Resumen

La principal causa de morbilidad, discapacidad y muerte prematura en la Argentina y en el resto del

mundo es la enfermedad cardiovascular. Gran parte de la enfermedad cardiovascular se encuentra
mediada por la aterosclerosis. Debido a la presentación lenta y progresiva de las placas
ateroscleróticas, la mayoría de los individuos que la padecen son asintomáticos. La aterosclerosis
carotídea es un predictor bien establecido de eventos cerebrovasculares. Por lo tanto, en pacientes
asintomáticos y con riesgo cardiovascular moderado se recomienda la detección sistemática con
ecografía Doppler (ecoDoppler) de placas ateroscleróticas carotídeas.
Uno de los desafíos más importantes que enfrenta la medicina moderna es optimizar la
identificación y el tratamiento preventivo de personas con elevado riesgo cardiovascular, en quienes
un manejo clínico apropiado podría aumentar tanto la sobrevida como la calidad de vida. Evidencia
proveniente de modelos animales y estudios in vitro indica que la turbulencia del flujo sanguíneo
tendría un rol en la fisiopatogenia de la aterosclerosis. A pesar de ello, la medición de turbulencia no
está instalada como parámetro clínico para la evaluación de esta enfermedad.
En este proyecto final integrador se presenta el desarrollo de un nuevo método para la
cuantificación de la turbulencia del flujo sanguíneo a partir de ecoDoppler en la arteria carótida interna.
Los resultados, obtenidos en una cohorte reducida de pacientes, muestran que el método desarrollado
logra distinguir entre pacientes del grupo control y pacientes con patología aterosclerótica subclínica
a partir de su perfil hemodinámico. El abordaje se basa en un algoritmo de procesamiento de imágenes
que utiliza el método de box counting para cuantificar la dimensión fractal de la turbulencia del flujo
sanguíneo en estudios de ecoDoppler color. Si bien los resultados obtenidos en este proyecto deben
ser considerados preliminares, los mismos son alentadores. El algoritmo fue implementado en una
aplicación para su empleo en el ámbito asistencial, lo que permitió diseñar y proponer un ensayo clínico
extendido a partir del método desarrollado. El propósito de este ensayo clínico será analizar la
asociación entre la amplitud de la oscilación temporal de la dimensión fractal de la turbulencia del flujo
sanguíneo en la carótida interna y la presentación de eventos cerebrovasculares en pacientes adultos,
asintomáticos y ambulatorios.

2
Índice

1. Introducción 4
a. Enfermedad aterosclerótica 4
b. Rol de la turbulencia del flujo sanguíneo en la enfermedad ateroesclerótica 6
c. Diagnóstico de enfermedad aterosclerótica por medio de ecoDoppler color 7
d. Motivación médica y desafío técnico 11
e. Objetivos 13
2. Materiales y métodos 14
a. Importación y preprocesamiento 14
b. Detección de la turbulencia 16
c. Caracterización cuantitativa de la turbulencia 18
d. Diseño del estudio clínico 22
e. Análisis estadístico 23
3. Resultados 24
a. Características clínicas 24
b. Análisis de imágenes de ecoDoppler de vasos de cuello 25
c. Interfaz de usuario 40
4. Discusión 50
a. Protocolo clínico 51
5. Conclusiones 53
6. Referencias 55
7. Anexo I: análisis de medidas no estadísticamente significativas 60
8. Anexo II: beca PEFI 2020 y presentación de resultados al Congreso Anual de la Sociedad
Argentina de Cardiología (SAC) 2021 65
a. Beca de formación profesional PEFI 65
b. Presentación de resultados del proyecto en la sección de Imágenes Cardiovasculares del
Congreso Anual de la Sociedad Argentina de Cardiología (SAC) 2021 72

3
 1. Introducción
En este capítulo se presenta la causa, la evolución y las complicaciones de la enfermedad
aterosclerótica. Dentro de la fisiopatogenia de la enfermedad, se explica la relación existente entre
la turbulencia y la lesión endotelial, la que puede evolucionar en placas ateroscleróticas. Para
diagnosticar la enfermedad se utiliza el ecoDoppler color, por lo que se incluye una explicación
acerca de este método de diagnóstico en esta sección. Además, se detalla la motivación médica y el
desafío técnico detrás de este proyecto. Por último, se enuncian los objetivos planteados.

a. Enfermedad aterosclerótica
La enfermedad cardiovascular es una de las principales causas de morbilidad, discapacidad y muerte
prematura en la Argentina y en el resto del mundo, contribuyendo sustancialmente a los crecientes
costos en la atención de la salud [1][2][3]. Además de ser altamente prevalente, la enfermedad
cardiovascular es prevenible. Se estima que al menos un 75% de las muertes por esta causa podrían
ser evitadas mediante un adecuado control de los factores de riesgo [4][5][6]. Más aún, la patología
cardiovascular suele tener una presentación progresiva, por lo cual su detección temprana (en etapas
subclínicas) permitiría aplicar políticas costo-efectivas de promoción de la salud y de prevención
primaria, con el objetivo de aumentar la calidad de vida y la sobrevida poblacional [3]. Por estos
motivos, siendo la enfermedad cardiovascular prevalente, prevenible y progresiva, la implementación
de estrategias de reducción del riesgo cardiovascular tendría un impacto relevante sobre la carga de
enfermedad en la población y en los sistemas sanitarios [6][7][8].
La principal causa de enfermedad cardiovascular es la aterosclerosis, un mecanismo de daño
inflamatorio que involucra a las tres capas de la pared arterial (íntima, media y adventicia) [3][9]. En el
proceso de formación de la placa aterosclerótica participan células inmunes, factores inflamatorios y
trastornos del metabolismo lipídico [10]. El desarrollo de la placa aterosclerótica es progresivo,
acumulativo y asintomático durante largos períodos de tiempo [9]. En su etapa más temprana la
aterosclerosis se manifiesta como una estría grasa en la pared vascular, producto de la acumulación de
macrófagos con alto contenido de colesterol en sitios con lesión endotelial [11]. Estas lesiones planas
de la pared arterial pueden progresar a aumentos del espesor miointimal [12]. Al aumentar de tamaño,
estas lesiones pueden progresar a placas fibrosas, las cuales presentan una capa fibrosa superficial
compuesta de células de músculo liso y matriz extracelular que encierra un núcleo necrótico rico en
lípidos. Estas lesiones pueden volverse progresivamente más complejas hasta formar placas
ateroscleróticas, las que pueden presentar calcificaciones, ulceraciones de la superficie luminal y
hemorragias de los pequeños vasos que crecen hacia la placa desde la capa media de la pared arterial
[11]. Debido a esta presentación lenta y progresiva de la enfermedad, la mayoría de los individuos que
la padecen se encuentran asintomáticos. Como ejemplo, en un estudio realizado en la provincia de
Córdoba, Argentina, en 254 pacientes con un promedio de edad de 54 años se encontró que el 54%

4
presentaba aterosclerosis subclínica [13]. En otro estudio realizado en la misma provincia en 88
pacientes con aterosclerosis subclínica, un 31% sufría aterosclerosis carotídea y un 27% aterosclerosis
femoral, mientras que el resto padecía aterosclerosis en ambos lechos vasculares [14].
Si bien la progresión de las lesiones hacia etapas avanzadas de la enfermedad puede producir la
obstrucción del flujo sanguíneo, generándose una estenosis crónica, la complicación con mayor
relevancia clínica es la oclusión aguda del vaso por la formación de un trombo. Este fenómeno,
denominado accidente de placa, es precipitado por una erosión o ruptura de la placa aterosclerótica y
también puede producir una reducción del flujo sanguíneo en el territorio distal a la lesión
aterosclerótica [15]. En todos los casos, la reducción del flujo sanguíneo genera un desbalance entre la
oferta y la demanda de oxígeno, con la consiguiente injuria del tejido distal por deficiencia de oxígeno
(llamada isquemia) o su necrosis (llamada infarto). Según cuál sea el territorio vascular afectado, esto
se presenta clínicamente como evento cerebrovascular (por compromiso de las arterias cerebrales y
carótidas), infarto de miocardio (por compromiso de las arterias coronarias), o isquemia aguda de
miembro (por compromiso de las arterias periféricas), (figura 1) [15].
En el caso del lecho arterial carotídeo, las placas ateroscleróticas se consideran sintomáticas si se
asocian a episodios clínicamente relevantes de reducción del flujo sanguíneo cerebral. Los mismos se
conocen como accidente isquémico transitorio si duran menos de una hora o accidente
cerebrovascular isquémico si su duración es mayor [16]. En ambos casos, la evaluación de las carótidas
mediante métodos imagenológicos es obligatoria, siendo el ecoDoppler el método de primera línea, a
pesar de que sólo 10-15% de estos episodios son ocasionados por estenosis carotídeas obstructivas (es
decir, aquellas que comprometen 50-99% de la luz) [16][17][18]. Asimismo, en pacientes asintomáticos
y con riesgo cardiovascular moderado la detección sistemática con ecoDoppler de placas
ateroscleróticas carotídeas se encuentra recomendada en hombres mayores a 40 años de edad y en
mujeres mayores a 50 años de edad o postmenopáusicas [16][19]. El hallazgo de placas ateroscleróticas
en estos pacientes puede reclasificar su riesgo cardiovascular en alto o muy alto y conlleva cambios en
la terapia farmacológica preventiva [17].

5
 Figura 1) Evolución de las lesiones ateroscleróticas y compromiso por déficit distal de oxígeno en distintos territorios.
El desarrollo de la placa aterosclerótica es progresivo y acumulativo. Comienza manifestándose como una estría grasa,
pudiendo progresar a una placa fibrosa para luego concluir en una placa aterosclerótica. La complicación de mayor
relevancia clínica de esta lesión es el accidente de placa, y su presentación clínica dependerá del vaso afectado: un
accidente de placa en las arterias carótidas posiblemente desencadene en un accidente cerebrovascular (ACV) o un
accidente isquémico transitorio (AIT). Fuente: modificado de [20].

b. Rol de la turbulencia del flujo sanguíneo en la enfermedad

ateroesclerótica
La turbulencia de un flujo se caracteriza por la presencia de fluctuaciones abruptas en sus campos
de velocidades y energías. Este es un fenómeno complejo y no lineal que se manifiesta en propiedades
irregulares e intermitentes del flujo, tanto en el dominio temporal como frecuencial, y a través de un
amplio rango de escalas [21]. Tal como se mencionó en la sección anterior, la lesión endotelial es el
primer paso crucial en el desarrollo de la enfermedad aterosclerótica [12]. Esta lesión es causada por
un estrés mecánico sobre el endotelio, vinculado con factores hemodinámicos [22]. Evidencia
proveniente de modelos animales y estudios in vitro muestran el rol de la turbulencia en la
fisiopatogenia de la aterosclerosis [22][23][24][25]. Asimismo, una vez producidas estenosis vasculares
debido a lesiones avanzadas, el flujo se desorganiza al atravesarlas, generando frecuentemente
turbulencias post-estenóticas [26].
A pesar de que la turbulencia forma parte de los mecanismos fisiopatogénicos de la patología
aterosclerótica, la misma no está instalada como parámetro clínico para la evaluación de esta
enfermedad. Un enfoque a este problema fue propuesto por Yilmaz et al., quienes aplicaron métodos
de análisis no lineal de series temporales al ecoDoppler continuo de arterias carótidas internas
estenóticas y sanas [27]. En su trabajo, los autores calcularon el exponente máximo de Lyapunov y la

6
dimensión de correlación. Los resultados sugieren que ambos aumentan con el grado de estenosis de
la arteria, por lo que los mismos podrían ser utilizados para diagnosticar y estimar la gravedad de la
aterosclerosis vascular [27]. Sin embargo, el método que proponen está alejado del protocolo de
análisis que suele aplicarse en los estudios de ecoDoppler vascular de rutina, en los cuales no se utiliza
el ecoDoppler continuo, sino el ecoDoppler pulsado (concepto explicado más adelante).

c. Diagnóstico de enfermedad aterosclerótica por medio de

ecoDoppler color
El diagnóstico por ecografía utiliza ondas ultrasónicas (es decir ondas mecánicas de frecuencias
mayores a 20 kHz) y su propagación por el medio para producir una imagen de los tejidos del cuerpo
humano. Cuando una onda mecánica cambia de medio, una parte se refleja y otra se transmite (figura
2) [28]. La reflexión se denomina eco y se produce cada vez que cambia la impedancia acústica, es decir
cada vez que cambia el medio de propagación. La amplitud de la onda reflejada (‫ݎܣ‬ሻviene
determinada por una relación entre las impedancias acústicas características de los materiales a ambos
lados de la interfaz (ܼ1 y ܼ2 ) y la amplitud de la onda incidente ሺ‫݅ܣ‬, ecuación 1):

௓1 ି௓2
‫ ݎܣ‬ൌ  ‫݅ܣ‬. (1)
௓1 ା௓2

Figura 2) Esquema del principio físico por el que se rige la ecografía. Al atravesar medios de distintas impedancias
acústicas, parte de la onda incidente (Ai) es reflejada (Ar) y otra parte es transmitida (At). En el gráfico, el grosor de
las flechas representa la magnitud de la amplitud. En este esquema, la impedancia acústica del medio 1 (ܼଵ ሻ es mayor
a la impedancia acústica del medio 2 (ܼଶ ሻ, por lo que la amplitud de la onda transmitida (At) es mayor a la amplitud
de la onda reflejada (Ar).

7
La impedancia acústica (ܼ) es la resistencia que opone un medio a las ondas sonoras que se propagan
por el mismo [28]. La impedancia acústica característica de un material puede calcularse como el
producto entre la densidad de un material (ߩሻ y la velocidad del sonido (ܿ) en dicho material (ecuación
2):

ܼ ൌ ߩܿ. (2)

De acuerdo con esta ecuación, los tejidos más densos poseen una mayor impedancia acústica. En la
interfase entre un tejido de menor densidad hacia uno de mayor densidad, la amplitud de la onda
reflejada será mayor que la amplitud de la onda transmitida [28][29]. En este caso, el tejido de mayor
densidad se presenta en pantalla convencionalmente de un gris claro o blanco y se denomina tejido
hiperecogénico (e.g., la pared vascular). Por el contrario, en una interfase entre un tejido de mayor
densidad hacia uno de menor densidad la amplitud de la onda reflejada será menor que la amplitud de
la onda transmitida. En este caso, el tejido de menor densidad se presenta en pantalla
convencionalmente de un gris oscuro y se denomina tejido hipoecogénico (e.g., tejidos con alto
contenido de agua, tal como la sangre). La presentación de la imagen de ecografía en escala de grises
en un espacio bidimensional es conocida como modo B. A esta imagen en escala de grises es posible
adicionarle información obtenida por efecto Doppler [28].
El ecoDoppler es un modo de la ecografía basado en el efecto Doppler. De acuerdo con P. R. Hoskins
et al., el efecto Doppler se define como “el cambio en la frecuencia de la onda de sonido reflejada (݂௥ ሻ
en comparación con la frecuencia emitida (݂௧ ሻ, que se produce debido al movimiento relativo entre el
observador y la fuente” [29]. Cuando un haz de ultrasonido es dirigido hacia objetos en movimiento,
el transductor de ecoDoppler determina el cambio de frecuencia (߂݂) como la diferencia entre la
frecuencia transmitida por el transductor ሺ݂௧ ሻ y la frecuencia recibida por el mismo (݂௥ ሻ. Este cambio
de frecuencia ሺ߂݂) está relacionada con la frecuencia transmitida (݂௧ ሻ, con la velocidad del objeto (‫ݒ‬ሻ
y con el ángulo ሺߠሻ que se forma entre la dirección del haz de ultrasonido y la dirección del movimiento
del objeto [30] (ecuación 3):

ଶ௙೟ ௩௖௢௦ఏ
߂݂ ൌ . (3)
௖

Los modos de ecoDoppler son el ecoDoppler continuo y el pulsado. En el ecoDoppler de onda

continua se transmiten ondas de ultrasonido continuamente [29]. En este modo no hay información
acerca de la profundidad desde donde provienen las señales reflejadas. La principal ventaja del Doppler
de onda continua consiste en su capacidad para mostrar señales de alta velocidad. En el ecoDoppler
pulsado, por el contrario, las señales de ultrasonido se envían en breves ráfagas (o pulsos). A través del

8
control de profundidad se puede seleccionar un volumen de muestra para obtener información de una
porción determinada del espacio.
Los principales modos de visualización utilizados en el ecoDoppler son el modo espectral y el modo
color [30]. El modo espectral consiste en una curva de velocidad versus tiempo, que representa la
variación de la velocidad del flujo [29]. Esta representación brinda información acerca de las
velocidades absolutas y la dirección del flujo, así como del modo en que cambia la velocidad en una
determinada región (Doppler de onda pulsada) o a lo largo de una determinada línea (Doppler de onda
continua). El ecoDoppler color se basa en el principio de Doppler de onda pulsada para representar la
velocidad, dirección y sentido del flujo utilizando una escala colorimétrica. Esto se logra obteniendo el
diferencial de frecuencia a partir de múltiples haces ultrasónicos. Esta información se convierte a un
formato digital y se codifica en un esquema de color preestablecido. El flujo que se dirige hacia el
transductor tiene un cambio de frecuencia positivo y está codificado en matices de color rojo. Por el
contrario, el flujo que se aleja del transductor tiene un cambio de frecuencia negativo y está codificado
con colores en matices azules. La imagen obtenida del flujo en esta escala de colores se muestra en
pantalla superpuesta a las imágenes bidimensionales en matices de gris del modo B.
En particular, para el diagnóstico de la enfermedad aterosclerótica se utilizan el ecoDoppler color y
el ecoDoppler espectral. La evaluación de un lecho vascular en búsqueda de territorios comprometidos
por estenosis ateroscleróticas se realiza en primer lugar exploratoriamente por ecoDoppler color,
buscando regiones de turbulencia visualizadas como aliasing (concepto explicado más adelante). Esta
evaluación cualitativa inicial es luego objetivada mediante la medición de las velocidades del flujo
sanguíneo a partir del ecoDoppler espectral, lo cual permite inferir la relación entre las áreas de flujo
efectivo a través de la ecuación de continuidad (figura 3). Partiendo de los supuestos de un sistema en
estado estacionario y con conservación del caudal, el principio de continuidad permite poner en
relación las áreas de sección transversal y las velocidades medias de dos segmentos. Aplicando este
principio a la información obtenida por ecoDoppler espectral, se podría estimar el área de sección
transversal de una porción de interés de la arteria carótida (por ejemplo, una región de posible
estenosis en la carótida interna) a partir de información acerca de un segmento proximal de referencia
(por ejemplo, la carótida común). Estas relaciones se expresan en las ecuaciones 4 y 5, donde ‫ܣ‬2 es el
área de la sección transversal del segmento de interés, ܸ2 es la velocidad media del segmento de
interés, ‫ܣ‬1 es el área de la sección transversal de un segmento proximal de referencia y ܸ1 es la
velocidad media del segmento proximal de referencia:

‫ܣ‬ଵ ܸଵ ൌ ‫ܣ‬ଶ ܸଶ , (4)

‫ܣ‬ଶ Ȁ‫ܣ‬ଵ ൌ ܸଵ Ȁܸଶ . (5)

9
 Figura 3) Esquema de la ecuación de continuidad. En un sistema estacionario con conservación del caudal la masa de
fluido que pasa por dos segmentos en serie en un tubo no ramificado es igual dado un tiempo t. Aplicando este
concepto a la información obtenida por el Doppler espectral, es posible conocer la relación de áreas de flujo efectivo a
partir de la relación de velocidades medias entre dos segmentos de un lecho vascular. Fuente: modificado de [31].

Según los consensos actuales de las sociedades médicas, en la ecografía bidimensional de vasos de
cuello un aumento del espesor miointimal se define como un espesor de la pared de la carótida interna
mayor al del percentil poblacional 75 [32]. Por otra parte, una placa ateroesclerótica se define como
una estructura focal que protruye hacia la luz vascular en más de 0,5 mm o más del 50% del espesor
miointimal circundante o que presenta un espesor mayor a 1,5 mm medido entre la interfaz lumen-
íntima y la interfaz media-adventicia [32]. En estudios de ecoDoppler, las placas ateroscleróticas
carotídeas se clasifican como obstructivas cuando la velocidad pico sistólica del flujo sanguíneo en la
carótida interna es mayor a 125 cm/seg o duplica la velocidad de la carótida común (correspondiendo
estos hallazgos a estenosis mayores al 50%) (figura 4) [33]. En contraste, las placas ateroscleróticas no
obstructivas y el aumento del espesor miointimal no generan tal impacto en las velocidades,
identificándose simplemente por su imagen en la ecografía bidimensional del modo B de vasos de
cuello. El consenso general es que este tipo de lesiones vasculares no genera un impacto
hemodinámico detectable, denominándose habitualmente en la práctica como “no
hemodinámicamente significativas” [33]. A pesar de ello, existe evidencia de que las placas no
obstructivas y el aumento del espesor miointimal podrían contribuir a la valoración del riesgo
cardiovascular [34][35][36].

10
 Figura 4) Imagen de ecoDoppler color (arriba) con ecoDoppler espectral (abajo). El ecoDoppler color se muestra
superpuesto a las imágenes bidimensionales del modo B. El flujo sanguíneo que se dirige hacia el transductor está
codificado en matices de color rojo; el flujo sanguíneo que se aleja del transductor está codificado con colores en
matices de azul. Los colores muestran el sentido del flujo y además codifican la magnitud de la velocidad. En ambos
segmentos, rojo y azul, los matices más claros indican velocidades de mayor magnitud. En la parte inferior de la imagen
se observa el ecoDoppler espectral, que representa la evolución temporal de la velocidad. Este estudio en particular
muestra una placa aterosclerótica obstructiva. Se trata de una placa heterogénea, ya que posee una parte
hiperecogénica (flecha grande) y una parte hipoecogénica (flechas pequeñas), causando una estenosis del 50% al 69%
indicada por una velocidad pico sistólica de 218 cm/seg. Fuente: [37].

d. Motivación médica y desafío técnico

La motivación médica detrás de este proyecto final consiste en determinar si las placas
ateroscleróticas carotídeas definidas como no obstructivas y el aumento del espesor miointimal
generan un impacto hemodinámico detectable como turbulencia del flujo sanguíneo, y si éste puede
ser valorado mediante la dimensión fractal medida por el ecoDoppler color de estudios de ecografía
de vasos de cuello1. De hallarse evidencia a favor de esta hipótesis, no sólo sugeriría que las lesiones
ateroscleróticas no obstructivas efectivamente tienen impacto hemodinámico, sino que también

1Para ver resultados previos y presentaciones científicas originadas en el presente proyecto remitirse al anexo II:
beca PEFI 2020 y presentación de resultados al Congreso Anual de la Sociedad Argentina de Cardiología (SAC) 2021

11
posiblemente ofrecería una nueva forma de discriminar a este subgrupo de los sujetos que no
presentan enfermedad ateroesclerótica y, consiguientemente, no presentan cambios hemodinámicos.
El método gold standard para estudiar la aterosclerosis carotídea es el ecoDoppler color [16]. Tal
como se mencionó en la sección precedente, este método diagnóstico combina una imagen
bidimensional obtenida por ultrasonido con información acerca de la velocidad, dirección y sentido del
flujo sanguíneo obtenidas por efecto Doppler, expresando el resultado en una escala colorimétrica. El
ecoDoppler color presenta las ventajas de ser poco invasivo y costo-eficiente, con las desventajas de
ser operador-dependiente y presentar comúnmente artefactos en los dominios tanto del color como
espectral [38]. Asimismo, al igual que en el caso de otras tecnologías de diagnóstico médico, los equipos
de ecografía frecuentemente son equipos cerrados, en el sentido de encontrarse únicamente
configurados para su uso clínico. A pesar de ser equipos de última generación, no suele ser posible
acceder a la señal de ecoDoppler cruda (raw), sino sólo como una secuencia de imágenes RGB (por sus
siglas en inglés red, green, blue; en español rojo, verde, azul) extraídas de archivos en formato DICOM
(figura 5). Asimismo, la resolución de las imágenes que suelen ofrecer estos equipos también es baja
(máximo 600 píxeles x 800 píxeles), dado que esta calidad suele ser suficiente para el diagnóstico
médico, realizado habitualmente por evaluación visual. Por último, en muchos casos, la única manera
de extraer la información de las imágenes y videos de los equipos de ecografía es mediante grabaciones
de CD y DVD, no estando presente la posibilidad de utilizar puerto USB o Bluetooth ni conexión WIFI,
representando una dificultad adicional.

Figura 5) Estudio de ecoDoppler color de vasos de cuello enfocado en arteria carótida interna derecha (ACID). Se
visualiza una placa fibrolipídica en el bulbo de la carótida interna que resultó ser no obstructiva. Con el Doppler color se
observa flujo sanguíneo que se dirige hacia el transductor (señal de color rojo) sin presentar alteraciones apreciables en
su perfil, dentro de las condiciones de configuración del equipo. Para ver el video de este estudio, visitar:
https://youtu.be/pl91yRWpT3k.

12
 e. Objetivos
El objetivo de este trabajo es diseñar un método que permita extraer un valor clínicamente útil para
cuantificar de manera robusta y sistemática el impacto hemodinámico de lesiones ateroscleróticas
subclínicas en pacientes ambulatorios evaluados con estudios de ecoDoppler color de vasos de cuello.
Al plantear este objetivo, se estableció que la medida extraída debía presentar las siguientes
características:
a. robustez ante artefactos y datos de baja resolución,
b. adecuada sensibilidad frente a diferentes grados de lesiones ateroscleróticas,
c. estabilidad ante variaciones poblacionales consideradas irrelevantes para el presente estudio,
d. facilidad de cómputo para poder ser transferible a la práctica clínica.

13
 2. Materiales y métodos
En este capítulo se describe el equipo utilizado para adquirir los estudios de ecoDoppler color de
carótida interna en pacientes ambulatorios. Además, se detalla el método desarrollado. Éste consta
en primer lugar de una importación de los estudios a Matlab 2019a con la posterior extracción de
la región de interés, ambos pasos constituyendo la etapa de preprocesado de los datos. A
continuación, el método para seleccionar las regiones del flujo candidatas a presentar turbulencia
(píxeles verdes) consiste en aplicar una umbralización de los píxeles en el formato de color HSV (por
sus siglas en inglés hue, saturation, value; en español matiz, saturación y valor). Para cuantificar la
turbulencia se aproxima su dimensión fractal mediante el método de box counting. Se detalla el
estudio clínico diseñado para la recolección de datos utilizados en este proyecto. Presentando el
análisis estadístico se fundamenta la selección del test de Kolmogorov-Smirnov. El mismo se emplea
para encontrar la medida cuantitativa con mayor significancia estadística para determinar su
capacidad discriminativa en el diagnóstico de enfermedad aterosclerótica.

a. Importación y preprocesamiento
Todas las imágenes de ecoDoppler color fueron registradas mediante el equipo de ecografía Philips
ClearVue 650, utilizando el transductor lineal L12-4 Philips Active Array 12-4 MHz en su configuración
arterial carotídea (figura 6). El mismo se encuentra ubicado en el centro BAIMED Imágenes y
Especialidades Médicas, en la provincia de Buenos Aires. En condiciones estándar, el equipo adquiere
videos en un promedio de 27 fps (del inglés, frames per second o cuadros por segundo en español) y
con una duración de 3 segundos. La frecuencia de muestreo de la imagen del ecoDoppler, medida en
cuadros por segundo, es lo que limita la precisión del resultado, ya que afecta la resolución de la señal
y su posterior procesamiento al realizar análisis temporales y frecuenciales. En este contexto, para
realizar los análisis de interés, habría sido deseable aumentar la cantidad de cuadros por segundos y la
duración de adquisición del video. Sin embargo, debido a que la configuración del equipo se encuentra
limitada para el uso clínico tal como se discutió más arriba, modificar la cantidad de cuadros por
segundo del estudio no fue posible. A pesar de ello, se consiguió aumentar la duración de adquisición
a aproximadamente 16 segundos, lo cual resultó en una mejora respecto a la configuración inicial.

14
 Figura 6) Equipo utilizado en la adquisición de estudios de ecoDoppler. Ecógrafo Philips ClearVue 650 (izquierda).
Transductor lineal L12-4 Philips Active Array de 12-4 MHz (derecha). Fuente: [39].

Las imágenes se extrajeron del equipo de ultrasonido grabando los archivos DICOM en DVDs. Las
mismas fueron importadas a Matlab 2019a con código ad hoc. Matlab permite extraer los archivos
DICOM en matrices 4D en RGB. Una vez importadas las imágenes, se recortaron los videos para excluir
la barra de referencias de color, ya que ésta interfería con el análisis propuesto (figura 7a y 7b). Como
parte del preprocesamiento, en los estudios en los que se observaron la carótida externa o la carótida
común además de la carótida interna fue necesario editar el video para excluir las estructuras que no
formaban parte del análisis propuesto. Por último se eliminaron los píxeles grises, ya que estas
estructuras tampoco formaban parte del análisis propuesto (figura 7c).

(a) (b) (c)

Figura 7) Secuencia de imágenes que muestra el preprocesamiento realizado en los estudios de ecoDoppler color.
En (a) se muestra el recorte de un estudio de vasos de cuello de ecoDoppler color para evitar que la barra de referencia
interfiera con el análisis de color, cuyo resultado se ve reflejado en (b). Luego del recorte se filtraron los píxeles grises
y blancos para obtener sólo el color del estudio (c).

15
 b. Detección de la turbulencia
Cuando un fluido se mueve en capas paralelas infinitesimales sin interrupción entre ellas y sin
estructuras geométricas complejas, ya sea en los campos de velocidad o energía, el régimen de caudal
observado se denomina flujo laminar [40]. En este régimen, debido a las propiedades de viscosidad de
los fluidos newtonianos, la capa en contacto con la pared está en reposo, cumpliendo con el principio
de no deslizamiento. La velocidad del fluido aumenta hacia el interior del vaso, alcanzando su máximo
en el centro, con un perfil de velocidades parabólico a través de una sección transversal del vaso y un
gradiente de velocidad ortogonal al flujo distinto de cero [41]. Al alterarse las condiciones que
permiten este régimen laminar aparecen flujos de transición o turbulentos. En un régimen de flujo
turbulento completamente desarrollado la velocidad del fluido en cualquier punto en el espacio y en
el tiempo toma valores aleatorios, fenómeno que se conoce como turbulencia homogénea [42][43]
(figura 8).
La transición entre flujos de régimen laminar y turbulento se caracteriza parcialmente por el número
de Reynolds. El número de Reynolds es un número adimensional que expresa la relación entre las
fuerzas inerciales y viscosas [43]. Se trata de un parámetro macroscópico de flujo que se puede calcular
como (ecuación 6):

ఘ௩ௗ
ܴ݁ ൌ , (6)
ఓ

siendo ܴ݁ el número de Reynolds, ߩ la densidad del fluido, ‫ ݒ‬la velocidad macroscópica del fluido, ݀ el
diámetro hidráulico y ߤ la viscosidad. A números de Reynolds bajos el flujo es típicamente laminar.
Cuando el número de Reynolds supera un determinado umbral se produce una turbulencia
semidesarrollada en el flujo que se suele denominar régimen de transición. Finalmente, por encima de
un determinado número de Reynolds, el flujo se vuelve completamente turbulento y aparece la
turbulencia homogénea mencionada previamente. El umbral al cual ocurre la transición depende tanto
de las propiedades materiales del fluido como de las propiedades geométricas del caso particular. Para
casos de flujos dentro de cilindros, alrededor de esferas, y alrededor de láminas, entre otras
configuraciones, los umbrales son conocidos [40]. Sin embargo, en condiciones de contornos
irregulares, el número de Reynolds puede no encontrarse bien definido. La turbulencia puede aparecer
en casos de alto número de Reynolds o ser producida por variaciones geométricas de las condiciones
de contorno, causando ruptura de la continuidad en el frente de velocidades [44].

16
 Figura 8) Esquema de la turbulencia en el flujo sanguíneo desencadenada por una obstrucción. En la imagen superior
se muestra el flujo laminar en un vaso sanguíneo. Las flechas representan el perfil de velocidades parabólico,
característico del flujo laminar. En la imagen inferior se observa el flujo turbulento debido a una variación en la
geometría del vaso causado por una obstrucción patológica. El perfil de velocidades parabólico se altera y se
desorganiza debido a la estenosis. Fuente: modificado de [45].

En imágenes de ecoDoppler la detección de la turbulencia es realizada a partir de métodos

indirectos, es decir mediante la medición de variables hemodinámicas que permiten inferir la ruptura
del flujo laminar. Esta ruptura del flujo laminar puede verse como aliasing [46][47]. El aliasing es
generado cuando la frecuencia de la señal recibida por el transductor del ecoDoppler supera la
frecuencia de Nyquist. El teorema de muestreo de Nyquist es el principio que establece que para
reconstruir una onda senoidal de una dada frecuencia (݂௦௘ñ௔௟ ), la frecuencia de muestreo (݂௦ ) debe ser
al menos el doble de la frecuencia de la onda (ecuación 7) [47]:

݂௦ ൒ 2݂௦௘ñ௔௟ . (7)

El teorema de Nyquist se emplea para evitar el aliasing, considerado un artefacto.

La escala colorimétrica que va de azules a rojos en el ecoDoppler color corresponde a las velocidades
vectoriales bien definidas. Cuando la velocidad en un punto no puede ser definida correctamente, la
misma se representa con un color de matiz verde, es decir un color también mal definido entre ambos
lados de la escala [48] (figura 9). La turbulencia se caracteriza por el aumento en la varianza de
velocidades, la que representa la diferencia entre la velocidad media y las velocidades individuales de

17
flujo. Los píxeles de color verde, es decir aquellos que se encuentran fuera de la referencia de la barra
de color, son interpretados como regiones donde la varianza se encuentra aumentada y, por lo tanto,
pueden ser considerados como potenciales puntos candidatos a presentar flujo turbulento [49]. El
aliasing, que en general es considerado un artefacto de la práctica, también puede ser utilizado para
caracterizar focos de flujo no lineal o turbulento [50]. Esos puntos que presentan aliasing suelen
aparecer en las regiones limítrofes entre flujos de sentido opuesto [48]. En este caso, se buscó detectar
regiones turbulentas a través de la extracción de los píxeles verdes y luego se amplió la región
candidata a presentar flujo turbulento para incluir estas zonas limítrofes entre flujos de sentido
opuesto [50].

(a) (b)
Figura 9) Estudios de ecoDoppler sin y con aliasing de arteria carótida interna derecha (ACID) en un paciente con
placa obstructiva en la arteria carótida izquierda. En (a) se muestra un estudio sin aliasing, donde los vasos están
separados por tejido y se observa el flujo de ambos vasos en direcciones opuestas, mientras que en (b) se observa el
fenómeno de aliasing. Se trata de puntos de velocidades mal definidas. Si bien el aliasing es considerado un artefacto,
puede ser utilizado para caracterizar focos de flujo no lineal o turbulento. En particular, los píxeles de color verde
pueden ser interpretados como potenciales focos de flujo turbulento (velocidades con alta varianza), alrededor de los
cuales se encuentran los puntos con aliasing (en las regiones limítrofes entre flujos opuestos).

c. Caracterización cuantitativa de la turbulencia

La turbulencia es un fenómeno complejo con propiedades geométricas libres de escala, lo que
permite caracterizarla a partir de elementos de la geometría fractal (figura 10) [51]. Los objetos
geométricos con propiedades fractales pueden describirse empleando la dimensión fractal, la que está
definida como una medida básica de su fragmentación o rugosidad. La dimensión fractal, mayor o igual
que la dimensión topológica del objeto, admite valores no enteros, considerando la posibilidad de
objetos que ocupan de manera parcial el espacio topológico en el que habitan [52][53]. La dimensión
de Hausdorff se define como una medida que permite estimar la dimensión fractal [53][54].

18
 (a) (b)
Figura 10): Campo de turbulencia homogénea generado por simulaciones numéricas. Esta imagen ilustra las
propiedades libres de escala de la turbulencia. En (a) se muestran una sección planar de un campo de turbulencia
homogénea. En (b) se muestra la imagen ampliada de los contornos dentro del cuadrado negro en el panel (a), la cual
reproduce a escalas inferiores las propiedades geométricas observadas a escalas mayores. Esta propiedad de
autosemejanza o autosimilitud es típica de los objetos fractales. Fuente: [55].

Uno de los métodos más utilizados para estimar la dimensión de Hausdorff de imágenes con
características fractales es el método de box counting [56]. El propósito de este método es considerar
el número de cajas cuadradas ܰሺܵሻ de lado ܵ, necesario para cubrir el objeto de interés [57] (figura
11). El siguiente ejemplo servirá para comprender cómo se puede obtener la dimensión de Hausdorff
de una figura utilizando este método. Si se considera un objeto que reside en la dimensión topológica
‫ ீܦ‬y se reduce o se aumenta su escala en ‫ ݏ‬en cada dirección espacial, su masa ‫( ܯ‬longitud, área o
volumen, dependiendo de su dimensión topológica) disminuiría o aumentaría ‫ ݏ‬஽ಸ veces la original
‫ܯ‬଴ (figura 12). La dimensión de Hausdorff ‫ ܦ‬establece la relación entre la escala y la masa, siendo ésta
el exponente de la expresión (ecuación 8):

‫ ݏ‬஽ ൌ ‫ܯ‬Ȁ‫ܯ‬଴ . (8)

Al realizar este análisis en una figura con geometría fractal, por ejemplo, el triángulo de Sierpinski, al
ଵ ଵ
disminuir su escala en , su masa disminuye en ଷ. A partir de la ecuación 8 se encuentra que la
ଶ
dimensión de Hausdorff del triángulo de Sierpinski es de 1,585 (figura 13).

19
Figura 11) Cálculo de la dimensión de Hausdorff en una imagen bidimensional. Para distintos valores de tamaño de
caja de lado S, se cuenta cuántas cajas de lado S ocupa el objeto de interés. En este caso simple con sólo dos tamaños
de caja se puede conocer fácilmente la dimensión de Hausdorff, calculando la relación entre las mismas. Los valores
mostrados en la figura corresponden al desarrollo de la ecuación 8 presentada en la página 19 del texto, la cual define
la relación entre la escala y la masa, siendo la dimensión fractal el exponente de la expresión. El desarrollo que conduce
al resultado mostrado es consecuencia de reemplazar ‫ܯ‬଴ por 69, dado por el conteo de cajas en la escala original, ‫ܯ‬
por 274, dado por el conteo de cajas con s igual a 2, ya que disminuir a la mitad el tamaño de las cajas posee la misma
consecuencia lógica que duplicar la escala de la figura.

Figura 12) Esquema explicativo de la dimensión de Hausdorff. Si se considera un objeto que reside en la dimensión
1
topológica ୋ y se reduce su escala en en cada eje del espacio, su masa M (longitud, área o volumen, dependiendo
2
1
de la dimensión topológica) disminuye ሺ ሻ஽ veces la original. La dimensión de Hausdorff D se desprende de la relación
2
entre la escala y la masa, siendo la dimensión fractal el exponente de dicha relación.

20
 1
Figura 13) Dimensión de Hausdorff del triángulo de Sierpinski. Al disminuir la escala del triángulo , su masa
2
1
disminuye en . Por lo tanto, si se despeja D, se calcula que la dimensión de Hausdorff del triángulo de Sierpinski es de
3
1,585. Los valores mostrados en la figura corresponden al desarrollo de la ecuación 8 presentada en la página 19 del
texto, la cual define la relación entre la escala y la masa, siendo la dimensión fractal el exponente de la expresión. El
desarrollo que conduce al resultado mostrado es consecuencia de reemplazar s por ½, dada la reducción de escala del
triángulo a la mitad, y ‫ܯ‬Ȁ‫ܯ‬଴ por 1/3, dada la reducción de la masa a un tercio al aplicar el cambio de escala.

El método de box counting se basa en el cálculo de la ecuación 8. En el desarrollo implementado en

este proyecto ‫ ܯ‬es bidimensional y su valor corresponde a un número entero, ya que se trata de la
cantidad de cajas que cubre la imagen. Por este motivo, en esta expresión se reemplaza ‫ܯ‬Ȁ‫ܯ‬଴ por
ܰሺܵሻ (ecuación 9):

ܰሺܵሻ ൌ ܵ ஽ . (9)

Si consideramos el logaritmo de ambos miembros de la expresión, obtenemos:

݈‫݃݋‬ሺܰሺܵሻሻ ൌ ‫݃݋݈ܦ‬ሺܵሻ . (10)

Una vez contada la cantidad de cajas ܰሺܵሻ para distintos tamaños de caja de lado ܵ, se aplica el
logaritmo en todos los puntos y se realiza una regresión lineal por el método de cuadrados mínimos.
De esta manera la pendiente resultante corresponde a una aproximación de la dimensión de Hausdorff
del objeto (ecuación 10) (figura 14).

21
 (a)

(b)

Figura 14) Método de box counting aplicado a un cuadro ilustrativo de un estudio de ecoDoppler color. En (a) se
observa la relación logarítmica entre la cantidad de cajas (N) y el tamaño de las cajas (S). En (b) se observa la regresión
lineal resultante luego de aplicar el logaritmo a los puntos correspondientes. La pendiente de esta regresión lineal
corresponde a una aproximación a la dimensión de Hausdorff del cuadro.

El coeficiente de determinación ሺܴ 2 ሻ se utiliza para medir la calidad (bondad) del ajuste en

regresiones lineales. Esta medida describe cuán bien se ajustan los puntos a la regresión lineal,
resumiendo la discrepancia entre los valores observados y los valores esperados en el modelo de
estudio. El coeficiente ܴ 2 puede asumir valores entre 0 y 1. Cuanto más cerca de 1 se encuentre ܴ 2 ,
mejor será el ajuste del modelo a la variable. De forma inversa, cuanto más cerca de 0 se encuentre
ܴ 2 , peor será el ajuste del modelo.

d. Diseño del estudio clínico

Se realizó un estudio observacional, analítico, de corte transversal, en un único centro de
diagnóstico por imágenes. Se condujo una recolección prospectiva de datos de pacientes ambulatorios
evaluados con estudios de ecoDoppler color de vasos de cuello. La recolección de datos se llevó a cabo
en consultorios ambulatorios en el centro BAIMED Imágenes y Especialidades Médicas, en la Provincia

22
de Buenos Aires. Todos los estudios fueron realizados por una misma operadora, siendo ésta una
médica cardióloga perfeccionada en imágenes de ultrasonido cardiovascular.
Se incluyó a pacientes mayores de edad y que debían encontrarse en condiciones de realizar
estudios ambulatorios en el centro BAIMED Imágenes y Especialidades Médicas como voluntarios
ambulatorios. A cada ecoDoppler se le asoció la siguiente información clínica: el diagnóstico provisto
por una médica cardióloga, el sexo biológico, la edad, algunas medidas somatométricas (peso y altura),
algunos factores de riesgo tradicionales (como hipertensión arterial, tabaquismo y diabetes) y la
medicación cardiovascular de relevancia del paciente en cuestión. Se excluyeron a pacientes con
negativa a participar o a firmar el consentimiento informado.
Para conformar el grupo control se excluyeron aquellos individuos que se encontraban bajo el
consumo de cualquier tipo de medicación (diurética, antihipertensiva, antiarrítmica,
antiplaquetaria/antitrombótica/anticoagulante, de tratamiento de colesterol y/o triglicéridos).
Todos los pacientes incluidos en este estudio dieron su consentimiento informado por escrito al
momento de decidir participar. Todos los datos se encontraban anonimizados y se utilizaron
exclusivamente para este estudio.

e. Análisis estadístico
Las variables numéricas con distribución normal se expresaron mediante media y desvío estándar.
Las variables numéricas con distribución no normal se resumieron mediante mediana y rango
intercuartilo. La normalidad de las distribuciones se valoró cualitativamente mediante el análisis visual
de la distribución de la variable en el histograma y en el boxplot, y formalmente mediante el test de
Wilk-Shapiro. Las variables categóricas se resumieron mediante porcentajes.
En este proyecto se utilizó el test de Kolmogorov-Smirnov de dos muestras para comparar la medida
cuantitativa entre dos grupos distintos de pacientes. Se trata de un test no paramétrico, es decir un
test que no presenta como supuesto una distribución específica de la variable. Se eligió este test ya
que las distintas medidas extraídas de la curva de dimensión fractal en el tiempo en cada uno de los
grupos clínicos era no normal.
En el análisis de tesis de hipótesis estadísticos, se obtiene como resultado un valor de p que se
define como la probabilidad de encontrar una diferencia entre grupos respecto a la variable de interés
que sea similar o mayor que la observada en las muestras del estudio, bajo la hipótesis nula. La
hipótesis nula del test de Wilk-Shapiro es que no existen diferencias entre la distribución de la variable
evaluada y una distribución normal. La hipótesis nula del test de Kolmogorov-Smirnov es que no existen
diferencias entre dos grupos respecto a la distribución de la variable evaluada.
En este estudio todos los análisis se hicieron a dos colas, considerando un valor alfa (o tasa máxima
de falsos positivos admisibles) de 0,05 y un valor beta (o tasa máxima de falsos negativos admisibles)
de 0,20, siguiendo la convención comúnmente utilizada en ciencias biomédicas.

23
 3. Resultados
a. Características clínicas
Se evaluaron 69 pacientes para su enrolamiento en este estudio. Se descartaron 15 pacientes: 1 por
negarse a participar, 13 por presentar dificultades técnicas en la adquisición de las imágenes y 1
paciente con placa obstructiva que se excluyó por ser el único en su categoría, dificultando extraer
conclusiones estadísticas de su análisis. Finalmente se incluyó 54 pacientes en el estudio (figura 15).

Figura 15) Conformación de la muestra de pacientes evaluados. Se evaluó un total de 69 pacientes, de los cuales se
excluyeron 15 (1 por negarse a participar, 13 por dificultades técnicas y 1 con placa obstructiva por ser único en su
categoría). Se analizaron 54 pacientes en total.

La mayoría de los pacientes enrolados eran de sexo femenino (57%) y con una mediana de edad de
65േ12 años. Se enrolaron 7 pacientes con ecoDoppler de vasos de cuello informado como normal, 10
pacientes con espesor miointimal aumentado y 37 pacientes con placa no obstructiva (tabla 1).

Control Aumento del Placa no obstructiva

n = 54 (n =7) espesor miointimal (n = 37)
(n = 10)
Edad – años 56 [45 - 67] 55 [42 - 68] 71 [61-81]

Masculino - n (%) 1 (17%) 4 (40%) 18 (49%)

Hipertensión - n (%) 3 (50%) 7 (70%) 24 (65%)

Dislipidemia - n (%) 1 (17%) 5 (50%) 20 (54%)
Diabetes - n (%) 0 (0%) 0 (0%) 7 (19%)

Tabla 1) Características de los pacientes incluidos en este proyecto.

24
 b. Análisis de imágenes de ecoDoppler de vasos de cuello
Luego de preprocesar las imágenes de ecoDoppler de vasos de cuello, tal como se mencionó en la
sección de importación y preprocesamiento, se analizaron los colores de las imágenes de la carótida
interna. En primer lugar, los mismos fueron analizados en gráficos de dispersión con coordenadas
cartesianas en formato RGB. El formato RGB se caracteriza por definir la composición del color de
forma aditiva, ya que cada eje representa la intensidad de un color primario. En una primera etapa
exploratoria se evaluaron cualitativamente los cuadros con más variedad de color en los estudios de
ecoDoppler color utilizando este formato (figura 16).

Figura 16) Barra de referencia del ecoDoppler color (izquierda) y gráfico de dispersión de píxeles según su color en
formato RGB y coordenadas cartesianas (derecha). Cada eje representa un color primario y la posición en el espacio
tridimensional de un determinado color dependerá de la cantidad de rojo, verde o azul que posea.

Al analizar estos gráficos de dispersión se pudo observar que los píxeles verdes se encontraban fuera
de la barra de referencia de velocidades de direcciones opuestas. Tal como se comentó en la sección
de detección de turbulencia, los píxeles de color verde, interpretados como regiones donde la varianza
de las velocidades se encuentra aumentada, fueron considerados candidatos a regiones de flujo
turbulento [49].
Para extraer los píxeles verdes, candidatos a regiones con flujo turbulento, se transformó el formato
RGB en coordenadas cartesianas a HSV en coordenadas cilíndricas, ya que resulta más simple
categorizar los colores utilizando el matiz (figura 17). En el sistema HSV el matiz se representa en el eje
angular, la saturación en el eje radial y el brillo en el eje vertical. Un tono de 0° corresponde al color
rojo, 60° al color amarillo y 240° al color azul. Un color con una saturación del 100% será el color más
puro posible, mientras que una saturación del 0% producirá una escala de grises. Un color con 0% de
brillo es negro, mientras que un color con 100% de brillo no tiene negro mezclado con el color.

25
 (a) (b)
Figura 17) Espacios de colores RGB (a) y HSV (b). En (a) se observa el formato RGB y su representación en coordenadas
cartesianas. Cada eje representa un color primario y la posición en el espacio tridimensional de un determinado color
dependerá de la cantidad de rojo (red), verde (green) o azul (blue) que posea. En (b) se observa el formato HSV y su
representación en coordenadas cilíndricas. Los ejes angular, radial y vertical representan respectivamente el matiz
(hue), la saturación (saturation) y el valor (value). Utilizando el espacio HSV resulta más simple la separación de
matices utilizando el eje angular que si se utilizase el formato RGB. Fuente: [58].

Para cada imagen analizada, considerando solamente la coordenada angular (el matiz del espacio
HSV) se discretizó el círculo de matices en 26 secciones menores, comenzando desde una posición en
108° (donde se encuentra el centro de la región con matices verdes) y aumentando el ángulo en pasos
de 7,2° hacia cada lado hasta incluir todo el círculo de matices (figura 18). Los puntos incluidos en un
rango definido según el ángulo fueron considerados como candidatos a presentar turbulencia y se
incluyeron en el cálculo de box counting. A medida que el rango admitido se iba haciendo mayor, se
iba incluyendo una mayor cantidad de matices en el posterior análisis de box counting. A continuación
se generó una máscara para obtener videos en los que se incluyeran sólo las regiones propuestas como
aquellas con turbulencia. Con el objetivo de aumentar el contraste visual, se asignó blanco a aquellos
colores dentro del rango y negro a los que quedaban por fuera del mismo.

26
 Figura 18) Progresión de los rangos de matices admitidos en el análisis. A la izquierda se observa el primer rango,
que comienza desde los 100,8° y termina en los 115,2° (cuya bisectriz corresponde al centro de los matices verdes y
posee una apertura de 14,4°). A la derecha se observa el sexto rango, que se amplía desde los 64,8° hasta los 151,2°
(apertura de 46,4°).

Al considerar rangos pequeños (rangos de matices menores a 79,2° hasta 136,8°), la cantidad de
matices (y por lo tanto píxeles) incluidos era escasa. En estos rangos, luego de procesar y clasificar los
matices, los estudios se caracterizaban por presentar pocos puntos que, a su vez, se encontraban
aislados entre sí (figura 19).

Figura 19) Análisis de un video luego de extraer los píxeles con los matices que se encontraban dentro de los rangos
más pequeños. Se observa el círculo de colores con el rango de matices admitidos de los 79,2° a los 136,8° (izquierda)
y el estudio resultante luego de clasificar estos colores (derecha). En el estudio se observa un bajo porcentaje de
ocupación de la imagen y puntos mayormente aislados. Para ver el estudio completo visitar:
https://youtu.be/bEM3abYFx1I.

27
 Aplicando el método de box counting a los píxeles seleccionados para cada uno de los cuadros, se
obtuvieron regresiones lineales para cada cuadro y se procedió a comprobar la calidad del ajuste
(figura 20). Regresiones con un coeficiente ܴ 2 por debajo de 0,4 fueron descartadas, por considerar
que se trata de una pobre relación lineal, lo cual invalida el cálculo de la dimensión fractal por este
método para esos cuadros. Este fue el caso para rangos de matices menores a 36° hasta 180°, en los
cuales la media de la ocupación de píxeles de las imágenes (porcentaje de pixeles blancos obtenidos
por medio de la reconstrucción descripta previamente) era de 0,0063%.

Figura 20) Regresiones lineales resultantes de aplicar el método de box counting a un video de ecoDoppler utilizando
un rango de 79,2° a 136,8°. Se presentan las regresiones lineales de 25 cuadros. En el título de cada panel se especifica
el número del cuadro (f), la dimensión fractal (D), elcoeficiente de determinación (ܴ2 ) y el porcentaje de ocupación de
píxeles blancos (O). Varias regresiones lineales resultaron ser de baja calidad, con coeficientes menores a 0,4, por lo
cual la dimensión fractal no pudo calcularse de manera fiable para este caso implementando el método de box
counting.

28
Para el caso de rangos mayores a -7,2° hasta 223,2° la situación era la opuesta a la descripta para
rangos pequeños: luego de procesar y clasificar los matices, los estudios se caracterizaban por poseer
demasiados puntos blancos, tendiendo a saturar la imagen (figura 21).

Figura 21) Análisis de un video luego de extraer los píxeles con los matices que se encontraban dentro de los rangos
más grandes. Se observa el círculo de colores con el rango de los matices admitidos de los -7,2° a los 223,2° (izquierda)
y el estudio resultante luego de clasificar estos colores (derecha). En el estudio se observa un alto porcentaje de
ocupación, en donde se incluyen los puntos negros que formaban parte del fondo. Para ver el estudio completo visitar:
https://youtu.be/-pPdS9aXTlI.

Aplicando el método de box counting a cada cuadro del video representado en la figura 21, se
obtuvieron las regresiones lineales que se muestran en la figura 22. Todas las regresiones lineales eran
de alta calidad, con ܴ 2 ൐ Ͳǡͻͻͻͷ. Sin embargo, a medida que la ocupación de la imagen tendía a
ocupar completamente el plano, la dimensión fractal saturaba y tendía a la dimensión topológica ‫ ீܦ‬ൌ
ʹ. La saturación de la imagen vuelve trivial a la herramienta desde el punto de vista analítico e
inadecuada para un potencial uso clínico.

29
 Figura 22) Regresiones lineales resultantes de aplicar el método de box counting utilizando un rango de -7,2° a los
223,2°. Se presentan las regresiones lineales de 25 cuadros. En el título de cada panel se especifica el número del
cuadro (f), la dimensión fractal (D), elcoeficiente de determinación (ܴ2 ) y el porcentaje de ocupación de píxeles blancos
(O). En este rango, todas las regresiones eran de alta calidad, saturándose el valor de la dimensión fractal en 1,9 debido
al alto porcentaje de ocupación de píxeles.

Los resultados mostrados hasta este punto permitieron definir el rango como un parámetro crítico
del método en desarrollo. Luego de un proceso sistemático de análisis, por medio del cual se
analizaron todos los rangos definidos de acuerdo al criterio presentado al comienzo de esta sección,
se seleccionó un rango intermedio como valor óptimo, el mismo se encuentra entre 7,2° y 208,8°
(figura 23).

30
 Figura 23) Estudio luego de extraer los píxeles con los matices que se encontraban dentro del rango elegido. Se
observa el círculo de colores con el rango de los matices admitidos de los 7,2° y los 208,8° (izquierda) y el estudio
resultante luego de clasificar estos colores (derecha). Para ver el estudio completo visitar:
https://youtu.be/lR11KjaZaSQ.

Al aplicar el método de box counting en estudios completos en el rango seleccionado como óptimo, se
pudo observar que las regresiones eran de buena calidad, ya que los coeficientes de determinación se
encontraban en valores altos (con ܴ 2 ൐ Ͳǡͺ͸ʹ͵), pero sin saturación de la imagen (figura 24).

31
 Figura 24) Regresiones lineales resultantes de aplicar el método de box counting a un video de ecoDoppler utilizando
un rango de 7,2° y 208,8°. Se presentan las regresiones lineales de 25 cuadros. En el título de cada panel se especifica
el número del cuadro (f), la dimensión fractal (D), elcoeficiente de determinación (ܴ2 ) y el porcentaje de ocupación de
píxeles blancos (O). Todas las regresiones eran de alta calidad en ausencia de saturación de la imagen (ܴଶ ൒ Ͳǡͺ͸ʹ͵).

La figura 25 muestra la oscilación temporal de la dimensión fractal obtenida por el método de box
counting para un video completo. La oscilación presente en la dimensión fractal (panel superior) se
acompaña de una oscilación en la calidad del ajuste, lo que se observa en la oscilación del coeficiente
ܴ 2 (panel inferior). La oscilación del coeficiente ܴ 2 no es deseable, ya que pone en evidencia una
dependencia del valor de la dimensión fractal (D) con la calidad del ajuste. Esta dependencia de la
dimensión fractal con la calidad el ajuste es un defecto insalvable desde el punto de vista metodológico,
ya que depende de la misma definición del método. Este problema fue resuelto al establecer un
mínimo umbral de ocupación de píxeles, logrando valores de ocupación de imagen significativas para
permitir un cálculo estable de la dimensión fractal (figura 26).

32
 (a)

(b)

Figura 25) Dimensión fractal (D) y coeficiente de determinación ሺࡾ૛ ሻ en función del tiempo obtenido de un paciente
del grupo control en el rango de 7,2° a 208,8°. En (a) se observa que la dimensión fractal (D) oscila en el tiempo. En
(b) se observa que el coeficiente ܴଶ oscila en el tiempo, al igual que la dimensión fractal (D). Esto no es deseable, ya
que la inestabilidad del coeficiente ܴଶ no permite que el valor de la dimensión fractal (D) sea robusto.

33
 (a)

(b)

Figura 26) Dimensión fractal (D) y coeficiente de determinación ሺࡾ૛ ሻ en el tiempo del mismo paciente del grupo
control en el rango de 7,2° a 208,8° filtrada en distintos umbrales de ocupación. En (a) se filtró la señal de la
dimensión fractal (D) con umbrales de ocupación (O) mayores a 0,02%, 0,04%, 0,06%, 0,08% y 0,1%. En (b) se observa
el comportamiento del coeficiente ܴଶ al filtrar la señal utilizando la ocupación. Debido al filtro en la ocupación, el
coeficiente ܴଶ se vuelve más estable debido al mismo.

34
 La figura 27 muestra la oscilación temporal de la dimensión fractal para pacientes representativos
de cada una de las categorías clínicas evaluadas. La observación cualitativa es que el mínimo, el rango
y la amplitud de la oscilación temporal de la dimensión fractal en el tiempo eran distintos en pacientes
con distintos diagnósticos.

Figura 27) Oscilación temporal de la dimensión fractal de un paciente del grupo control, un paciente con aumento
del espesor miointimal y un paciente con placa no obstructiva en el rango de 7,2° a 208,8°. Cualitativamente se
observa que el mínimo, el rango y la amplitud de la oscilación temporal de la dimensión fractal varían entre los
pacientes con distintas patologías.

Para poder realizar estudios poblacionales que conduzcan eventualmente al desarrollo de

herramientas clínicas de diagnóstico y seguimiento, se buscó obtener una medida cuantitativa que
capturara las diferencias observadas cualitativamente en la oscilación temporal de la dimensión fractal.
En la figura 28 se observan algunas medidas que caracterizan una señal senoidal. Entre las medidas
exploradas estuvieron: el máximo, la media, la amplitud, el rango y el RMS (del inglés root mean square;
en español raíz cuadrática media). Dado un vector de longitud finita X, compuesto de N observaciones
escalares, su media (µ) se define como (ecuación 11):

ଵ
ߤ ൌ σே
௜ୀଵ ܺ௜ . (11)
ே

Dado el mismo vector, cuyo máximo es ܺ௠௔௫ , su amplitud (A) se define como (ecuación 12):

‫ ܣ‬ൌ ܺ௠௔௫ െ ߤ. (12)

35
Dado un vector de longitud finita X, cuyo máximo es ܺ௠௔௫ y cuyo mínimo es ܺ௠௜௡ , su rango (R) se
define como (ecuación 13):

ܴ ൌ ܺ௠௔௫ െ ܺ௠௜௡ . (13)

El valor de la raíz cuadrática media (RMS) de un vector X, compuesto de N observaciones escalares, es

(ecuación 14):
ଵ
ܺோெௌ ൌ ට σே
௜ୀଵȁܺ௜ ȁ .
ଶ (14)
ே

Figura 28) Medidas que caracterizan una señal. Entre las medidas exploradas estuvieron el máximo, la media (ߤ ൌ
ଵ ଵ
σே ே
௜ୀଵ ‫ܣ‬௜ ), la amplitud (ܺ௠௔௫ െ ߤሺܺሻ), el rango (ܺ௠௔௫ െ ܺ௠௜௡ ) y el RMS (ට σ௜ୀଵȁܺ௜ ȁ ).
ଶ
ே ே

Para optimizar el umbral de ocupación y seleccionar la medida cuantitativa más adecuada, se

realizaron comparaciones estadísticas entre los grupos poblacionales estudiados, ya que el objetivo
era obtener medidas útiles clínicamente. Para ver los análisis estadísticos de las medidas de la señal
restantes se remite al anexo I, donde se presentan los análisis de aquellas medidas que resultaron no
significativas. Los resultados resumidos del análisis estadístico pueden verse en la figura 29. En la

36
misma se muestra el valor p obtenido por el método Kolmogorov-Smirnov de la amplitud de la
oscilación temporal de la dimensión fractal. La figura muestra cómo el valor de p varía al aumentar el
umbral del porcentaje de ocupación de píxeles admitidos. Al comparar estadísticamente el grupo
control y el grupo con placa no obstructiva se alcanzó un valor de p debajo del umbral 0,05 cuando el
umbral de ocupación es de 0,0025%. Lo mismo sucedió al comparar el grupo con aumento del espesor
miointimal y el grupo con placa no obstructiva. Esta última distinción es de particular valor clínico, ya
que el consenso médico es que ambas lesiones son “no hemodinámicamente significativas”, el cuál
podría ser reconsiderado a partir del presente hallazgo. De lo expuesto resulta que el mejor parámetro
para distinguir entre pacientes con y sin placa no obstructiva fue la amplitud de la oscilación temporal
de la dimensión fractal, con un umbral de ocupación de píxeles 0,025% en el rango de 7,2° a 208,8°. El
valor de p menor a 0,05 implica que, utilizando la amplitud de la oscilación temporal de la dimensión
fractal obtenida por el método desarrollado, se puede distinguir entre los pacientes de los grupos
poblacionales estudiados.

Figura 29) Valor de p obtenido por medio del test de Kolmogorov-Smirnov de la amplitud de la oscilación temporal
de la dimensión fractal en el rango elegido (7,2° a 208,8°), para distintos umbrales de ocupación. El eje de las abscisas
representa el umbral de ocupación, el eje de las ordenadas representa el valor de p que resulta de aplicar el test de
Kolmogorov-Smirnov. La curva roja es el test aplicado al grupo control y al grupo con aumento del espesor miointimal;
La curva verde es el test aplicado al grupo con aumento del espesor miointimal y al grupo con placa no obstructiva; La
curva azul es el test aplicado al grupo control y al grupo con placa no obstructiva. Tanto la curva azul como la verde
alcanzan un valor de p debajo del umbral 0,05 cuando el umbral de ocupación es de 0,0025%. En este umbral, y
utilizando la amplitud de la oscilación temporal de la dimensión fractal, se podría distinguir entre el grupo control y el
grupo con placa no obstructiva, así como entre el grupo con aumento del espesor miointimal y el grupo con placa no
obstructiva.

Adicionalmente se encontró un segundo valor que permite distinguir entre pacientes del grupo
control y pacientes con aumento del espesor miointimal, utilizando el rango de la oscilación temporal

37
de la dimensión fractal entre 14,4° y 201,6° (figura 30). Este valor, a pesar de poder distinguir entre
estos dos grupos resultó ser demasiado inestable ante cambios del umbral del filtro en ocupación.

Figura 30) Valor de p obtenido por medio del test de Kolmogorov-Smirnov del rango de la oscilación temporal de la
dimensión fractal en 14,4° a 201,6°, en distintos umbrales de ocupación. El eje de las abscisas representa el umbral
de ocupación, el eje de las ordenadas representa el valor de p. La curva roja es el test aplicado al grupo control y al
grupo con aumento del espesor miointimal; La curva verde es el test aplicado al grupo con aumento del espesor
miointimal y al grupo con placa no obstructiva; La curva azul es el test aplicado al grupo control y al grupo con placa
no obstructiva. La curva roja alcanza un valor de p ligeramente debajo del umbral 0,05 cuando el umbral de ocupación
es de 0,00375%. En este umbral, y utilizando el rango de la evolución temporal de la dimensión fractal, se podría
distinguir entre el grupo control y el grupo con aumento del espesor miointimal. Este parámetro resulta ser demasiado
inestable respecto al umbral de ocupación.

Por último, se utilizó el diagrama de cajas para analizar y comparar entre las distribuciones de las
amplitudes de la oscilación temporal de la dimensión fractal en los distintos grupos de pacientes (figura
31). El diagrama muestra el poder de discriminación de la amplitud de la oscilación temporal de la
dimensión fractal. La superposición entre la distribución de los pacientes del grupo control y los
pacientes con placa no obstructiva es lo suficientemente baja como para poder distinguir al menos la
mitad de los pacientes. La mediana de los valores de los pacientes con placa no obstructiva se
encuentra por debajo del 25% de los valores de los pacientes del grupo control. Además, la mediana
de los valores de los pacientes del grupo control se encuentra por encima del 75% de los valores de los
pacientes con placa no obstructiva. En la tabla 2 se muestran las medianas y el rango intercuartilo de
la amplitud de la oscilación temporal de la dimensión fractal en cada grupo poblacional analizado.

38
Figura 31) Diagrama de cajas de la amplitud de la oscilación temporal de la dimensión fractal de la turbulencia del
flujo sanguíneo para el grupo control (verde) y el grupo con placa no obstructiva (rojo), en el rango elegido con un
umbral de ocupación en 0,0025%. El diagrama de cajas muestra a simple vista la distribución de los valores de los
grupos. La línea media representa la mediana, la línea inferior representa el 25% de los datos (q1), la línea superior
representa el 75% de los datos (q3), los bigotes determinan el límite de los valores atípicos. El diagrama muestra que
la superposición entre las distribuciones es lo suficientemente pequeña como para poder distinguir entre pacientes con
placa no obstructiva y pacientes del grupo control.

Categoría clínica Mediana Rango intercuartilo

Grupo control 0,2953 1,1031
Grupo con aumento del espesor miointimal 0,3077 0,1123
Grupo con placa no obstructiva 0,2373 0,0999

Tabla 2) Medianas y rango intercuartilo de la amplitud de la oscilación temporal de la dimensión fractal.

39
 c. Interfaz de usuario
El prototipo de software cuenta con una interfaz de usuario, que permite a los médicos especialistas
en cardiología cuantificar la turbulencia vascular del paciente a partir de estudios de rutina para su
aplicación en estudios clínicos. La aplicación preprocesa el estudio seleccionado por el usuario, extrae
los píxeles del rango de 7,2° a 208,8° (o aquél que elija el usuario), y aplica el método de box counting
para obtener la amplitud de la oscilación temporal de la dimensión fractal. La aplicación desarrollada
se programó enteramente en Matlab R2019a utilizando la aplicación Design App. La aplicación precisa
Matlab para ser ejecutada. El diagrama debajo muestra la transición entre las pantallas de la interfaz
(figura 32).

Figura 32) Diagrama de pantallas de la aplicación desarrollada. El diagrama muestra la transición entre las pantallas
al navegar la aplicación. Las pantallas son representadas por rectángulos con bordes rectos, mientras que los botones
son representados por rectángulos con bordes redondeados.

A continuación se detalla, siguiendo la numeración de la figura 32, la función de cada pantalla que
conforma la aplicación.

40
 1. Menú principal
El menú permite al usuario elegir entre las siguientes opciones: cargar un estudio, gestionar la
información de los pacientes, abrir la base de datos, mostrar los histogramas de las medidas relevadas
y editar la configuración de procesamiento (figura 33).

Figura 33) Pantalla del menú principal de la aplicación desarrollada. Las botones de esta pantalla permiten al usuario
elegir la siguiente acción. El menú se encuentra conectado con el resto de las pantallas. El mismo se abre al cerrar
cualquier otra pantalla dentro de la aplicación.

1.1. Archivos de paciente

Al seleccionar “Cargar estudio” la aplicación le pide al usuario que abra una carpeta con archivos
en formato DICOM. Una vez seleccionada la carpeta, aparece la pantalla mostrando los estudios del
paciente (figura 34). Dentro de esta pantalla se puede elegir reproducir los estudios apretando el
ícono de play. Si dentro de la carpeta seleccionada hubiesen más de 2 archivos en formato DICOM,
el botón “Siguiente” se habilitará para permitir su visualización. El cuadro de texto arriba del estudio
le permite al usuario asociar una etiqueta que permita identificarlo. A modo de sugerencia, se le
agregó una función de reconocimiento de caracteres que rellena la caja de texto con la etiqueta
escrita por el especialista en el estudio.
El botón de “Finalizar” se encuentra bloqueado hasta que el usuario no tilde la casilla de
“Seleccionar” y hasta que el usuario no le asocie la información del paciente correspondiente al
estudio. El estudio seleccionado será aquel que el algoritmo procese más adelante.

41
 Figura 34) Pantalla de los archivos del paciente. Esta pantalla le permite al usuario observar los estudios que se
encuentran dentro de la carpeta seleccionada. La aplicación obliga al usuario a elegir un solo estudio para ser analizado
por el algoritmo y asociar la información de un paciente que se encuentra en la base de datos de pacientes.

1.1.1. Información del paciente

La pantalla de “Información del paciente” aparece al seleccionar “Asociar paciente” de la pantalla

1.1 “Archivos de paciente” (figura 35). Esta pantalla permite al usuario completar los datos del
paciente cuyo estudio va a ser analizado por el algoritmo. En el mismo se puede rellenar con el
nombre y apellido del paciente, su DNI, su sexo biológico, su fecha de nacimiento, la fecha del estudio,
el diagnóstico y la lateralidad de la arteria al cual pertenece el estudio.

Figura 35) Pantalla de información del paciente. Esta pantalla permite al usuario asociar al estudio toda la
información de relevancia del paciente y del estudio.

42
La pantalla de “Información del paciente” se puede acceder desde el botón “Gestionar pacientes”
que se encuentra en el menú principal (figura 36). Desde la pantalla del menú principal las celdas
correspondientes a la información del estudio se encuentran ocultas.

Figura 36) Pantalla de gestión de pacientes que se accede a través del menú principal. Esta pantalla permite al
usuario crear y editar la información de los pacientes que se encuentran en la base de datos.

1.1.2. Estudio preprocesado

Una vez seleccionado “Finalizar” en la pantalla 1.1 “Archivos de paciente”, se muestra el estudio
preprocesado (figura 37). En esta pantalla se le muestra al usuario el estudio luego de la extracción
de los píxeles de color. El botón de play permite la reproducción del estudio. El ícono de configuración
permite cambiar la configuración de procesamiento.

43
 Figura 37) Pantalla de estudio preprocesado. Esta pantalla permite la visualización del estudio preprocesado.
Además, le permite al usuario acceder a la pantalla de configuración de procesamiento a través del botón con el ícono
de configuración.

1.1.2.1. Configuración de procesamiento

La pantalla de configuración de procesamiento se puede acceder una vez que el estudio se

encuentra procesado a través del ícono de configuración (figura 38). Esta pantalla muestra un gráfico
de dispersión de colores en formato HSV del cuadro del estudio con más matices. En el mismo, se
grafica (en líneas negras) el rango de matices que analizará el algoritmo. El usuario puede elegir el
rango de matices incluidos en el análisis y la medida que se extraerá de la curva de dimensión fractal
en el tiempo.

44
 Figura 38) Pantalla de configuración de procesamiento. Esta pantalla permite cambiar la característica de la señal de
la dimensión en el tiempo que se extraerá del análisis. Además, permite cambiar el rango de matices que se incluirán
en el análisis de box counting.

1.1.2.2. Resultado

El resultado del procesamiento se puede observar al apretar el botón “Procesar” de la pantalla

1.1.2 “Estudio preprocesado” (figura 39). La pantalla muestra el gráfico de cajas resultante del
desarrollo de este proyecto. El gráfico de cajas muestra la amplitud de la oscilación temporal de la
dimensión fractal del paciente analizado en relación a las distribuciones de la medida del grupo
control y del grupo con placa no obstructiva. Además, debajo del gráfico de cajas, se muestra el
escalar de la amplitud de la oscilación de la dimensión fractal en el rango elegido.
La pantalla permite visualizar un resumen del análisis del paciente a través del botón “Resumen”.
Por último, permite agregar a la base de datos el valor hallado o descartarlo para luego retornar al
menú principal.

45
 Figura 39) Pantalla del resultado del procesamiento. El gráfico de cajas muestra la amplitud de la oscilación temporal
de la dimensión fractal del paciente analizado en relación a las distribuciones de la medida del grupo control (verde) y
del grupo con placa no obstructiva (rojo).

1.1.2.2.1 Resumen

La pantalla de resumen se puede acceder a través de la pantalla del resultado (figura 40). En este
resumen, se observan todos los datos asociados al análisis del estudio.

46
 Figura 40) Pantalla que resume el resultado. En esta pantalla se observan todos los datos asociados al resultado
obtenido por la herramienta. Esto incluye la información del paciente, del estudio y de la medida cuantitativa.

1.2. Histograma de Medidas

A través del menú principal se puede acceder a la pantalla generadora de histogramas (figura 41).
El usuario puede elegir la medida y el rango que desee para observar su histograma. La aplicación
toma las medidas de la base de datos y grafica el histograma en cuestión.

47
 Figura 41) Pantalla del histograma de medidas. En esta pantalla el usuario elige el histograma de la medida y del
rango que desea observar. La aplicación toma los valores de la base de datos y filtra los mismos para obtener el
histograma deseado.

1.3. Configuración

A través del menú principal se puede acceder a la configuración de la herramienta (figura 42). A
través de esta pantalla el usuario puede cambiar el rango de inclusión de matices para modificar el
análisis. A su vez, le permite modificar la medida calculada (entre las opciones incluidas se encuentran
la amplitud, el rango, el máximo y la media) y la dirección de guardado de la base de datos.

48
 Figura 42) Pantalla de configuración de la herramienta. Esta pantalla le permite al usuario configurar la herramienta
a través del cambio de los parámetros del análisis. Permite cambiar el rango de matices que se toman para realizar el
método de box counting y la medida extraída de la curva de la dimensión fractal en el tiempo. Estos parámetros son,
por defecto, el rango de 7° a 209° y la amplitud de la oscilación temporal de la dimensión fractal. Por último, el usuario
puede elegir la dirección donde se guardará la base de datos.

Base de datos

La base de datos se abre al seleccionar “Abrir base de datos” del menú principal. La misma se
encuentra en un archivo de excel (figura 43). Toda la información relacionada con los análisis se
guarda en este archivo. Esto incluye la información del paciente (DNI, nombre, apellido, sexo
biológico y fecha de nacimiento), la información del estudio (fecha de realización del estudio,
diagnóstico resultante del estudio, lateralidad de la arteria en cuestión, identificación del estudio y la
dirección de la carpeta del estudio original) y la información del resultado obtenido (rango, medida y
resultado). El archivo se guarda bajo el nombre de “Base_de_Datos.xls”.

Figura 43) Base de datos con los resultados de los distintos análisis realizados por la aplicación. El archivo de excel
tiene toda la información resultante de los distintos análisis. Esto incluye la información del paciente (DNI, nombre,
apellido, sexo biológico y fecha de nacimiento), la información del estudio (fecha de realización del estudio, diagnóstico
resultante del estudio, lateralidad de la arteria en cuestión, identificación del estudio y la dirección de la carpeta del
estudio original) y la información del resultado obtenido (rango, medida y resultado).

49
 4. Discusión
La medida cuantitativa obtenida a partir de este proyecto consiste en la amplitud de la oscilación
temporal de la dimensión fractal de la turbulencia del flujo sanguíneo, la cual permite cuantificar la
turbulencia del flujo sanguíneo. La misma es calculada a partir de aplicar el método de box counting
cuadro por cuadro a un estudio de ecoDoppler en arterias carótidas internas. La medida obtenida es
robusta ante artefactos y datos de baja resolución. A su vez, presenta relevancia clínica ya que permite
cuantificar el impacto hemodinámico de lesiones ateroscleróticas subclínicas en pacientes
ambulatorios evaluados a partir de ecoDoppler de vasos de cuello, pudiendo tener implicancia
diagnóstica y pronóstica. A través de futuros estudios clínicos realizados a mayor escala, podrá ser
explorada la posibilidad de que esta medida sea trasladada a la práctica clínica en el seguimiento
diagnóstico de paciente.
La primera medida desarrollada permite distinguir estadísticamente entre grupos de pacientes con
placa no obstructiva y pacientes del grupo control, por un lado, y entre grupos de pacientes con placa
no obstructiva y pacientes con aumento del espesor miointimal, por otro. Esta última distinción es de
particular valor clínico, ya que el consenso médico es que ambas lesiones son “no hemodinámicamente
significativas”. Entender las placas no obstructivas como lesiones que efectivamente generan cambios
hemodinámicos cuantificables es proponer un cambio radical en la manera de comprender la
enfermedad ateroesclerótica. Implicaría interpretar que esta denominación de “no
hemodinámicamente significativas” respondería más bien a la herramienta con la que habitualmente
se valoran estas lesiones en la práctica clínica (i.e., velocidades absolutas o relación de velocidades) y
no a la capacidad de estas lesiones de modificar las características del flujo sanguíneo. Los resultados
de este estudio, los que proponen que las placas no obstructivas efectivamente tendrían un impacto
hemodinámico, abren una pregunta fundamental acerca de si es adecuado iniciar la jerarquización
clínica de las lesiones ateroescleróticas sólo a partir del momento en que las placas cumplen los
criterios para considerarse obstructivas. Posiblemente, a partir de herramientas diagnósticas tales
como la propuesta en este trabajo, se cuente en el futuro con estrategias para valorar el grado de
impacto hemodinámico generado por placas no obstructivas y así optimizar la identificación y el
tratamiento preventivo de personas con riesgo cardiovascular aumentado.
Una segunda medida cuantitativa obtenida a partir de este proyecto es el rango de la oscilación
temporal de la dimensión fractal de la turbulencia del flujo sanguíneo. Esta medida permitió distinguir
pacientes con aumento del espesor miointimal de pacientes pertenecientes al grupo control. Este
hallazgo es clínicamente relevante ya que la discriminación entre estos dos grupos no es realizable
desde el punto de vista hemodinámico con ninguna herramienta disponible en la actualidad. A pesar
de ello, esta medida es muy sensible pero poco estable, lo que se puede observar en las variaciones
del valor de p al modificar el umbral de ocupación de la imagen. Por estas razones, la implementación
de esta medida requiere análisis futuros y otras etapas de desarrollo antes de poder ser trasladada a
estudios clínicos de mayor envergadura.

50
 A pesar de las contribuciones de este estudio, existen varias limitaciones que es necesario señalar.
En primer lugar, el pequeño tamaño muestral global y, en particular, del grupo control representó una
restricción para elaborar conclusiones acerca de estas categorías clínicas. Esta limitación se debe a que
el reclutamiento de pacientes se realizó a través de un enrolamiento consecutivo en un marco
asistencial ambulatorio, en la cual la mayoría de los pacientes evaluados presentaban placas no
obstructivas, quedando las demás categorías clínicas más acotadas. De modo similar, en este
reclutamiento sólo se enroló a un paciente con placa obstructiva y a ningún paciente con oclusión
carotídea, lo cual no permitió incluir a estas categorías clínicas en el análisis. Un objetivo del estudio
clínico a realizar a futuro es obtener una muestra de pacientes de mayor tamaño global y con una
adecuada representación de cada una de las categorías clínicamente relevantes. Por último, como
segunda limitación, es necesario mencionar el obstáculo del poder computacional disponible en este
estudio, lo que forzó la selección de la estrategia computacional utilizada para implementar el
algoritmo de box counting, impidiendo utilizar ciertas alternativas que reducen errores sistemáticos
[59]. Un error sistemático, que surge de emplear el método de box counting con facilidad de cómputo,
es el error de cuantización [59]. Estimar la dimensión fractal de un objeto en una dada escala conlleva
encontrar el mínimo número de cajas que éste ocupa. Por lo tanto, el error de cuantización es
consecuencia de la posición y orientación de la grilla arbitraria al emplear el método de box counting.
Para minimizar este error, se debe trasladar y rotar la grilla hasta encontrar la cantidad mínima de cajas
contadas. Si bien el reposicionamiento de la grilla reduciría este error, el costo computacional aumenta
linealmente con la cantidad de veces que se reposicione la grilla, dificultando su implementación. Este
obstáculo metodológico deberá ser reevaluado para optimizar la estimación de esta medida.
La posibilidad de que el método desarrollado sea trasladado a la práctica clínica deberá ser
comprobado a través de un seguimiento clínico. Dentro del protocolo clínico, presentado a
continuación, se propone un estudio observacional para analizar la asociación entre la amplitud de la
oscilación temporal de la dimensión fractal del flujo sanguíneo en la arteria carótida interna y la
presentación eventos cerebrovasculares. El resultado del ensayo clínico podría corroborar la capacidad
predictiva de la herramienta desarrollada.

a. Protocolo clínico
Se plantea a futuro realizar un estudio observacional analítico, en este caso una cohorte
retrospectiva, en la cual se analice la asociación entre la amplitud de la dimensión fractal y la
presentación de accidente cerebrovascular (ACV) o accidente isquémico transitorio (AIT) en pacientes
adultos, ambulatorios, asintomáticos en seguimiento clínico y con ecoDoppler de vasos de cuello en el
Instituto Cardiovascular de Buenos Aires (ICBA). Para ello, se utilizarán las imágenes y los videos de
ecoDoppler de vasos de cuellos registrados en el repositorio institucional del ICBA y los datos clínicos
y demográficos documentados en la historia clínica digital de la institución.

51
 Se propone como criterios de inclusión: 1) adultos (> 21 años de edad), 2) ambulatorios (no
hospitalizados), 3) asintomáticos (sin eventos de ACV ni AIT en los 6 meses previos) 4) en seguimiento
en el ICBA, 5) con indicación médica de realizarse al menos 1 estudio de ecoDoppler de vasos de cuello,
realizado bajo las condiciones descritas en los puntos anteriores. Se propone como criterios de
exclusión: 1) pacientes cuyos estudios de ecoDoppler no presenten videos la arteria carótida interna,
2) pacientes cuyos estudios de estudios de ecoDoppler tengan una resolución demasiado baja para un
adecuado procesamiento de la señal.
Se propone como variable predictora la amplitud de la dimensión fractal, cuantificada de igual
manera que en este informe, operacionalizada como una variable numérica continua. Se propone
como variable desenlace la presencia de un evento de ACV o AIT durante el seguimiento,
operacionalizadas como variables categóricas. Se propone analizar dicha asociación mediante un
modelo de regresión logística simple y luego múltiple, ajustado por sexo y edad.

52
 5. Conclusiones
El método diseñado permitió la extracción de un valor clínicamente útil para cuantificar el impacto
hemodinámico de lesiones ateroscleróticas subclínicas evaluados con estudios de ecoDoppler color de
vasos de cuello. Particularmente, el método pudo distinguir entre patologías ateroscleróticas
permitiendo la evaluación del impacto hemodinámico de las placas no obstructivas, empleando la
amplitud de la oscilación temporal de la dimensión fractal de la turbulencia del flujo sanguíneo. Esta
medida cuantitativa es robusta ante artefactos y datos de baja resolución dentro de un amplio rango
umbrales de ocupación de la imagen (cantidad de píxeles blancos dentro de un cuadro) y de matices
(valor hue en formato HSV). La medida propuesta permite distinguir con significancia estadística
sujetos control de sujetos con placa aterosclerótica no obstructiva, como se evidenció mediante el test
de Kolmogorov-Smirnov. La significancia estadística obtenida (p<=0,02) evidencia la adecuada
sensibilidad del método para el potencial diagnóstico de estos pacientes. La medida además es estable
ante cambios poblacionales no relevantes, lo que se puede observar por el adecuado funcionamiento
de la medida para las poblaciones estudiadas. Por último, el algoritmo diseñado no requiere un alto
poder de cómputo, por lo cual la medida propuesta es una herramienta con potencial de ser transferida
a un ámbito asistencial.
La aplicación desarrollada emplea el método diseñado de manera eficiente, al tratarse de una
herramienta semiautomática y costo-efectiva. El uso de la aplicación en los servicios ambulatorios
permitiría realizar futuros relevamientos y análisis de la dimensión fractal a partir de estudios de
ecoDoppler. Su empleo en el ámbito clínico permitiría proporcionar un enfoque más preciso para el
manejo del paciente y proporcionar datos para corroborar el juicio clínico de un médico.
Por los resultados obtenidos en este proyecto a partir de este método se puede concluir que las
placas no obstructivas, conocidas en la práctica clínica como “no hemodinámicamente significativas”,
tienen efectivamente un impacto hemodinámico. La amplitud de la oscilación temporal de la
dimensión fractal podría ser utilizada para optimizar la identificación y el tratamiento preventivo de
personas con riesgo cardiovascular aumentado.
Como conclusión de este proyecto, se propone realizar un ensayo clínico para analizar la asociación
entre la amplitud de la oscilación temporal de la dimensión fractal del flujo sanguíneo en la arteria
carótida interna y la presentación de accidente cerebrovascular o accidente transitorio isquémico en
pacientes adultos, asintomáticos y ambulatorios mediante un seguimiento clínico. El resultado del
ensayo clínico podría comprobar que el método desarrollado puede ser empelado para estratificar el
riesgo aterosclerótico de manera sencilla, precisa y rápida. La estratificación del riesgo permitiría al
médico recomendar cambios en el estilo de vida y/o en el tratamiento farmacológico para reducir el
riesgo aterosclerótico. La modificación de estos factores de riesgo asociados podría reducir los eventos
cerebrovasculares y la muerte prematura, tanto en las personas con enfermedad cardiovascular como
en las personas con alto riesgo cardiovascular.

53
 El resultado principal de este proyecto, es decir, la medida cuantitativa que permite evaluar el
impacto hemodinámico de las placas no obstructivas presenta amplias ventajas. El método, empleado
para calcular esta medida, es innovador, costo-efectivo, semiautomático y con facilidad de cómputo.
Asimismo, la medida cuantitativa propuesta es estable, sensible y robusta. El empleo de esta medida
cuantitativa en el ámbito clínico podría mejorar la identificación de personas con riesgo cardiovascular
aumentado. La misma podría proveerle al médico información adicional para optimizar el tratamiento
preventivo del paciente y, de esta forma, aumentar tanto la sobrevida como la calidad de vida de los
pacientes. Por otro lado, entre las limitaciones se encuentran el pequeño tamaño muestral y el bajo
poder computacional del que se disponía. A pesar de las mismas, se puede concluir que las ventajas
superan las limitaciones del proyecto. En futuros estudios clínicos longitudinales se espera evaluar la
capacidad predictiva de esta nueva medida. En caso de corroborar la capacidad predictiva de la medida
desarrollada, la herramienta podría desarrollarse para posibles aplicaciones comerciales. En
conclusión, la amplitud de la oscilación temporal de la dimensión fractal de la turbulencia del flujo
sanguíneo no sólo podría mejorar el tratamiento de pacientes, aumentando su calidad de vida y
sobrevida, sino que también propone un cambio en la interpretación de la enfermedad, ya que, a
diferencia de lo establecido por el consenso médico, las placas no obstructivas generan cambios
hemodinámicos cuantificables.

54
6. Referencias
[1] P. Song et al., “Global and regional prevalence, burden, and risk factors for carotid atherosclerosis: a
systematic review, meta-analysis, and modelling study,” The Lancet Global Health, vol. 8, no. 5, pp. e721–
e729, May 2020, doi: 10.1016/s2214-109x(20)30117-0.

[2] S. S. López et al., “Caracterización de los factores de riesgo de la aterosclerosis: characterization of the
risk factors,” Revista de Ciencias Médicas de Pinar del Río, vol. 20, no. 1, pp. 0–0.

[3] W. H. Organization, “Prevention of cardiovascular disease: guidelines for assessment and management
of total cardiovascular risk,” Ene. 01, 2007. https://apps.who.int/iris/handle/10665/43685.

[4] M. I. Figueroa et al., “Cardiovascular Risk Distribution in Argentina in 2018,” unknown, Ago. 01, 2020.
https://www.researchgate.net/publication/346129149_Cardiovascular_Risk_Distribution_in_Argentina_
in_2018.

[5] S. Yusuf et al., “Effect of potentially modifiable risk factors associated with myocardial infarction in 52
countries (the INTERHEART study): Case-control study,” ACC Current Journal Review, vol. 13, no. 12, pp.
15–16, Dic. 2004, doi: 10.1016/j.accreview.2004.11.072.

[6] J. Stewart et al., “Primary prevention of cardiovascular disease: A review of contemporary guidance
and literature,” JRSM Cardiovascular Disease, vol. 6, p. 204800401668721, Ene. 2017, doi:
10.1177/2048004016687211.

[7] N. D. Wong y W. Fan, “Epidemiology and prevention of cardiovascular disease,” in Oxford Textbook of
Global Public Health, Oxford University Press, 2021, pp. 3–16, doi:
10.1093/med/9780198816805.003.0059.

[8] N. Poulter, “Benefits and pitfalls of cardiovascular risk assessment,” Journal of Human Hypertension,
vol. 14, no. S2, pp. S11–S16, Oct. 2000, doi: 10.1038/sj.jhh.1001071.

[9] J. Frostegård, “Immunity, atherosclerosis and cardiovascular disease,” BMC Medicine, vol. 11, no. 1,
May 2013, doi: 10.1186/1741-7015-11-117.

[10] F. Schaftenaar et al., “Atherosclerosis,” Current Opinion in Lipidology, vol. 27, no. 3, pp. 209–215, Jun.
2016, doi: 10.1097/mol.0000000000000302.

[11] A. J. Lusis, “Atherosclerosis,” Nature, vol. 407, no. 6801, Sep. 2000, doi: 10.1038/35025203.

[12] R. Ross y J. A. Glomset, “Atherosclerosis and the Arterial Smooth Muscle Cell,” Science, vol. 180, no.
4093, pp. 1332–1339, Jun. 1973, doi: 10.1126/science.180.4093.1332.

55
[13] E. Moreyra et al., “PREVALENCIA DE ATEROSCLEROSIS SUBCLÍNICA EN PACIENTES SIN ANTECEDENTES
CARDIOVASCULARES DETECTADA POR CALCIFICACIÓN CORONARIA Y AÓRTICA EN TOMOGRAFÍA
COMPUTARIZADA TORÁCICA SOLICITADA POR CAUSAS NO CARDÍACAS,” REVISTA ARGENTINA DE
MEDICINA, vol. 6, no. 3, pp. 139–147, Nov. 2018.

[14] A. J. Lépori et al., “Concordancia entre la ecografía carotídea y la femoral para el diagnóstico de
aterosclerosis subclínica en pacientes con riesgo cardiovascular bajo o intermedio,” Revista argentina de
cardiología, vol. 84, no. 5, pp. 1–2.

[15] D. Wang et al., “Roles of Cells from the Arterial Vessel Wall in Atherosclerosis,” Mediators of
Inflammation, vol. 2017, pp. 1–9, 2017, doi: 10.1155/2017/8135934.

[16] V. Aboyans et al., “2017 ESC Guidelines on the Diagnosis and Treatment of Peripheral Arterial
Diseases, in collaboration with the European Society for Vascular Surgery (ESVS),” Kardiologia Polska, vol.
75, no. 11, pp. 1065–1160, Nov. 2017, doi: 10.5603/kp.2017.0216.

[17] L. Ren et al., “Impact of Cardiovascular Risk Factors on Carotid Intima-Media Thickness and Degree of
Severity: A Cross-Sectional Study,” PLOS ONE, vol. 10, no. 12, p. e0144182, Dic. 2015, doi:
10.1371/journal.pone.0144182.

[18] “Consenso de Ecografía Doppler Vascular - SAC,” SAC | Sociedad Argentina de Cardiología, Jul. 21,
2020.

[19] U. P. S. T. Force, “Screening for Asymptomatic Carotid Artery Stenosis: US Preventive Services Task
Force Recommendation Statement,” JAMA, vol. 325, no. 5, pp. 476–481, Feb. 2021, doi:
10.1001/jama.2020.26988.

[20] “CAD Media Library,” Thrombosis Adviser. https://www.thrombosisadviser.com/es/node/781 (Oct.

08, 2022).

[21] A. Beljaars, “PARAMETERIZATION OF PHYSICAL PROCESSES | Turbulence and Mixing,” in Encyclopedia

of Atmospheric Sciences, Elsevier, 2003, pp. 1705–1717, doi: 10.1016/b0-12-227090-8/00310-9.

[22] C. M. Prado et al., “Turbulent blood flow plays an essential localizing role in the development of
atherosclerotic lesions in experimentally induced hypercholesterolaemia in rats,” International Journal of
Experimental Pathology, vol. 89, no. 1, pp. 72–80, Ene. 2008, doi: 10.1111/j.1365-2613.2007.00564.x.

[23] S. Kefayati et al., “Turbulence intensity measurements using particle image velocimetry in diseased
carotid artery models: Effect of stenosis severity, plaque eccentricity, and ulceration,” Journal of
Biomechanics, vol. 47, no. 1, pp. 253–263, Ene. 2014, doi: 10.1016/j.jbiomech.2013.09.007.

56
[24] H. Aars y L. A. Solberg, “Effect of turbulence on the development of aortic atherosclerosis,”
Atherosclerosis, vol. 13, no. 2, pp. 283–287, Mar. 1971, doi: 10.1016/0021-9150(71)90030-x.

[25] P. F. Davies et al., “Turbulent fluid shear stress induces vascular endothelial cell turnover in vitro.,”
Proceedings of the National Academy of Sciences, vol. 83, no. 7, pp. 2114–2117, Abr. 1986, doi:
10.1073/pnas.83.7.2114.

[26] A. M. A. Khalifa y D. P. Giddens, “Characterization and evolution of poststenotic flow disturbances,”

Journal of Biomechanics, vol. 14, no. 5, pp. 279–296, Ene. 1981, doi: 10.1016/0021-9290(81)90038-5.

[27] D. Yılmaz y N. F. Güler, “Analysis of the Doppler signals using largest Lyapunov exponent and
correlation dimension in healthy and stenosed internal carotid artery patients,” Digital Signal Processing,
vol. 20, no. 2, pp. 401–409, Mar. 2010, doi: 10.1016/j.dsp.2009.06.016.

[28] A. Oglat et al., “A review of medical doppler ultrasonography of blood flow in general and especially
in common carotid artery,” Journal of Medical Ultrasound, vol. 26, no. 1, p. 3, 2018, doi:
10.4103/jmu.jmu_11_17.

[29] P. R. Hoskins et al., Diagnostic ultrasound: Physics and equipment. Cambridge University Press, 2010.

[30] N. S. Anavekar y J. K. Oh, “Doppler echocardiography: A contemporary review,” Journal of Cardiology,

vol. 54, no. 3, pp. 347–358, Dic. 2009, doi: 10.1016/j.jjcc.2009.10.001.

[31] D. Mereles, “echobasics,” echobasics. https://echobasics.de/klappen-cas.html (Sep. 20, 2022).

[32] P.J. Touboul et al., “Mannheim Carotid Intima-Media Thickness and Plaque Consensus (2004–2006–
2011),” Cerebrovascular Diseases, vol. 34, no. 4, pp. 290–296, 2012, doi: 10.1159/000343145.

[33] M. Sprynger et al., “Focus on echovascular imaging assessment of arterial disease: complement to
the ESC guidelines (PARTIM 1) in collaboration with the Working Group on Aorta and Peripheral Vascular
Diseases,” European Heart Journal - Cardiovascular Imaging, vol. 19, no. 11, pp. 1195–1221, Sep. 2018,
doi: 10.1093/ehjci/jey103.

[34] “2019 ESC/EAS Guidelines for the management of dyslipidaemias: lipid modification to reduce
cardiovascular risk,” Revista Española de Cardiología (English Edition), vol. 73, no. 5, p. 403, May 2020,
doi: 10.1016/j.rec.2020.04.006.

[35] Y. Kokubo et al., “Impact of Intima–Media Thickness Progression in the Common Carotid Arteries on
the Risk of Incident Cardiovascular Disease in the Suita Study,” Journal of the American Heart Association,
vol. 7, no. 11, Jun. 2018, doi: 10.1161/jaha.117.007720.

[36] F. L. J. Visseren et al., “2021 ESC Guidelines on cardiovascular disease prevention in clinical practice -

57
PubMed,” European heart journal, vol. 42, no. 34, Sep. 2021, doi: 10.1093/eurheartj/ehab484.

[37] U. Themes, “Evaluating Carotid Plaque and Carotid Intima-Media Thickness,” Radiology Key, Dic. 30,
2019. https://radiologykey.com/evaluating-carotid-plaque-and-carotid-intima-media-thickness/.

[38] A. M. Johri et al., “Recommendations for the Assessment of Carotid Arterial Plaque by Ultrasound for
the Characterization of Atherosclerosis and Evaluation of Cardiovascular Risk: From the American Society
of Echocardiography,” Journal of the American Society of Echocardiography, vol. 33, no. 8, pp. 917–933,
Ago. 2020, doi: 10.1016/j.echo.2020.04.021.

[39] Philips Healthcare, “Philips ClearVue 650 ultrasound system specifications,” 4522 962 91991 product
specification, Ene. 2013.

[40] “What is Laminar Flow? Computational Fluid Dynamics,” SimScale, Dic. 12, 2018.
https://www.simscale.com/docs/simwiki/cfd-computational-fluid-dynamics/what-is-laminar-flow/.

[41] P. Dourmashkin, Classical Mechanics 8.01 MIT/edX Edition. Wiley, 2013, pp. 269–272.

[42] G. K. Batchelor, The Theory of Homogeneous Turbulence. Cambridge University Press, 1953.

[43] O. Reynolds, “An Experimental Investigation of the Circumstances Which Determine Whether the
Motion of Water Shall Be Direct or Sinuous, and of the Law of Resistance in Parallel Channels,”
Philosophical Transactions of the Royal Society of London, vol. 174, pp. 935–982, 1883, doi:
10.2307/109431.

[44] J.-P. Mollicone et al., “Effect of geometry and Reynolds number on the turbulent separated flow
behind a bulge in a channel,” Journal of Fluid Mechanics, vol. 823, pp. 100–133, Jun. 2017, doi:
10.1017/jfm.2017.255.

[45] “2. Blood Circulation • Functions of Cells and Human Body.” http://fblt.cz/en/skripta/x-srdce-a-obeh-
krve/2-krevni-obeh/ (Sep. 21, 2022).

[46] A. Surur et al., “Utilidad de la ecografía Doppler color en el seguimiento de la angioplastia carotídea,”
Revista argentina de radiología, vol. 83, no. 1, Jul. 2018, doi: 10.1055/s-0038-1660524.

[47] H. Iro et al., Atlas of Head and Neck Ultrasound. Thieme, 2013.

[48] I. A. Simpson et al., “Color Doppler flow mapping in patients with coarctation of the aorta: new
observations and improved evaluation with color flow diameter and proximal acceleration as predictors
of severity.,” Circulation, vol. 77, no. 4, pp. 736–744, Abr. 1988, doi: 10.1161/01.cir.77.4.736.

[49] N. S. Anavekar y J. K. Oh, “Doppler echocardiography: a contemporary review - PubMed,” Journal of

58
cardiology, vol. 54, no. 3, Dic. 2009, doi: 10.1016/j.jjcc.2009.10.001.

[50] A. Vegas, Perioperative Two-Dimensional Transesophageal Echocardiography: A Practical Handbook.

Springer, 2018, pp. 41–61.

[51] D. Chakerian y B. B. Mandelbrot, “The Fractal Geometry of Nature,” The College Mathematics Journal,
vol. 15, no. 2, p. 175, Mar. 1984, doi: 10.2307/2686529.

[52] K. R. Sreenivasan y C. Meneveau, “The fractal facets of turbulence,” Journal of Fluid Mechanics, vol.
173, pp. 357–386, Dic. 1986, doi: 10.1017/s0022112086001209.

[53] K. Falconer, Fractal Geometry: Mathematical Foundations and Applications. John Wiley & Sons, 2013.

[54] K. J. Falconer, The Geometry of Fractal Sets. Cambridge University Press, 1986.

[55] K. Iyer, “Fractal iso-level sets in high-Reynolds-number scalar turbulence,” Physical Review Fluids, vol.
5, no. 044501, Abr. 2020.

[56] S. R. Nayak y J. Mishrab, “An improved method to estimate the fractal dimension of colour images,”
Perspectives in Science, vol. 8, pp. 412–416, Abr. 2016, doi: 10.1016/j.pisc.2016.04.092.

[57] K. Harrar y L. Hamami, “The Box Counting Method for Evaluate the Fractal Dimension in Radiographic
Images,” Dic. 2007.

[58] F. A. V. Saraullo et al., “Diseño, implementación y ensayo de un lector de colores de bajo costo para
personas ciegas y disminuidas...,” Sep. 25, 2019.

[59] M. Bouda et al., “Box-Counting Dimension Revisited: Presenting an Efficient Method of Minimizing
Quantization Error and an Assessment of the Self-Similarity of Structural Root Systems,” Frontiers in Plant
Science, vol. 7, Feb. 2016, doi: 10.3389/fpls.2016.00149.

59
 7. Anexo I: análisis de medidas no estadísticamente
significativas
A continuación, se presentan los análisis estadísticos de las medidas de la señal que resultaron
en valores de p no significativas.

60
61
62
63
 Las regresiones lineales de los estudios analizados y los vídeos resultantes de la umbralización de
los matices verdes se encuentran en https://t.ly/ugxg.

64
 8. Anexo II: beca PEFI 2020 y presentación de resultados
al Congreso Anual de la Sociedad Argentina de Cardiología
(SAC) 2021

a. Beca de formación profesional PEFI

Este proyecto de investigación se inició a través de una beca PEFI otorgada por la Escuela de
Ciencia y Tecnología (ECyT) de la Universidad Nacional de San Martin. En febrero 2020 comencé el
proyecto de investigación bajo la dirección de la Dra. Daniela Andrés y la Dra. Teresa Politi. Este
proyecto tenía como objetivo la digitalización y el procesamiento de estudios de ecoDoppler para la
generación de un algoritmo de diagnóstico en distintas patologías. A continuación, se adjunta el
informe en formato de diapositivas que se presentó al concluir dicha beca en el seminario de
becarios PEFI 202, organizado por la ECyT.

65
66
67
68
69
70
71
 b. Presentación de resultados del proyecto en la sección de
Imágenes Cardiovasculares del Congreso Anual de la Sociedad Argentina
de Cardiología (SAC) 2021
En junio del 2021 se presentaron los resultados preliminares de este proyecto en el congreso
argentino de imágenes cardiovasculares organizado por la Sociedad Argentina de Cardiología. En la
presentación se expuso el método desarrollado y los resultados obtenidos al medir la dimensión
fractal de la turbulencia sanguínea en vasos de cuello a partir del ecoDoppler. A continuación, se
adjuntan el resumen y el abstract gráfico presentados en el congreso. Por último, se adjunta el
certificado de presentación al congreso de imágenes cardiovasculares emitido por la SAC.

Autores: Andrea Cerminati, María Teresa Politi, Ricardo Ronderos, Daniela Sabrina Andrés.
Título: Medición de la dimensión fractal de la turbulencia sanguínea en vasos de cuello a partir
del ecoDoppler
Introducción y Objetivos: La dimensión fractal de la turbulencia sanguínea se ha asociado con
diversos mecanismos de lesión endotelial. Existe evidencia que señala que factores de riesgo
cardiovasculares alteran de diferente forma medidas relacionadas con la complejidad geométrica
del flujo sanguíneo, valorada a partir de observables como la presión arterial, la frecuencia cardíaca
o la velocidad del flujo. Una pregunta que surge en este marco es si hay una correlación entre la
complejidad de la turbulencia sanguínea y el desarrollo de enfermedad vascular aterosclerótica. El
objetivo de este trabajo es desarrollar un método para evaluar la dimensión fractal de la turbulencia
asociada a enfermedad aterosclerótica a través del ecoDoppler.
Materiales y métodos: Se realizó un estudio de corte transversal mediante la recolección
prospectiva de datos de pacientes que recibían atención ambulatoria en BAIMED Imágenes y
Especialidades Médicas, Provincia de Buenos Aires. Se enrolaron 40 pacientes: 4 con un estudio
normal de ecoDoppler de vasos de cuello, 7 con aumento de espesor miointimal, 27 con placa
aterosclerótica no obstructiva y 2 con placa obstructiva. Los estudios de ecoDoppler vascular se
realizaron utilizando el equipo de ultrasonido Philips ClearVue 650 y el transductor lineal L12-4 Philips
Active Array 12-4 MHz, bajo el preset arterial carotídeo. Se establecieron como condiciones de seteo
manual una duración de registro de 16 segundos. Todos los pacientes dieron su consentimiento
informado por escrito para participar de este estudio. Implementamos el método de box-counting
para medir la dimensión fractal de la turbulencia del campo de velocidades a través un algoritmo ad-
hoc elaborado en Matlab.
Resultados: Imágenes con posible turbulencia fueron reconstruidas a partir de la detección de
zonas de aliasing en alrededor de 400 frames por estudio. La geometría de estas regiones turbulentas
resultó ser monofractal, comportamiento caracterizado por una relación lineal entre escala y número

72
de cajas ocupadas, obtenidas a partir del método de box-counting. La dimensión fractal presentó
valores entre 0 y 1.4, oscilando de manera suave con el ciclo cardíaco.
Conclusiones: Es posible medir la dimensión fractal de la turbulencia sanguínea en estudios
clínicos de vasos de cuello utilizando ecoDoppler en diferentes escenarios clínicos. Es necesario
comparar estadísticamente esta herramienta entre pacientes con patología vascular establecida y
pacientes sanos para determinar su capacidad discriminativa en el diagnóstico de enfermedad
aterosclerótica y en la evaluación del riesgo cardiovascular.

Referencias:
[1] Politi, M. T., Wray, S. A., Fernández, J. M., Gaudric, J., Ghigo, A., Lagrée, P. Y., ... & Armentano, R. (2016).
Impact of arterial cross-clamping during vascular surgery on arterial stiffness measured by the
augmentation index and fractal dimension of arterial pressure. Health and technology, 6(3), 229-237.
[2] Chen, W., Deng, Y., Jiang, H., Wang, J., Zhong, J., Li, S., ... & Yuan, J. (2018). Microvascular abnormalities
in dry eye patients. Microvascular research,118, 155-161.
[31] Cymberknop LJ, Legnani W, Pessana FM, Crottogini A, Armentano RL. Coronary arterial stiffness is
related with a loss of fractal complexity in the aortic pressure. 2012 Annual International Conference of
the IEEE Engineering in Medicine and Biology Society 2012; 4200–03.
[32] Sharma V. Deterministic chaos and fractal complexity in the dynamics of cardiovascular behavior:
perspectives on a new frontier. Open Cardiovasc Med J. 2009;3:110–23.

73
74