marker that predicts hematoma growth in patients with intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "Q&#46; Li"
                            1 => "G&#46; Zhang"
                            2 => "X&#46; Xiong"
                            3 => "X&#46;C&#46; Wang"
                            4 => "W&#46;S&#46; Yang"
                            5 => "K&#46;W&#46; Li"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STROKEAHA.116.013186"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2016"
                        "volumen" => "47"
                        "paginaInicial" => "1777"
                        "paginaFinal" => "1781"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27174523"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            8 => array:3 [
              "identificador" => "bib0265"
              "etiqueta" => "9"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Blend sign predicts poor outcome in patients with intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "Q&#46; Li"
                            1 => "W&#46;S&#46; Yang"
                            2 => "X&#46;C&#46; Wang"
                            3 => "D&#46; Cao"
                            4 => "D&#46; Zhu"
                            5 => "F&#46;J&#46; LV"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1371/journal.pone.0183082"
                      "Revista" => array:5 [
                        "tituloSerie" => "PLoS One&#46;"
                        "fecha" => "2017"
                        "volumen" => "12"
                        "paginaInicial" => "e0183082"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28829797"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            9 => array:3 [
              "identificador" => "bib0270"
              "etiqueta" => "10"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Noncontrast computed tomography hypodensities predict poor outcome in intracerebral hemorrhage patients"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "G&#46; Boulouis"
                            1 => "A&#46; Morotti"
                            2 => "H&#46;B&#46; Brouwers"
                            3 => "A&#46; Charidimou"
                            4 => "M&#46;J&#46; Jessel"
                            5 => "E&#46; Auriel"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STROKEAHA.116.014425"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2016"
                        "volumen" => "47"
                        "paginaInicial" => "2511"
                        "paginaFinal" => "2516"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27601380"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            10 => array:3 [
              "identificador" => "bib0275"
              "etiqueta" => "11"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Noncontrast computed tomography markers of intracerebral hemorrhage expansion"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "G&#46; Boulouis"
                            1 => "A&#46; Morotti"
                            2 => "A&#46; Charidimou"
                            3 => "D&#46; Dowlatshahi"
                            4 => "J&#46;N&#46; Goldstein"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STROKEAHA.116.015062"
                      "Revista" => array:5 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2017"
                        "volumen" => "48"
                        "paginaInicial" => "1120"
                        "paginaFinal" => "1125"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            11 => array:3 [
              "identificador" => "bib0280"
              "etiqueta" => "12"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The new Hematoma Maturity Score is highly associated with poor clinical outcome in spontaneous intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "E&#46; Serrano"
                            1 => "A&#46; L&#243;pez-Rueda"
                            2 => "J&#46; Moreno"
                            3 => "A&#46; Rodriguez"
                            4 => "L&#46; Llull"
                            5 => "C&#46; Zwanzger"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s00330-021-08085-4"
                      "Revista" => array:6 [
                        "tituloSerie" => "Eur Radiol&#46;"
                        "fecha" => "2022"
                        "volumen" => "32"
                        "paginaInicial" => "290"
                        "paginaFinal" => "299"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34148109"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            12 => array:3 [
              "identificador" => "bib0285"
              "etiqueta" => "13"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Standards for detecting&#44; interpreting&#44; and reporting noncontrast computed tomographic markers of intracerebral hemorrhage expansion"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46; Morotti"
                            1 => "G&#46; Boulouis"
                            2 => "D&#46; Dowlatshahi"
                            3 => "Q&#46; Li"
                            4 => "C&#46;D&#46; Barras"
                            5 => "C&#46; Delcourt"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1002/ana.25563"
                      "Revista" => array:6 [
                        "tituloSerie" => "Ann Neurol&#46;"
                        "fecha" => "2019"
                        "volumen" => "86"
                        "paginaInicial" => "480"
                        "paginaFinal" => "492"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31364773"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            13 => array:3 [
              "identificador" => "bib0290"
              "etiqueta" => "14"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Noncontrast computed tomography markers of outcome in intracerebral hemorrhage patients"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "M&#46; Quintas-Neves"
                            1 => "L&#46; Marques"
                            2 => "L&#46; Silva"
                            3 => "J&#46;M&#46; Amorim"
                            4 => "C&#46; Ferreira"
                            5 => "J&#46; Pinho"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1080/01616412.2019.1673279"
                      "Revista" => array:6 [
                        "tituloSerie" => "Neurol Res&#46;"
                        "fecha" => "2019"
                        "volumen" => "41"
                        "paginaInicial" => "1083"
                        "paginaFinal" => "1089"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31578942"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            14 => array:3 [
              "identificador" => "bib0295"
              "etiqueta" => "15"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Noncontrast computed tomography signs as predictors of hematoma expansion&#44; clinical outcome&#44; and response to tranexamic acid in acute intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "Z&#46;K&#46; Law"
                            1 => "A&#46; Ali"
                            2 => "K&#46; Krishnan"
                            3 => "A&#46; Bischoff"
                            4 => "J&#46;P&#46; Appleton"
                            5 => "P&#46; Scutt"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STROKEAHA.119.026128"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2020"
                        "volumen" => "51"
                        "paginaInicial" => "121"
                        "paginaFinal" => "128"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31735141"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            15 => array:3 [
              "identificador" => "bib0300"
              "etiqueta" => "16"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Radiomics&#58; Extracting more information from medical images using advanced feature analysis"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "P&#46; Lambin"
                            1 => "E&#46; Rios-Velazquez"
                            2 => "R&#46; Leijenaar"
                            3 => "S&#46; Carvalho"
                            4 => "R&#46;G&#46;P&#46;M&#46; van Stiphout"
                            5 => "P&#46; Granton"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.ejca.2011.11.036"
                      "Revista" => array:5 [
                        "tituloSerie" => "Eur J Cancer&#46;"
                        "fecha" => "2012"
                        "volumen" => "48"
                        "paginaInicial" => "441"
                        "paginaFinal" => "446"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            16 => array:3 [
              "identificador" => "bib0305"
              "etiqueta" => "17"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Radiomics&#58; Images are more than pictures&#44; they are data"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "R&#46;J&#46; Gillies"
                            1 => "P&#46;E&#46; Kinahan"
                            2 => "H&#46; Hricak"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/radiol.2015151169"
                      "Revista" => array:5 [
                        "tituloSerie" => "Radiology&#46;"
                        "fecha" => "2016"
                        "volumen" => "278"
                        "paginaInicial" => "563"
                        "paginaFinal" => "577"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            17 => array:3 [
              "identificador" => "bib0310"
              "etiqueta" => "18"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Bits and bytes&#58; The future of radiology lies in informatics and information technology"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "J&#46;A&#46; Brink"
                            1 => "R&#46;L&#46; Arenson"
                            2 => "T&#46;M&#46; Grist"
                            3 => "J&#46;S&#46; Lewin"
                            4 => "D&#46; Enzmann"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s00330-016-4688-5"
                      "Revista" => array:6 [
                        "tituloSerie" => "Eur Radiol&#46;"
                        "fecha" => "2017"
                        "volumen" => "27"
                        "paginaInicial" => "3647"
                        "paginaFinal" => "3651"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28280932"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            18 => array:3 [
              "identificador" => "bib0315"
              "etiqueta" => "19"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Checklist for Artificial Intelligence in Medical Imaging &#40;CLAIM&#41;&#58; A guide for authors and reviewers"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "J&#46; Mongan"
                            1 => "L&#46; Moy"
                            2 => "C&#46;E&#46; Kahn"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/ryai.2020200029"
                      "Revista" => array:4 [
                        "tituloSerie" => "Radiol Artif Intell&#46;"
                        "fecha" => "2020"
                        "volumen" => "2"
                        "paginaInicial" => "e200029"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            19 => array:3 [
              "identificador" => "bib0320"
              "etiqueta" => "20"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The ABCs of measuring intracerebral hemorrhage volumes"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "R&#46;U&#46; Kothari"
                            1 => "T&#46; Brott"
                            2 => "J&#46;P&#46; Broderick"
                            3 => "W&#46;G&#46; Barsan"
                            4 => "L&#46;R&#46; Sauerbeck"
                            5 => "M&#46; Zuccarello"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/01.str.27.8.1304"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "1996"
                        "volumen" => "27"
                        "paginaInicial" => "1304"
                        "paginaFinal" => "1305"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/8711791"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            20 => array:3 [
              "identificador" => "bib0325"
              "etiqueta" => "21"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Computational radiomics system to decode the radiographic phenotype"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "J&#46;J&#46;M&#46; Van Griethuysen"
                            1 => "A&#46; Fedorov"
                            2 => "C&#46; Parmar"
                            3 => "A&#46; Hosny"
                            4 => "N&#46; Aucoin"
                            5 => "V&#46; Narayan"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1158/0008-5472.CAN-17-0339"
                      "Revista" => array:6 [
                        "tituloSerie" => "Cancer Res&#46;"
                        "fecha" => "2017"
                        "volumen" => "77"
                        "paginaInicial" => "e104"
                        "paginaFinal" => "e107"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29092951"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            21 => array:3 [
              "identificador" => "bib0330"
              "etiqueta" => "22"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The Image Biomarker Standardization Initiative&#58; Standardized quantitative radiomics for high-throughput image-based phenotyping"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46; Zwanenburg"
                            1 => "M&#46; Valli&#232;res"
                            2 => "M&#46;A&#46; Abdalah"
                            3 => "H&#46;J&#46;W&#46;L&#46; Aerts"
                            4 => "V&#46; Andreanczyk"
                            5 => "A&#46; Apte"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/radiol.2020191145"
                      "Revista" => array:5 [
                        "tituloSerie" => "Radiology&#46;"
                        "fecha" => "2020"
                        "volumen" => "295"
                        "paginaInicial" => "328"
                        "paginaFinal" => "338"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            22 => array:3 [
              "identificador" => "bib0335"
              "etiqueta" => "23"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Reliability of the modified Rankin Scale&#58; A systematic review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "T&#46;J&#46; Quinn"
                            1 => "J&#46; Dawson"
                            2 => "M&#46;R&#46; Walters"
                            3 => "K&#46;R&#46; Lees"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1161/STROKEAHA.109.557256"
                      "Revista" => array:6 [
                        "tituloSerie" => "Stroke&#46;"
                        "fecha" => "2009"
                        "volumen" => "40"
                        "paginaInicial" => "3393"
                        "paginaFinal" => "3395"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19679846"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            23 => array:3 [
              "identificador" => "bib0340"
              "etiqueta" => "24"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Quantification of errors in ordinal outcome scales using Shannon entropy&#58; Effect on sample size calculations"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "P&#46; Mandava"
                            1 => "C&#46;S&#46; Krumpelman"
                            2 => "J&#46;N&#46; Shah"
                            3 => "D&#46;L&#46; White"
                            4 => "T&#46;A&#46; Kent"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1371/journal.pone.0067754"
                      "Revista" => array:5 [
                        "tituloSerie" => "PLoS One&#46;"
                        "fecha" => "2013"
                        "volumen" => "8"
                        "paginaInicial" => "e67754"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23861800"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            24 => array:3 [
              "identificador" => "bib0345"
              "etiqueta" => "25"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:1 [
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "M&#46;A&#46; Hall"
                            1 => "L&#46;A&#46; Smith"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:2 [
                        "tituloSerie" => "Feature selection for machine learning&#58; Comparing a correlation-based filter approach to the wrapper&#46;"
                        "fecha" => "1999"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            25 => array:3 [
              "identificador" => "bib0350"
              "etiqueta" => "26"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Machine learning&#58; Algorithms&#44; real-world applications and research directions"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "I&#46;H&#46; Sarker"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s42979-021-00592-x"
                      "Revista" => array:5 [
                        "tituloSerie" => "SN Comput Sci&#46;"
                        "fecha" => "2021"
                        "volumen" => "2"
                        "paginaInicial" => "160"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33778771"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            26 => array:3 [
              "identificador" => "bib0355"
              "etiqueta" => "27"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Visualizing data using t-SNE"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "L&#46; Van der Maaten"
                            1 => "G&#46; Hinton"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "J Mach Learn Res&#46;"
                        "fecha" => "2008"
                        "volumen" => "9"
                        "paginaInicial" => "2579"
                        "paginaFinal" => "2605"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            27 => array:3 [
              "identificador" => "bib0360"
              "etiqueta" => "28"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A global geometric framework for nonlinear dimensionality reduction"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "J&#46;B&#46; Tenenbaum"
                            1 => "V&#46; de Silva"
                            2 => "J&#46;C&#46; Langford"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1126/science.290.5500.2319"
                      "Revista" => array:6 [
                        "tituloSerie" => "Science&#46;"
                        "fecha" => "2000"
                        "volumen" => "290"
                        "paginaInicial" => "2319"
                        "paginaFinal" => "2323"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11125149"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            28 => array:3 [
              "identificador" => "bib0365"
              "etiqueta" => "29"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Nonlinear dimensionality reduction by locally linear embedding"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "S&#46;T&#46; Roweis"
                            1 => "L&#46;K&#46; Saul"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1126/science.290.5500.2323"
                      "Revista" => array:6 [
                        "tituloSerie" => "Science&#46;"
                        "fecha" => "2000"
                        "volumen" => "290"
                        "paginaInicial" => "2323"
                        "paginaFinal" => "2326"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11125150"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            29 => array:3 [
              "identificador" => "bib0370"
              "etiqueta" => "30"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Noncontrast computed tomography-based radiomics analysis in discriminating early hematoma expansion after spontaneous intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "Z&#46; Song"
                            1 => "D&#46; Guo"
                            2 => "Z&#46; Tang"
                            3 => "H&#46; Liu"
                            4 => "X&#46; Li"
                            5 => "S&#46; Luo"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.3348/kjr.2020.0254"
                      "Revista" => array:6 [
                        "tituloSerie" => "Korean J Radiol&#46;"
                        "fecha" => "2021"
                        "volumen" => "22"
                        "paginaInicial" => "415"
                        "paginaFinal" => "424"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33169546"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            30 => array:3 [
              "identificador" => "bib0375"
              "etiqueta" => "31"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Introduction to radiomics"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "M&#46;E&#46; Mayerhoefer"
                            1 => "A&#46; Materka"
                            2 => "G&#46; Langs"
                            3 => "I&#46; L&#228;ggstr&#246;m"
                            4 => "P&#46; Szczypinski"
                            5 => "P&#46; Gibbs"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.2967/jnumed.118.222893"
                      "Revista" => array:7 [
                        "tituloSerie" => "J Nucl Med&#46;"
                        "fecha" => "2020"
                        "volumen" => "61"
                        "paginaInicial" => "488"
                        "paginaFinal" => "495"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32060219"
                            "web" => "Medline"
                          ]
                        ]
                        "itemHostRev" => array:3 [
                          "pii" => "S1053811919306196"
                          "estado" => "S300"
                          "issn" => "10538119"
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            31 => array:3 [
              "identificador" => "bib0380"
              "etiqueta" => "32"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Clinical and radiographic predictors of intracerebral hemorrhage outcome"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "F&#46; Al-Mufti"
                            1 => "A&#46;M&#46; Thabet"
                            2 => "T&#46; Singh"
                            3 => "M&#46; el-Ghanem"
                            4 => "K&#46; Amuluru"
                            5 => "C&#46;D&#46; Gandhi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1159/000484571"
                      "Revista" => array:7 [
                        "tituloSerie" => "Interv Neurol&#46;"
                        "fecha" => "2018"
                        "volumen" => "7"
                        "paginaInicial" => "118"
                        "paginaFinal" => "136"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29628951"
                            "web" => "Medline"
                          ]
                        ]
                        "itemHostRev" => array:3 [
                          "pii" => "S1053811919300825"
                          "estado" => "S300"
                          "issn" => "10538119"
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            32 => array:3 [
              "identificador" => "bib0385"
              "etiqueta" => "33"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Machine learning for medical imaging"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "B&#46;J&#46; Erickson"
                            1 => "P&#46; Korfiatis"
                            2 => "Z&#46; Akkus"
                            3 => "T&#46;L&#46; Kline"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/rg.2017160130"
                      "Revista" => array:6 [
                        "tituloSerie" => "Radiographics&#46;"
                        "fecha" => "2017"
                        "volumen" => "37"
                        "paginaInicial" => "505"
                        "paginaFinal" => "515"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28212054"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            33 => array:3 [
              "identificador" => "bib0390"
              "etiqueta" => "34"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Improving nearest neighbor classification with cam weighted distance"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "C&#46;Y&#46; Zhou"
                            1 => "Y&#46;Q&#46; Chen"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:2 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Pattern Recognition&#46;"
                        "fecha" => "2006"
                        "volumen" => "39"
                        "paginaInicial" => "635"
                        "paginaFinal" => "645"
                      ]
                    ]
                    1 => array:1 [
                      "WWW" => array:1 [
                        "link" => "https&#58;&#47;&#47;doi&#46;org&#47;10&#46;1016&#47;j&#46;patcog&#46;2005&#46;09&#46;004"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            34 => array:3 [
              "identificador" => "bib0395"
              "etiqueta" => "35"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A tutorial on support vector machines for pattern recognition"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "C&#46;J&#46;C&#46; Burges"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1023/A:1009715923555"
                      "Revista" => array:5 [
                        "tituloSerie" => "Data Min Knowl Discov&#46;"
                        "fecha" => "1998"
                        "volumen" => "2"
                        "paginaInicial" => "121"
                        "paginaFinal" => "167"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            35 => array:3 [
              "identificador" => "bib0400"
              "etiqueta" => "36"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "An introduction to support vector machines and other Kernel-based learning methods"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "N&#46; Cristianini"
                            1 => "J&#46; Shawe-Taylor"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1017/CBO9780511801389"
                      "Libro" => array:2 [
                        "fecha" => "2000"
                        "editorial" => "Cambridge University Press"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            36 => array:3 [
              "identificador" => "bib0405"
              "etiqueta" => "37"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Random Forests"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "L&#46; Breiman"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1023/A:1010933404324"
                      "Revista" => array:5 [
                        "tituloSerie" => "Machine Learning&#46;"
                        "fecha" => "2001"
                        "volumen" => "45"
                        "paginaInicial" => "5"
                        "paginaFinal" => "32"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            37 => array:3 [
              "identificador" => "bib0410"
              "etiqueta" => "38"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "CatBoost&#58; Gradient boosting with categorical features support"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "A&#46;V&#46; Dorogush"
                            1 => "V&#46; Ershov"
                            2 => "A&#46; Gulin"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:2 [
                        "tituloSerie" => "ArXiv&#46;"
                        "fecha" => "2018"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            38 => array:3 [
              "identificador" => "bib0415"
              "etiqueta" => "39"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Radiomics features on non-contrast computed tomography predict early enlargement of spontaneous intracerebral hemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "H&#46; Li"
                            1 => "Y&#46; Xie"
                            2 => "X&#46; Wang"
                            3 => "F&#46; Chen"
                            4 => "J&#46; Sun"
                            5 => "X&#46; Jiang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.clineuro.2019.105491"
                      "Revista" => array:5 [
                        "tituloSerie" => "Clin Neurol Neurosurg&#46;"
                        "fecha" => "2019"
                        "volumen" => "185"
                        "paginaInicial" => "105491"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31470362"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            39 => array:3 [
              "identificador" => "bib0420"
              "etiqueta" => "40"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Assessing agreement between radiomic features computed for multiple CT imaging settings"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "L&#46; Lu"
                            1 => "R&#46;C&#46; Ehmke"
                            2 => "L&#46;H&#46; Schwartz"
                            3 => "B&#46; Zhao"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1371/journal.pone.0166550"
                      "Revista" => array:6 [
                        "tituloSerie" => "PLoS One&#46;"
                        "fecha" => "2016"
                        "volumen" => "11"
                        "paginaInicial" => "e0166550"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28033372"
                            "web" => "Medline"
                          ]
                        ]
                        "itemHostRev" => array:3 [
                          "pii" => "S1053811918305275"
                          "estado" => "S300"
                          "issn" => "10538119"
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            40 => array:3 [
              "identificador" => "bib0425"
              "etiqueta" => "41"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Quantitative CT radiomics-based models for prediction of haematoma expansion and poor functional outcome in primary intracerebral haemorrhage"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "S&#46; Pszczolkowski"
                            1 => "J&#46;P&#46; Manzano-Patr&#243;n"
                            2 => "Z&#46;K&#46; Law"
                            3 => "K&#46; Krishnan"
                            4 => "A&#46; Ali"
                            5 => "P&#46;M&#46; Bath"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s00330-021-07826-9"
                      "Revista" => array:6 [
                        "tituloSerie" => "Eur Radiol&#46;"
                        "fecha" => "2021"
                        "volumen" => "31"
                        "paginaInicial" => "7945"
                        "paginaFinal" => "7959"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33860831"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            41 => array:3 [
              "identificador" => "bib0430"
              "etiqueta" => "42"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Radiomics for prediction of intracerebral hemorrhage outcomes&#58; A retrospective multicenter study"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "X&#46; Huang"
                            1 => "D&#46; Wang"
                            2 => "Q&#46; Zhang"
                            3 => "Y&#46; Ma"
                            4 => "H&#46; Zhao"
                            5 => "S&#46; Li"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.nicl.2022.103242"
                      "Revista" => array:5 [
                        "tituloSerie" => "Neuroimage Clin&#46;"
                        "fecha" => "2022"
                        "volumen" => "36"
                        "paginaInicial" => "103242"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36279754"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            42 => array:3 [
              "identificador" => "bib0435"
              "etiqueta" => "43"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Radiomics in medical imaging &#8212; &#171;how-to&#187; guide and critical reflection"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "J&#46;E&#46; Van Timmeren"
                            1 => "D&#46; Cester"
                            2 => "S&#46; Tanadini-Lang"
                            3 => "H&#46; Alkadhi"
                            4 => "B&#46; Baessler"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1186/s13244-020-00887-2"
                      "Revista" => array:5 [
                        "tituloSerie" => "Insights Imaging&#46;"
                        "fecha" => "2020"
                        "volumen" => "11"
                        "paginaInicial" => "91"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32785796"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            43 => array:3 [
              "identificador" => "bib0440"
              "etiqueta" => "44"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Admission computed tomography radiomic signatures outperform hematoma volume in predicting baseline clinical severity and functional outcome in the ATACH-2 trial intracerebral hemorrhage population"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "S&#46;P&#46; Haider"
                            1 => "A&#46;I&#46; Qureshi"
                            2 => "A&#46; Jain"
                            3 => "H&#46; Tharmaseelan"
                            4 => "E&#46;R&#46; Berson"
                            5 => "T&#46; Zeevi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1111/ene.15000"
                      "Revista" => array:6 [
                        "tituloSerie" => "Eur J Neurol&#46;"
                        "fecha" => "2021"
                        "volumen" => "28"
                        "paginaInicial" => "2989"
                        "paginaFinal" => "3000"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34189814"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
          ]
        ]
      ]
    ]
  ]
  "idiomaDefecto" => "es"
  "url" => "/00338338/0000006500000006/v1_202311020932/S0033833823001637/v1_202311020932/es/main.assets"
  "Apartado" => array:4 [
    "identificador" => "8060"
    "tipo" => "SECCION"
    "es" => array:2 [
      "titulo" => "Originales"
      "idiomaDefecto" => true
    ]
    "idiomaDefecto" => "es"
  ]
  "PDF" => "https://static.elsevier.es/multimedia/00338338/0000006500000006/v1_202311020932/S0033833823001637/v1_202311020932/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/"
  "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833823001637?idApp=UINPBA00004N"
]
Indexada en:

Síguenos:

Suscribirse:

Comprar documento

Indexada en:

Síguenos:

Suscribirse:

Comprar documento

Suscríbase a la newsletter
