COVID-19
Regístrese
metricas
covid
Radiología
Suscríbase a esta revista
Buscar en
Radiología
Toda la web
Inicio Radiología Clasificadores de aprendizaje supervisado no lineales basados en radiómica de l...
Información de la revista
Volver al artículo

Estadísticas

Siga este enlace para acceder al texto completo del artículo

Original
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
Radiomic-based nonlinear supervised learning classifiers on non-contrast CT to predict functional prognosis in patients with spontaneous intracerebral hematoma
E. Serranoa, J. Morenob, L. Llullc, A. Rodríguezc, C. Zwanzgerd, S. Amaroc, L. Oleagae, A. López-Ruedae,f,
Autor para correspondencia
alrueda81@hotmail.com

Autor para correspondencia.
a Departamento Radiología, Hospital Universitario de Bellvitge, Hospitalet de Llobregat, Barcelona, España
b Clínica Iribas-IRM, Asunción, Paraguay
c Departamento de Neurología, Hospital Clínic, Barcelona, España
d Departamento Radiología, Hospital del Mar, Barcelona, España
e Departamento Radiología, Hospital Clínic, Barcelona, España
f Servicio de Informática Clínica, Hospital Clínic, Barcelona, España
Leído
204
Veces
se ha leído el artículo
72
Total PDF
132
Total HTML
Compartir estadísticas
 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"
]
Información del artículo
ISSN: 00338338
Idioma original: Español
DOI:10.1016/j.rx.2023.08.001
Datos actualizados diariamente
año/Mes Html Pdf Total
2024 Octubre 1 0 1
2024 Agosto 0 5 5
2024 Junio 3 1 4
2024 Mayo 1 2 3
2024 Abril 6 2 8
2024 Marzo 8 6 14
2024 Febrero 3 2 5
2024 Enero 29 7 36
2023 Diciembre 18 8 26
2023 Noviembre 47 28 75
2023 Octubre 16 11 27

Siga este enlace para acceder al texto completo del artículo

Suscríbase a la newsletter

Publique en
Radiología
Radiología se adhiere a los principios y procedimientos dictados por el Committee on Publication Ethics (COPE)
www.publicationethics.org.
Artículos de acceso gratuito
RANO-2.0: actualización en la valoración...
10.1016/j.rx.2024.06.005
Diagnóstico prequirúrgico de gliomas difusos en...
Radiologia. 2024;66:260-77
Chest computed tomography findings in different phases of...
Radiologia. 2021;63:218-27

Radiología sigue las recomendaciones para la preparación, presentación y publicación de trabajos académicos en revistas biomédicas

es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos