© Komputer Sapiens, Año XII Volumen III, septiembre-diciembre 2020, es una publicación

cuatrimestral de la Sociedad Mexicana de Inteligencia Artificial, A.C., con domicilio en

Ezequiel Montes 56 s/n, Fracc. los Pilares, Metepec, Edo. de México, C.P. 52159, Méxi-
co, http://www.komputersapiens.org, correo electrónico: editorial@komputersapiens.org, tel. +52
(833)357.48.20 ext. 3024, fax +52 (833) 215.85.44. Impresa por Sistemas y Diseños de México S.A.
de C.V., calle Aragón No. 190, colonia Álamos, delegación Benito Juárez, México D.F., C.P. 03400, México, se ter-
minó de editar el 31 de diciembre de 2020.
Reserva de derechos al uso exclusivo número 04-2009-111110040200-102 otorgado por el Instituto Nacional de
Derechos de Autor. ISSN 2007-0691.
Los artı́culos y columnas firmados son responsabilidad exclusiva de los autores y no reflejan necesariamente los
puntos de vista de la Sociedad Mexicana de Inteligencia Artificial. La mención de empresas o productos especı́ficos
en las páginas de Komputer Sapiens no implica su respaldo por la Sociedad Mexicana de Inteligencia Artificial.
Queda estrictamente prohibida la reproducción total o parcial por cualquier medio, de la información aquı́ contenida
sin autorización por escrito de los editores.
Komputer Sapiens es una revista de divulgación en idioma español de temas relacionados con la inteligencia artificial.
Creada en LATEX, con la clase papertex disponible en el repositorio CTAN : Comprehensive TeX Archive Network,
http://www.ctan.org/
Indizada en el IRMDCT de CONACYT y en Latindex.
Directorio SMIA Directores Fundadores
Presidente Félix A. Castro Espinoza Carlos Alberto Reyes Garcı́a
Vicepresidente Ildar Batyrshin Ángel Kuri Morales
Secretario Oscar Herrera Alcántara
Tesorero Marı́a de Lourdes G. Martı́nez Villaseñor Comité Editorial
Vocales: Sofı́a Natalia Galicia Haro Félix A. Castro Espinoza
Sabino Miranda Jiménez Jesús Favela Vara
Roberto A. Vázquez Espinoza de los Monteros Sofı́a Natalia Galicia Haro
Hiram Erendin Ponce Espinosa Miguel González Mendozao
Francisco Viveros-Jiménez Oscar Herrera Alcántara
Noé Alejandro Castro Sánchez Raúl Monroy Borja
Obdulia Pichardo Lagunas Eduardo F. Morales Manzanares
Omar Montaño Rivas Leonardo Garrido Luna
Antonio Marı́n Hernández Carlos Alberto Reyes Garcı́a
Néstor Velasco Bermeo Angélica Muñoz Meléndez
Iris Iddaly Méndez Gurrola Antonio Sánchez Aguilar
Gustavo Arroyo Figueroa Luis Enrique Sucar Succar
Leobardo Morales Tiburcio Ángel Kuri Morales
Iván Olvera Rodrı́guez José A. Martı́nez Flores
Juan Martı́nez Miranda Juan Manuel Ahuactzin Larios
Manuel Montes y Gómez
Komputer Sapiens Ofelia Cervantes Villagómez
Director general Félix A. Castro Espinoza Alexander Gelbukh
Editora en jefe Karina Mariela Figueroa Mora Grigori Sidorov
Editor cientı́fico Héctor Gabriel Acosta Mesa Laura Cruz Reyes
Editores asociados Marco Antonio Aguirre Lam Héctor Gabriel Acosta Mesa
Laura Cruz Reyes Ramon Brena Pinero
Editores invitados Eduardo Morales Juan Humberto Sossa Azuela
Jesús Favela Karina Mariela Figueroa Mora
Coordinadora de producción Viridiana Mena Gómez
Estado del IArte Reyna Carolina Medina Ramı́rez Árbitros
Jorge Rafael Gutiérrez Pulido Eduardo Morales
Sakbe Claudia G. Gómez Santillán Giner Alor Hernández
Laura Cruz Reyes Jesús Favela
Laura Gómez Cruz Karina Mariela Figueroa Mora
IA & Educación Marı́a Yasmı́n Hernández Pérez Efrén Mezura Montes
Marı́a Lucı́a Barrón Estrada Mario Graff
J. Julieta Noguez Monroy Hugo Jair Escalante
Leonardo Garrido Luna
Asistencia técnica Alan G. Aguirre Lam
Corrección de estilo Gilberto Rivera Zárate
Marcela Quiroz Castellanos
Ruth Esmeralda Barreda Guajardo
Denisse Alvarado
Guillermo de Jesús Hoyos Rivera
Susana Aurora Velasco Montiel
Nicandro Cruz Ramı́rez
Enrique Gómez Cruz
Claudia Leticia Dı́az González
Leonardo Romero Muñoz
Héctor Fraire
Nelson Rangel Valdez
Edición de imagen Laura Gómez Cruz
Portada Laura Gómez Cruz
Komputer Sapiens Septiembre - Diciembre 2020 k Año XII, Vol.III

Contenido
ARTÍCULO ACEPTADO
Alcances, límites y promesas en la imple-
mentación de sistemas de Inteligencia Ar-
tificial inspirados en teorías neuronales de
la visión para el diagnóstico asistido basa-
do en imágenes clínicas
Diego Vázquez Díaz
pág. 5 ⇒ La situación de emergencia actual hizo transparente la ne-
cesidad por contar con sistemas alternativos, eficientes y seguros para
la detección y diagnóstico de patologías. Los sistemas de aprendizaje
profundo y de visión computacional prometen ser instrumentos útiles.

ARTÍCULO ACEPTADO
¿Y si los mexicanos le hacemos un hack a la pandemia?
Ansel Y. Rodríguez-González, Humberto Pérez-Espinosa, Alejan- Columnas
dro Campos Martínez, Christopher Alan Estrada González y Karen
Reyes Gastélum
pág. 9 ⇒ Evolución de la iniciativa “México Hackea la Pandemia” que bus- Sapiens Piensa.
ca a través de equipos interdisciplinarios desarrollar e implementar, de forma Editorial pág. 2
acelerada, estrategias y soluciones tecnológicas para mitigar el efecto de la pan-
demia.
ARTÍCULO ACEPTADO Estado del IArte pág. 3
Desarrollo de un evaluador de síntomas de COVID-19 para
prevenir el contagio
Marco Nava, Yashar Linares, Goretti Torres, Vianney Rangel, Getze-
many Moreno, Miriam Lizbeth, Jonathan Ramírez, Erik Lara, Ka- Sakbe pág. 4
rina Figueroa y Cuauhtémoc Rivera
pág. 15 ⇒ Agente inteligente de muy bajo costo que cuenta con inteligen-
cia artificial para evaluar el posible grado de enfermedad de una persona con
síntomas COVID-19 y prevenir el contagio entre los clientes de un negocio. IA & Educación pág. 26
ARTÍCULO ACEPTADO
La Alianza de Inteligencia Artificial de CONACYT, im-
pulsa redes de investigación para enfrentar el COVID-19.
Miguel Á. Álvarez-Carmona, Dagoberto Cruz Sandoval, Jesús Fa-
vela, Javier Antonio González Trejo, A. Pastor López Monroy, Juan
Martínez-Miranda, Diego Alberto Mercado Ravell, Eduardo F. Mo-
rales, Cesaré Ovando-Vázquez, Humberto Pérez-Espinosa, Mariano
Rivera, Ivete Sanchez-Bravo, Luis Enrique Sucar y Sofía Trejo
pág. 19 ⇒ La AIA lanzó una invitación dentro de sus instituciones para
realizar proyectos de IA que pudieran apoyar a la sociedad mexicana durante
la pandemia de COVID-19. Esta iniciativa sigue la tendencia internacional de
aprovechar las amplias capacidades de la IA para entender el fenómeno de la
pandemia y, de esta forma, mitigar los efectos negativos derivados de esta crisis
sanitaria.
Año XII, Vol. III. Septiembre - Diciembre 2020 Editorial Komputer Sapiens 2 / 27

Sapiens Piensa
Jesús Favela y Eduardo Morales
Ha sido un año como ningún otro. Nunca han sido más
ciertas estas palabras como hoy. Si bien era predecible
que tarde o temprano se experimentara un brote epide-
miológico de esta magnitud, era difícil imaginar su im-
pacto en prácticamente todas las actividades de la vida.
Los avances científicos y tecnológicos que se han expe-
rimentado en las últimas décadas, notablemente en el
área del transporte, facilitaron la rápida propagación del
COVID-19, y de múltiples esfuerzos para enfrentar la
pandemia. Sin duda, la Inteligencia Artificial ha sido uno
de los campos científicos con mayor crecimiento en los úl-
timos años y ha permeado a todo el quehacer humano y
notablemente a la investigación en otras áreas del cono-
cimiento. Por ello, no es sorprendente que conforme se
hacía evidente el riesgo asociado el COVID-19 investiga-
dores en IA en todo el mundo pusieran su conocimiento
al servicio del combate del virus y sus consecuencias. Las
soluciones que han sido propuestas abarcan una gran ga-
ma de aplicaciones, desde robots de servicio para asistir
en áreas de acceso restringido, la traza digital de contac-
tos y el diseño de vacunas y medicamentos.
Este número especial recoge algunos de los esfuerzos
realizados en México sobre el uso creativo de Inteligen-
cia Artificial para enfrentar la Pandemia por COVID-19.
Dos de las contribuciones de hecho reportan varios tra-
bajos en el área. En el artículo “¿Y si los mexicanos
le hacemos un hack a la pandemia?” , los autores re-
portan la metodología seguida y los resultados obtenidos
de un hackaton organizado para enfrentar el COVID-
19 y sus impactos nocivos, con énfasis en los proyectos
de jóvenes que fueron premiados durante el evento. El
trabajo “Desarrollo de un robot evaluador de sín-
tomas de COVID-19 para prevenir el contagio” ,
presenta en mayor detalle el trabajo que obtuvo el pri-
mer lugar en dicha competencia, con una solución que
integra el uso de sensores y técnicas de aprendizaje de
máquina. Así mismo, el artículo titulado “La Alianza
de Inteligencia Artificial de CONACYT, impulsa
redes de investigación para enfrentar el COVID-
19” describe brevemente cinco proyectos financiados por
la Alianza de Inteligencia Artificial del CONACYT en
respuesta a una convocatoria publicada por dicha orga-
nización. Los trabajos incluidos reflejan una diversidad
de problemáticas, así como de propuestas de solución.
Finalmente, en el artículo titulado “Alcances, límites
y promesas en la implementación de sistemas de
Inteligencia Artificial inspirados en teorías neu-
ronales de la visión para el diagnóstico asistido
basado en imágenes clínicas” , su autor hace una re-
flexión oportuna sobre los alcances y riesgos del uso de
técnicas de aprendizaje profundo, particularmente en el
área del diagnóstico clínico, una de las primeras áreas de
aplicación de IA para COVID-19. Esta discusión resalta
la importancia de no dejar el uso de la IA exclusivamen-
te en manos de tecnólogos, dado que el impacto de esta
tecnología puede tener efectos nocivos, con frecuencia no
previstos por sus autores.
Sin duda la Inteligencia Artificial está haciendo una
importante contribución para enfrentar la pandemia por
COVID-19. Si bien aquí se recogen sólo algunos de los
esfuerzos realizados en México, son una oportunidad pa-
ra reflexionar sobre el impacto que dicha tecnología está
teniendo en todo el quehacer humano y para proponer
avances tanto teóricos como aplicativos que ayuden a en-
frentar retos parecidos de una mejor forma. ✵

Dr. Jesús Favela es Investigador del Departamento de Ciencias de la Computación del CICESE en donde dirige el Laboratorio
de Cómputo Móvil y Ubicuo. Realizó estudios de licenciatura en la UNAM, y obtuvo los grados de Maestro en Ciencias y Doctor
por el Massachusetts Institute of Technology (MIT) en donde trabajó como asistente de investigador en el Intelligent Engineering
Systems Laboratory. Sus áreas de interés incluyen: Cómputo Ubicuo, Interacción Humano-Computadora e Informática Médica.
El Dr. Favela fue presidente de la Sociedad Mexicana de Ciencias de la Computación en el periodo 2003-2005, es miembro del
SNI, nivel 3.

Dr. Eduardo F. Morales es egresado de Ingeniería Física de la UAM-Azcapotzalco, cuenta con una maestría en Inteligencia
Artificial de la Universidad de Edimburgo y un doctorado en Computación del Turing Institute - Universidad de Strathclyde, en
Escocia. Es miembro del Sistema Nacional de Investigadores nivel 3, miembro de la Academia Mexicana de Ciencias y Egresado
Distinguido de la Universidad Autónoma Metropolitana. Es investigador Titular C del Instituto Nacional de Astrofísica, Óptica
y Electrónica (INAOE) en Puebla y actualmente realiza una estancia sabática en el Centro de Investigación en Matemáticas
(CIMAT) en donde realiza investigación en aprendizaje computacional y robótica.

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020 Columna
Estado del IArte
Jorge Rafael Gutiérrez Pulido (@jrgpulido) y Reyna Carolina Medina Ramírez
estadoiarte@komputersapiens.org
Técnicas y herramientas de la Inteligen-
cia Artificial para enfrentar pandemias
A principios de año escribimos acerca de algunas noveda-
des en el ámbito de la inteligencia artificial relacionadas
con el SARS-CoV-2, mejor conocido como COVID-19.
Ahora hacemos una segunda revisión acerca del tema.
La gran mayoría de las aplicaciones se centran en méto-
dos para detectar, predecir, rastrear, y desarrollar drogas
para tratar la enfermedad. El problema que estamos tra-
tando de resolver es realmente complicado, incluye va-
riables diversas no sólo del ámbito genético sino también
social. Por ejemplo, hay estudios que dicen que la gente
de Asia del Sur y Europa son más susceptibles a contraer
coronavirus, que las nuevas mutaciones del virus podrían
ser más contagiosas, la corta duración de la inmunidad
de quienes la han contraído, incluso más extraño, la tar-
día manifestación de los síntomas de la enfermedad. De
la misma manera, muchas empresas de tecnología se han
vuelto más conservadoras y luchan para proteger sus da-
tos de los cada vez más crecientes ciberataques. Se puede
consultar1en2 inglés. Sin mencionar las ideas falsas como
aquella de que se va a crear inmunidad en el mundo, con
el concepto de inmunidad de grupo como se le conoce co-
munmente. Las verdaderas implicaciones de la pandemia
aún no las conocemos.
En la Universidad Central de Florida han desarrolla-
do una IA capaz de diagnosticar, como un médico real,
COVID-19 en los pulmones, haciendo uso de +1280 to-
mografías por computadora de pacientes de China, Ita-
lia, y Japón. Aunque aclaran que la enfermedad presenta
similitudes con la influenza, lo cual puede presentar algu-
nas dificultades en el diagnóstico. Este mismo algoritmo,
basado en aprendizaje profundo, ha sido utilizado ante-
riormente para detectar cáncer de páncreas de manera
exitosa.
En Israel, el Ministerio de Defensa, recolectó mues-
tras de sangre de pacientes que se habían recuperado de
la enfermedad. De la misma manera colectaron muestras
de voz. Anteriormente habían utilizado muestras de voz
para detectar enfermedades pulmonares obstructivas cró-
nicas. La idea es que aplicando aprendizaje máquina, ma-
chine learning en inglés (ML), se puedan crear biomarca-
dores de voz que permitan hacer clasificación y pronósti-
1 https://www.sciencenews.org
2 https://www.datanami.com
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 3 / 27
co de COVID-19. Eventualmente tus asistentes persona-
les de voz, Alexa o Siri por ejemplo, puedan en la comodi-
dad de tu hogar lanzarte una advertencia COVID-19. Se
puede consultar (en inglés https://vocalishealth.com).
Google Health es la división de IA médica. Han usa-
do ML para detectar cáncer de ojo, seno, entro otros,
con una precisión muy parecida a la de los mejores mé-
dicos humanos. En el caso del coronavirus, el procedi-
miento de diagnóstico es similar. Para saber más (en in-
glés https://www.nature.com/articles/s41586-019-1799-
6). Estos algoritmos de diagnóstico médico haciendo uso
de IA tienen ya más de una década. Sin embargo no han
logrado convencer a los médicos más ortodoxos. Pues en-
tre otros problemas, el de la privacidad no se ha resuelto.
Hace apenas unas semanas el gobierno de USA levantó
una demanda contra Google, entre otras cosas por algu-
nos aspectos de privacidad.
Desde marzo pasado en muchos países europeos se
implementó el geoperimetraje a través de pulseras y apli-
caciones de teléfono móvil. De la misma manera se están
dando paso a nuevas aplicaciones, que hacen uso de da-
tos personales, para llevar registro de pruebas covid-19,
incluso aplicaciones tipo pasaporte que incluyen dicha
información con el fin de facilitar la movilidad entre paí-
ses. Las teleconsultas se han convertido en una necesidad
real. Apps como la desarrollada en Francia por Altran,
Are you well? es su nombre, una de las apps ganado-
ras del 2020 Call for Code Global Challenge, hace uso
de servicios de IA de IBM Watson, permiten obtener un
diagnóstico COVID-19 preliminar y desahogar gran can-
tidad de pacientes de una manera fluida y no presencial.
Luego, si es necesario se nos canaliza con un doctor es-
pecialista para tener una consulta cara a cara. Los sitios
y apps que brindan información acerca de la enfermedad
se han convertido en un recurso indispensable.
Las diversas herramientas de software, incluyendo
técnicas de inteligencia artificial (IA) y aprendizaje má-
quina (machine learning, ML) no son la panacea en tiem-
pos de pandemia. En todo caso, si lo fueran, nos gustaría
que los resultados fueran más expeditos. En algunos paí-
ses en desarrollo tenemos otros problemas. En México,
por ejemplo, se dan algunos desarrollos importantes que
por momentos, más que apoyar, el gobierno parece des-
alentar.✵
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Columna
Sakbe
Laura Cruz Reyes, Claudia Guadalupe Gómez Santillán y Laura Gómez Cruz
sakbe@komputersapiens.org
Empresas mexicanas de IA (4ª parte)
En esta serie especial de Komputer Sapiens sobre empre-
sas mexicanas contribuyendo al desarrollo e investigación
en Inteligencia Artificial (IA), hemos hablado de algunas
trabajando con computo afectivo, bots y robótica. En
este episodio final nos enfocaremos en BAYONET e IN-
SAITE y en cómo han generado confianza en las finanzas
en línea.
BAYONET, empresa creada por Imran Arshad y Jo-
sé Andrés Chávez en el 2016, desarrolló una herramienta
para la prevención de fraudes en el comercio online a
través de una plataforma intuitiva y transparente. Esta
herramienta está basada en un algoritmo de aprendiza-
je automático (machine learning) que usa arquitectura
de tecnología Big Data (datos masivos) para comparar
un sinnúmero de patrones en tiempo real. A diferencia
de otras herramientas menos avanzadas, BAYONET no
solo valida la información de una transacción en espe-
cífico, también hace referencias cruzadas contra previos
movimientos financieros asociados para definir el nivel de
confiabilidad de la operación. Los desarrolladores afir-
man que este tipo de innovaciones necesitan estar a la
vanguardia constante, ya que los fraudes van haciéndose
IA para el comercio online seguro .
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 4 / 27
más complejos y un solo negocio no podría detectar un
patrón sistemático de malversaciones en el mercado como
lo podría hacer un proveedor externo con la capacidad
de explorar una base de datos más robusta.
Otra empresa en el mercado de las finanzas seguras es
INSAITE, de la cual José Gustavo Fuentes es cofundador
y CEO. Esta empresa facilita la toma de decisiones en
el e-commerce al realizar simulaciones de escenarios de
negocio con predicciones de alta precisión basadas en el
reconocimiento de patrones. Las aplicaciones que derivan
de esta innovación incluyen: la prevención del lavado de
dinero, la gestión de flujo económico para optimizar la
liquidez, la reducción de riesgos crediticios, el cálculo del
rendimiento potencial de un préstamo, el monitoreo co-
mercial y la identificación de áreas de oportunidad para
mejorar la experiencia del usuario. Adicionalmente, IN-
SAITE trabaja con IA enfocada al mercadeo, a la venta
minorista, a la logística y a la manufactura. Para cono-
cer más sobre estas empresas recomendamos visitar sus
sitios web:
BAYONET: https://bayonet.io.
INSAITE: https://www.insaite.io.
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
ARTÍCULO ACEPTADO
Alcances, límites y promesas en la implementación
de sistemas de Inteligencia Artificial inspirados en
teorías neuronales de la visión para el diagnóstico
asistido basado en imágenes clínicas
Diego Vázquez Díaz
Introducción
La pandemia de COVID-19 provocada por el contagio
masivo del virus SARS-CoV-2 ha dejado en evidencia
una importante cantidad de problemas que atraviesan a
nuestros circuitos sociales contemporáneos. La desigual-
dad social y económica, la ausencia de protocolos de se-
guridad sanitaria y la falta de capacidad para la adapta-
ción por parte de nuestros contextos culturales son algu-
nos expedientes que han llamado la atención de políticos,
economistas y del público en general. Sin embargo, una
de las trincheras mayormente afectadas por la pandemia
de COVID-19 ha sido, evidentemente, la de la práctica e
investigación biomédica.
De entre sus muchas afectaciones, una de las proble-
máticas más importantes a las que se han enfrentado los
profesionales de la salud ha sido, sin duda, la falta de in-
sumos, materiales y suministros para el diagnóstico clíni-
co. Para contrarrestar esta crisis diversas aplicaciones de
la Inteligencia Artificial han sido propuestas [1]; de entre
ellas, la utilización de redes neuronales artificiales para
la detección de signos visuales de la patología en imáge-
nes clínicas —especialmente en Tomografías Computari-
zadas (ver Figura 1) — ha sido impulsada como medio
para agilizar el diagnóstico médico, para democratizar
los servicios de salud y, en última instancia, para salvar
vidas.
Figura 1. (a) y (b) Tomografías Computarizadas toráci-
cas que evidencia signos típicos de neumonía por presencia
de SARS-CoV-2 en pulmones de un varón de 38 años. Re-
curso con licencia abierta obtenido de: Jin, Y., Cai, L., et.
al. (2020). A rapid advice guideline for the diagnosis and
treatment of 2019 novel coronavirus (2019-nCoV) infected
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 5 / 27
pneumonia (standard version). Military Medical Research, 7.
https://doi.org/10.1186/s40779-020-0233-6.
Dados sus grandes logros y contribuciones durante la
crisis mundial, estos sistemas han dejado constancia de
sus capacidades para enfrentar futuros episodios de con-
tingencia sanitaria; a su vez, han evidenciado las muchas
posibilidades que se abren para su utilización masiva en
el diagnóstico clínico y en las prácticas médicas. Es por
ello que hoy (más que nunca) resulta necesario reflexio-
nar sobre los límites, alcances y promesas que implica la
implementación de tecnologías de inteligencia artificial
en el área médica y de la salud.
Redes Neuronales para el diagnóstico
asistido
En ciertos conjuntos poblacionales del globo se han re-
gistrado, hasta el día de hoy, miles de nuevos contagios
diarios de COVID-19. A gran escala, esto se traduce en la
presencia de decenas de miles de nuevos diagnósticos po-
sitivos cada día. Asimismo, cientos de miles de personas
con síntomas similares a los producidos por el padeci-
miento de COVID-19 han sido descartados como porta-
dores del SARS-CoV-2. Contemplando estos números se
sabe que para finales del mes de junio de 2020 había cerca
de 11,000,000 de casos confirmados, dentro de los que se
encuentra el más de medio millón de muertes provocadas
por la infección respiratoria. Sin embargo, el número de
casos confirmados representa apenas una quinta parte de
las pruebas realizadas en todo el mundo; sólo consideran-
do a los Estados Unidos se tiene constancia de la aplica-
ción de más de 70,000,000 de pruebas durante la primera
mitad año [2]. De acuerdo con la Organización Mundial
de la Salud (OMS), la aplicación masiva de pruebas para
el diagnóstico, así como el aislamiento social, son facto-
res esenciales para la contención de la pandemia. Esto
ha provocado una creciente necesidad en la adquisición
de kits de detección de la presencia de coronavirus.
Dada la creciente necesidad de estos recursos para el
diagnóstico y debido a la vasta cantidad de potenciales
pacientes contagiados, la implementación de otras tecno-
logías para el diagnóstico de COVID-19 se volvió apre-
miante. Desde hace algunos años diversos investigadores
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
han explorado los potenciales beneficios en la utilización
de sistemas computacionales de aprendizaje automático
y profundo para el diagnóstico asistido de múltiples pa-
tologías. Sin embargo, no fue sino hasta hace un par de
años, tras la llegada de sistemas computacionales com-
plejos inspirados en teorías neuronales de la visión, que
se comenzaría a explorar el análisis e interpretación au-
tomatizados de expedientes visuales como medio para
el diagnóstico asistido basado en imágenes clínicas. Así,
grandes bases de datos con material en imagenología co-
menzaron a formar parte de los repertorios de progra-
madores y de la investigación pública y privada en el
mundo. Como consecuencia, en los últimos años diversas
arquitecturas han sido propuestas para la detección au-
tomatizada de tumores, afecciones dérmicas, daños óseos
o enfermedades respiratorias, lo que ha significado un hi-
to en el diagnóstico asistido de patologías por medio de
tecnologías computacionales.
De entre ellas, los modelos de redes neuronales convo-
lucionales (CNN por sus siglas en inglés) han sido amplia
y exitosamente utilizados para el procesamiento auto-
matizado de información visual, siendo tendencia en los
actuales desarrollos para el diagnóstico asistido basado
en imágenes clínicas. Las CNNs contemplan a una se-
rie de arquitecturas de aprendizaje profundo inspiradas
en teorías neuronales de la visión. De acuerdo con es-
tas teorías —confirmadas actualmente por los estudios
neurocientíficos— cada célula del sistema nervioso ocu-
lar está especializada en la detección de ciertos patrones
visuales. Según este planteamiento, las células neurona-
les complejas del córtex cerebral son las encargadas de
componer las imágenes que percibimos a partir de estos
estímulos individuales. Las CNNs funcionan de acuerdo
con este mismo principio. La tarea de cada de una de sus
muchas neuronas artificiales es el análisis de patrones es-
pecíficos a lo largo de toda una imagen que le sirve de
valor de entrada (una línea en cierta dirección, ángulos,
puntos, tonalidades o intensidades de luz, entre otros). A
medida que la red avanza, el sistema lleva a cabo cálcu-
los más complejos que reúnen los valores arrojados por
las neuronas de las capas anteriores, pudiendo procesar
y detectar patrones cada vez más elaborados.
Figura 2. Esquema simplificado del funcionamiento de una
red neuronal convolucional estándar para la clasificación de
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 6 / 27
imágenes de tomografías computarizadas torácicas con pre-
sencia de signos de COVID-19. La imagen radiológica, que
sirve como input al sistema, pasa por diversos filtros a través
de un proceso convolucional. Estos filtros son obtenidos du-
rante el entrenamiento del sistema y sirven como mapas de
las características y patrones a buscar en la imagen. La capa
de reducción de muestreo permite reducir las dimensiones de
la imagen y, así, resaltar sus aspectos relevantes para una co-
rrecta clasificación por parte de las últimas capas del sistema.
En el área médica y de la salud estas tecnologías han
sido utilizadas para la clasificación de imágenes radio-
lógicas de acuerdo con el pronóstico de la probabilidad
de que la imagen presente los signos visuales de una
patología particular (ver Figura 2). Sin embargo, si bien
estas tecnologías han demostrado una alta eficiencia y un
importante índice de confiabilidad en sus resultados al
ser comparados con métodos clásicos de diagnóstico, e,
incluso, con los índices de error de médicos y radiólogos
expertos, es importante tener en cuenta las limitantes y
potenciales peligros que implica su utilización.
Límites
Las CNNs, al ser sistemas de aprendizaje profundo su-
pervisado, requieren pasar por un proceso de entrena-
miento, en el cual procesan un amplio número de ex-
pedientes para la obtención de los parámetros (o pesos)
que servirán para la evaluación de imágenes nuevas. Un
problema fundamental de este funcionamiento es que los
valores obtenidos que sirven para la evaluación de las
imágenes dependen enteramente de la base de datos que
sirve para entrenar al sistema. En este sentido, las par-
ticularidades en la toma de material radiológico, en el
método de codificación de las imágenes y en la calidad
de las mismas son elementos que determinan la produc-
ción de estos parámetros y, por tanto, la confiabilidad de
sus resultados.
Uno de los primeros modelos de arquitectura de red
neuronal de acceso abierto propuestos para el diagnós-
tico de COVID-19 sería el realizado por Linda Wang,
Zhond Qiu Lin y Alexander Wong a mediados de marzo
de 2020 [3]. La CNN propuesta por el equipo canadiense
(llamada COVID-Net) partía de los estudios germinales
sobre la detección de signos visuales de la presencia de
SARS-Cov-2 en radiografías pulmonares. Su modelo lo-
gró resultados notables en la predicción de valor con un
índice de correcta clasificación de imágenes de pacientes
con COVID-19 del 93 %, lo cual marcó el estado del ar-
te en la implementación de Inteligencia Artificial para el
diagnóstico asistido e impulsó la carrera mundial por la
creación de mejores arquitecturas.
El entrenamiento y evaluación de COVID-Net requi-
rió el procesamiento de una base de datos de 13,975 imá-
genes radiológicas de 13,870 pacientes provenientes de 5
repositorios de acceso libre. Como COVID-Net, muchas
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
de las arquitecturas propuestas en los últimos meses han
empleado los bancos de imágenes de estos repositorios
creando modelos que no contemplan integralmente ses-
gos demográficos y técnicos a nivel mundial en la toma
de imágenes radiológicas. Si bien los centros hospitalarios
tienen protocolos para la toma estandarizada de imáge-
nes, resulta necesario reconocer la potencial presencia de
sesgos debido a la accesibilidad tecnológica y las prefe-
rencias de los profesionales para la obtención de material
en imagenología que limita las posibilidades de los siste-
mas a contextos socioculturales y económicos específicos,
volviendo peligrosa su utilización en poblaciones para las
que no han sido construidas o que no tienen los recur-
sos para la creación de estos sistemas. Por el contrario,
del otro lado de la balanza resulta necesario considerar
que el crear bases de datos tan amplias conlleva el riesgo
de crear modelos con datasets no representativos de las
poblaciones en las que se pretenden utilizar.
Por ello, investigadores como Stephanie Harmon han
llamado la atención sobre la necesidad por crear bases
de datos multinacionales que reúnan material radiológi-
co obtenido en múltiples centros de investigación y salud
y, por tanto, que presenten variables respecto a la toma
y codificación de las imágenes [4]. Harmon ha apuntado,
además, que el sobreajuste (overfitting ) de los modelos
implica la presencia de sesgos creados por el uso de dis-
positivos institucionales, de manuales en la toma radio-
lógica y por la distribución demográfica de los pacien-
tes, entre otros, lo cual limita la efectiva generalización
de los parámetros que el modelo computacional produ-
ce. Es probable, por tanto, que el 93 % de seguridad en
los resultados de COVID-Net sea notablemente menor
al analizar casos provenientes de países en uso de tec-
nologías radiológicas de menor calidad u obtenidas por
expertos radiólogos en uso de otras técnicas y manua-
les para la toma de sus imágenes. Por ello, se ha hecho
notar la necesidad de crear bases de datos y bancos de
imágenes precisos, integrales y amplios.
Otra limitante que se presenta al uso de estas tecno-
logías tiene que ver con el carácter no autoexplicativo de
sus resultados. Si bien las CNNs son capaces de procesar
inmensas cantidades de información computacional y de
realizar complejas operaciones y cálculos probabilísticos
de manera eficiente y en un tiempo reducido, una com-
prensión cabal de su funcionamiento interno resulta im-
posible para sus usuarios e, incluso, para sus diseñadores.
Dado que su capacidad de procesamiento es más grande
y veloz que la del hombre, muchas veces su operativi-
dad y producción de resultados es casi indescifrable. Por
ejemplo, es común hablar de arquitecturas que procesan
varios cientos de miles de parámetros a altas velocidades,
lo cual vuelve opaco su funcionamiento para los usuarios.
Esto ha llevado a asumir que los sistemas de aprendizaje
profundo funcionan como cajas negras [5].
Como caso ejemplar, Ankur Mallick, en compañía
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 7 / 27
de investigadores de la Carnegie Mellon University y
del Lawrence Livermore National Laboratory, puso a
prueba algunas arquitecturas de red neuronal para el
diagnóstico de casos de COVID-19 a través de imágenes
radiológicas torácicas. Utilizando una base de datos de
275 radiografías de pulmones con presencia de SARS-
CoV-2 y 76 radiografías de pulmones sanos demostró
que algunos modelos actuales de CNN (dejados en el
anonimato por el autor) clasificaban la fotografía de un
gato negro con un 100 % de seguridad de que era la ima-
gen radiológica de un pulmón afectado por COVID-19
[6]. Si bien este es un caso extremo, la prueba de Mallick
hace evidente la necesidad por implementar métodos
que expliquen el funcionamiento de estos sistemas para
asegurar la sensibilidad y certeza de sus resultados, así
como la confiabilidad en su uso, tales como las estrate-
gias que buscan hacer interpretables para los usuarios y
diseñadores las operaciones de los sistemas [7].
Promesas
No obstante las limitantes que implica la utilización de
estas tecnologías en el área médica y de la salud, los al-
cances y promesas a futuro en su implementación parecen
contrarrestar sus dolencias actuales. De entre las muchas
ventajas que conllevaría la consolidación de estas tecno-
logías como instrumentos clínicos para el diagnóstico y
tratamiento de pacientes, podemos resaltar la eficienti-
zación en el triaje médico, su portabilidad y la potencial
utilización de estos recursos universalmente [8].
En México, un grupo de radiólogos pertenecientes al
Instituto Nacional de Ciencias Médicas y Nutrición im-
pulsó tempranamente la utilización de escáneres de To-
mografías Computarizadas como medio de diagnóstico
preliminar de la enfermedad ante la falta de pruebas PCR
[9]. Frente a la creciente ola de contagios, la priorización
en el acceso a camas, respiradores y servicios de asis-
tencia a pacientes con un alto índice de daño pulmonar
encontró en este método un medio para el diagnóstico
rápido de la enfermedad, lo que eficientizó la acción de
los médicos tratantes, la reducción en la exposición de
pacientes no contagiados y un triaje basado en la priori-
zación en uso de evidencias visuales. La incursión de las
tecnologías de inteligencia artificial para el procesamien-
to automático de estos materiales prometería hacer aun
más eficiente el diagnóstico, así como dar soporte a la
toma de decisiones médicas, lo cual puede resultar nota-
blemente útil en momentos de saturación hospitalaria.
Paralelamente, su potencial uso como un recurso uni-
versal para la asistencia médica ha promovido que di-
versas organizaciones e instituciones públicas y privadas
hayan creado plataformas de libre acceso a médicos y
radiólogos para asistir sus diagnósticos por medio de es-
tos sistemas. La accesibilidad a estas innovaciones por
medios computacionales se ha vuelto una realidad que
permite el intercambio de información, la investigación
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
y desarrollo conjunto entre investigadores y médicos tra-
tantes [10]. Esto se puede traducir en un aumento de la
calidad de los servicios médicos y en un rápido incremen-
to de la seguridad en el uso de estas tecnologías.
Por último, la facilidad en su uso y portabilidad pue-
de significar que, usados de acuerdo con códigos y me-
didas de seguridad suficientes, estas tecnologías podrían
volverse herramientas de bajo costo operativo para las
instituciones y para los médicos. Por tanto, también im-
plica su potencial universalización como un bien bási-
co en el tratamiento médico, posibilitando el diagnóstico
oportuno en comunidades vulnerables o que no cuentan
con sistemas radiológicos avanzados.
Los creadores de COVID-Net —Wang, Qiu Lin y
Wong— afirmaron con cautela en el reporte de sus resul-
tados que un largo camino quedaba por recorrerse para
el desarrollo de soluciones de aprendizaje profundo con
un alto índice de confiabilidad y certidumbre, especial-
mente para ser llevados a quienes más lo necesitan. En
este sentido, los autores consideraron que los potenciales
beneficios que pueden promover estas tecnologías son
evidencia suficiente para invertir en su desarrollo e im-
plementación para, en consecuencia, salvar vidas durante
episodios de crisis como el vivido durante la pandemia
por COVID-19.
Conclusiones
Si bien actualmente las pruebas rápidas y PCR para la
detección de SARS-CoV-2 se han abaratado debido a su
demanda, y los protocolos de contención y tratamiento
se han perfeccionado en el mundo, la situación de emer-
gencia hizo transparente la necesidad por contar con sis-
temas alternativos, eficientes y seguros para la detección
y diagnóstico de patologías. Los sistemas de aprendizaje
profundo y de visión computacional prometen ser ins-
trumentos útiles para el rápido diagnóstico de diversas
enfermedades al enfrentar pandemias de este tipo. Por
ello resulta necesario considerar las problemáticas que
implica su creación y funcionamiento para volverse ins-
trumentos de diagnóstico asistido confiables y seguros.
Sólo el conocimiento de estos límites (aunado a las
consideraciones éticas y económicas que esto conlleve)
posibilitará una implementación responsable de estos re-
SOBRE EL AUTOR
Diego Vázquez Díaz es estudiante de Doctorado en el programa de posgrado en Filosofía de la
Ciencia de la UNAM. Ha impartido clases en posgrado y licenciatura sobre la relación entre tecnología,
sociedad e imagen. Sus investigaciones más recientes pertenecen al área de los Estudios Filosóficos y
Sociales de la Ciencia y la Tecnología. Actualmente desarrolla una tesis doctoral sobre modelación
patológica a través de la implementación de sistemas de aprendizaje profundo en el área biomédica y
clínica.
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 8 / 27
cursos para la procuración de la salud y para enfrentar
pandemias.✵
REFERENCIAS
1. Food Express. (2019). Aplicacion para entrega de comida. Re-
cuperado 14 de octubre de 2019, de https://foodexpress.com.
mx/index.xhtml.
2. Tseng, V., Jia-Ching, J. et al. (2020). Computational Intelli-
gence Techniques for Combating COVID-19: A Survey. IEEE
Computational Intelligence Magazine, 18(4), pp. 10-22.
3. Centers for Disease Control and Prevention. (2020). Previous
U.S. Viral Testing Data. Recuperado el 30 de agosto de 2020,
de https://www.cdc.gov/coronavirus/2019-ncov/cases-updates/
previous-testing-in-us.html#anchor_1598476993.
4. Wang, L., Qiu, Z. y Wong, A. (2020). COVID-Net: A Tailo-
red Deep Convolutional Neural Network Design for Detection
of COVID-19 Cases from Chest X-Ray Images. Scientific Re-
ports, 10.
5. Harmon, S., Sanford, T., et al. (2020). Artificial intelligence for
the detection of COVID-19 pneumonia on chest CT using mul-
tinational datasets. Nature Communications, 11.
6. Litjens, G., et al. (2017). A Survey on Deep Learning in Medical
Image Analysis. Medical Image Analysis, 42, pp. 60-88.
7. Mallick, A., Dwivedi, C., et al. (2020). Can Your AI Differen-
tiate Cats from Covid-19? Sample Efficient Uncertainty Esti-
mation for Deep Learning Safety. ICML UDL 2020 Workshop
on uncertainty and Robustness in Deep Learning.
8. Tian, J., Zhong, C., et al. (2019). Towards Automatic Diagno-
sis from Multi-modal Medical Data. En Suzuki K. (Ed.) Inter-
pretability of Machine Intelligence in Medical Image Compu-
ting and Multimodal Learning for Clinical Decision Support.
Springer. pp. 67-74.
9. Liang, W., Yao, J., et al. (2020). Early triage of critically ill
COVID-19 patients using deep learning. Nature Communica-
tions, 11.
10. Ibarra, A. (2020). Así se ve la Covid-19: Este grupo de radiólo-
gos mira de frente a la enfermedad todos los días. Recuperado
el 30 de agosto de 2020, de https://gatopardo.com/reportajes/
equipo-radiologos-hospital-de-nutricion-coronavirus-covid-
19/.
11. Pita, J., et. al. (2020). Meaningful Big Data Integration for a
Global COVID-19 Strategy. IEEE Computational Intelligence
Magazine, 15(4), pp. 51-61.
12. Kundu, S., Elhalawani, H., et al. (2020). How Might AI and
Chest Imaging Help Unravel COVID-19’s Mysteries?. Radio-
logy: Artificial Intelligence, 2(3).
13. Vaishya, R., Javaid, M., et al. (2020). Artificial Intelligence (AI)
applications for COVID-19 pandemic. Diabetics & Metabolic
Syndrome: Clinical Research & Reviews, 14(4), pp. 337-339.
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
ARTÍCULO ACEPTADO
¿Y si los mexicanos le hacemos un hack a la
pandemia?
Ansel Y. Rodríguez-González, Humberto Pérez-Espinosa, Alejandro Campos Martínez, Christopher
Alan Estrada González y Karen Reyes Gastélum
Era marzo de 2020, se acrecentaba en las ciudades la
ebullición de ideas y, muy especialmente, de profesio-
nales y estudiantes, decididos a contribuir y aportar
soluciones innovadoras que impactaran en las proble-
máticas ocasionadas por la propagación del COVID-19
en el país. En este contexto nació la iniciativa “México
Hackea la Pandemia” buscando que a través de equipos
interdisciplinarios se desarrollaran e implantaran, de for-
ma acelerada, estrategias y soluciones tecnológicas para
mitigar el efecto de la pandemia. En este artículo se
presenta la evolución de esta iniciativa, desde su origen,
su 1ra fase “Hackaton: Podemos hackear la pandemia”
que duró 72 horas y en donde se inscribieron 26 equipos,
su 2da fase “Reto: Un mes en casa me basta” con una
duración de 28 días, hasta sus resultados, haciendo énfa-
sis en las soluciones logradas y la pertinencia de incluir
inteligencia artificial en las mismas.
Introducción
El 23 de marzo del 2020 la Secretaría de Salud de México
decretó la Jornada Nacional de Sana Distancia como un
mecanismo de prevención y contención de la pandemia
ocasionada por el COVID-19, momento para el cual el
mundo ya había reportado 340,000 infectados, mientras
la cantidad de infectados diarios incrementaba [1]. La
pandemia además de ser un problema de salud, se con-
virtió para México en un problema económico, al permi-
tir seguir operando a sólo un restringido número de giros
comerciales, y también un problema laboral al romper
con los modelos comunes con los que operaban los cen-
tros de trabajo e imponer rigurosas normas para mitigar
los riesgos sanitarios [2].
En Nayarit, dado el interés común de diversas insti-
tuciones para impulsar la innovación y emprendimiento
se planteó la generación del Ecosistema de Innovación
y Emprendimiento en TIC’s (EIETIC)1 , como un es-
fuerzo colectivo de desarrollo de la ciencia aplicada pa-
ra el crecimiento económico. Como parte del EIETIC
se habían llevado a cabo actividades como el Hackathón
Nayarit 2019, conferencias de concientización para uni-
versitarios, mesas de dialogo con actores de la academia,
ONG’s, legisladores e instituciones gubernamentales. To-
do lo anterior con el fin de reforzar la visión del EIETIC.
Por otra parte, la comunidad científica y tecnológica tra-
1 https://www.facebook.com/EIETIC
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 9 / 27
bajando en el área de Inteligencia Artificial (IA) a nivel
mundial, empezó a realizar diversas aportaciones para
el combate a la pandemia de COVID-19. Por ejemplo,
para el análisis de imágenes [3] y audio [4] como fuen-
te de información para el diagnóstico, así como diversas
aplicaciones basadas en aprendizaje de máquina [5].
En este contexto nace la iniciativa en línea: “México
Hackea la Pandemia”, la cual buscó que la sociedad a
través de equipos interdisciplinares aportara sus conoci-
mientos mediante el desarrollo e implementación acelera-
da de estrategias y soluciones tecnológicas que contribu-
yeran a contrarrestar los efectos de la pandemia en nues-
tro país. Dicha iniciativa fue una colaboración entre: el
Consejo de Robótica Educativa, Sistemas Electrónicos y
Programación Asociación Civil (CRESEP A.C.), el Cen-
tro de Investigación Científica y de Educación Superior
de Ensenada, Unidad Tepic (CICESE-UT3), WOMAN
LAB, la Secretaría de Educación de Nayarit e Innovación
Organizacional y Territorial (INNORTE), con el apoyo
académico de la Red Temática en Inteligencia Compu-
tacional Aplicada del CONACyT y la Alianza en IA de
Centros Públicos CONACyT.
Figura 1. Línea de tiempo de la iniciativa “México Hackea
la Pandemia”.
Estructura de la iniciativa
El principal objetivo con esta iniciativa fue crear un
medio para potenciar el desarrollo acelerado de solucio-
nes tecnológicas que afrontaran la crisis causada por el
COVID-19 en México, buscando reducir las consecuen-
cias de esta situación en el marco social, económico y de
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 10 / 27
salud en el país. Además de aprovechar el capital intelec-
tual y de innovación de los ciudadanos para atender las
principales problemáticas en las verticales identificadas:
economía local, salud pública, cadena de suministros, ser-
vicios básicos y medios de información.
México Hackea la Pandemia, tuvo una duración de
31 días divididos en dos fases (véase Figura 1): Fase 1
“Hackathon: Podemos hackear la pandemia” enfocada al
planteamiento de soluciones y desarrollo de prototipos
que comenzó el 20 de abril del 2020 y duró 72 horas; y
Fase 2 “Reto: Un mes en casa me basta” enfocada en el
desarrollo e implantación de las soluciones, que tuvo una
duración de 28 días. Figura 3. Participantes por estado.

Tabla 1. Talleres realizados.

Taller Instructor
Finanzas para Startups Lic. Sergio Edwin Haro Moreno
Formación de equipos de alto desempeño M.I.D.E. Ana Patricia Jaquéz Ji-
y círculos de calidad ménez
Identidad Digital Descentralizada por Ing. Juan Manuel Cancino Pérez
Blockchain
Modelo de negocios en tiempo de crisis Ing. Alfonso Salcedo
Metodologías ágiles para emprender Lic. Sergio Edwin Haro Moreno
Creando tu plan de negocios Mtra. Miriam Reyes Aguilar
Uso de la billetera de Hydra Ing. Juan Manuel Cancino Pérez
Tecnologías emergentes en las TIC’s y el Dra. Sheyla Janett Tapia García
desarrollo de software
Figura 2. Uso de plataforma de comunicación.
Planificar un evento virtual de 31 días bajo un am- Fase 1: “Hackathon: Podemos hackear la
biente de pandemia fue un desafío, desde la organización pandemia”
hasta el trabajo con los equipos en competencia, ya que Durante esta fase estudiantes de nivel medio superior,
este tipo de retos generalmente se organizan en jornadas superior y posgrado, profesionistas, investigadores y pú-
de 24 a 72 horas en modalidad presencial. Se estableció blico en general, propusieron soluciones a problemas re-
una dinámica de trabajo utilizando plataformas colabo- lacionados con: economía local, salud pública, cadena de
rativas para trabajo, almacenamiento de datos y vídeo en suministros, servicios básicos y medios de información y
línea para la reuniones, mentorías y talleres con los equi- se desarrollaron prototipos.
pos en competencia, así como aplicaciones de mensajería 22 equipos iniciaron esta fase, de los cuales 15 llega-
instantánea. ron a las últimas 24 horas. Los equipos trabajaron inten-
Atendieron la convocatoria competidores de 26 insti- samente de forma virtual apoyados por un grupo inicial
tuciones educativas procedentes de once estados del país, de 12 mentores que aumentó hasta 14. Se realizaron en
de las cuales 4 corresponden a subsistemas de bachillera- total 7.5 horas de mentorías y un taller. En la Tabla 3
to general, veinte de estudios superiores y dos centros de se muestran un resumen de las estadísticas asociadas a
investigación. Como jueces y mentores participaron in- esta fase.
vestigadores, docentes, empresarios y profesionistas per-
tenecientes a centros de investigación, instituciones edu- Tabla 3. Estadísticas de la Fase 1. Inicio Final
cativas de nivel superior y empresas de México y el ex- Participantes
Mentores
110
12
76
14
tranjero, distribuidos geográficamente tal como muestra Jueces
Total
10
22
12
15
la Figura 3. Equipos
Economía local
Salud pública
5
8
4
5
Durante los trabajos de mentoría se proporcionaron Cadena de suministros
Servicios básicos
2
2
2
1
a todos los equipos consejos desde diferentes disciplinas Entidades Federativas
Medios de información
Participantes
5
13
3
8
y áreas profesionales, aportando opiniones interdiscipli- Mentores y Jueces
Participantes
10
26
10
17
Instituciones
nares y transdisciplinares a los competidores. En estas Mentores y Jueces 12 13
fases, se impartieron ocho talleres, los cuales fueron selec-
cionados considerando las dudas generales de los equipos En la evaluación se tuvo en cuenta aspectos técnicos,
participantes, donde colaboraron como instructores tres nivel de desarrollo, escalabilidad y avance del prototipo
empresarios, dos docentes y un investigador, atendiendo realizado durante las 72 horas, así como la viabilidad fi-
temáticas financieras, formación de equipos, modelos de nanciera y el impacto esperado de la solución. Seis de los
negocios y tecnologías emergentes (véase Tabla 1). quince proyectos evaluados hicieron planteamientos que

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 11 / 27
Tabla 2. Equipos finalistas de la Fase 1.
Equipo Vertical Descripción Instituciones
Xurimech Salud pública Autómata evaluador de enfermedades mediante sen- Universidad Michoacana de San Nicolás de Hidalgo,
sores y análisis epidemiológico Universidad Autónoma de Nayarit, Instituto Tecno-
lógico de Morelia
Omega Salud pública Contenedor que esteriliza cualquier material por me- CONALEP Tepic 169, Preparatoria 2 de la Universi-
dio de rayos ultravioleta dad Autónoma de Nayarit, Preparatoria 9 de la Uni-
versidad Autónoma de Nayarit
Simetriada Alfa Medios de información Predicción y visualización de información geográfica Universidad Nacional Autónoma de México
del COVID-19 en un Mapa de la región
Tec de Culiacán MCC Economía local Aplicación de voluntariado para evitar la propaga- Instituto Tecnológico de Culiacán, Instituto Tecno-
ción del COVID-19 con el apoyo de voluntarios para lógico de Los Mochis
mandados a personas mayores
Canelita Medios de información Aplicación de verificación de noticias Instituto Tecnológico de Bahía de Banderas, Cen-
tro Universitario de Ciencias Exactas e Ingenierías,
Universidad Autónoma de Nayarit, Instituto Tecno-
lógico Superior de Guanajuato
Over-Time Economía local Asistente virtual para realizar pedidos a domicilio a Universidad Autónoma de Nayarit, Instituto Tecno-
empresas locales lógico de Tepic

incluían el uso de IA, en particular técnicas de aprendi- Tabla 4. Estadísticas de la Fase 2.

Inicio Final
zaje supervisado y procesamiento de lenguaje natural. Participantes 32 36
Asesores 8 8
A partir de la evaluación el comité de jueces seleccio- Jueces 4 4
nó 6 soluciones como finalistas que pasaron a la Fase 2 Equipos 6 6
Participantes 7 9
(Tabla 2). De ellas, 5 soluciones planteaban la aplicación Entidades Federativas Asesores y Jueces 10 10
de técnicas de IA. Instituciones Participantes
Asesores y Jueces
11
8
13
8

Fase 2: “Reto: Un mes en casa me basta” En la evaluación se tuvo en cuenta, la escalabilidad de

La Fase 2 contempló, que los finalistas de la fase ante-
rior, tuvieran un mes para desarrollar en su totalidad la
solución planteada e implementar la misma. Los equipos
debían demostrar que su solución fuera funcional, ejecu-
tándose en un ambiente de producción desde 24 horas
previas a finalizar la fase.
En la primera semana, los equipos incorporaron nue-
vos miembros para fortalecerse y rediseñaron sus proyec-
tos a partir de las observaciones que les fueron realizadas
durante el periodo de evaluación de la Fase 1. Durante
la segunda y tercera semana los equipos se enfocaron en
desarrollar sus soluciones y se les impartieron charlas y
talleres. En la última semana se realizaron pruebas pilo-
to para comprobar si sus soluciones funcionaban en un
entorno real.
En esta fase los equipos fueron atendidos de forma
personalizada. Cada equipo seleccionó 1 o 2 asesores ex-
clusivos, los cuales realizaron 20 sesiones de asesorías
acumulando un total 23 horas. Adicionalmente, el comi-
té organizador realizó 8 reuniones (un total de 7 horas)
con los equipos, para dar seguimiento al desarrollo de
sus soluciones. Además, fueron impartidos 7 talleres. En
la Tabla 4 se muestran un resumen de las estadísticas
asociadas a esta fase.
El comité de jueces estuvo conformado por 4 exper-
tos pertenecientes cada uno a una de las siguientes áreas:
incubadoras y aceleradoras de proyectos de alto impacto,
startups de base tecnológica, investigadores en IA miem-
bros del Sistema Nacional del Investigadores, y la comu-
nidad de Internet of People, desarrolladora de tecnologías
Blockchain. Al finalizar los 28 días, cada equipo generó
un vídeo con la explicación de su solución y la defendió
ante el comité de jueces y el resto de los participantes.
la solución desarrollada; el número de usuarios logrados
durante la implantación y alcance en cuanto número de
usuarios, o resultados en prueba piloto; aspectos técnicos
de la solución implantada, el diseño de nuevas funcionali-
dades que puedan desarrollarse aceleradamente y liberar-
las de forma incremental durante las siguientes semanas;
y el impacto esperado en resolución de la problemática
abordada.
Fueron premiadas las soluciones desarrolladas por los
equipos “Xurimech” (1er lugar), “Omega” (2do lugar) y
“Simetriada Alfa” (3er lugar).
Soluciones propuestas
Se propusieron soluciones que involucran hardware,
como un dispositivo para monitorización de sintomato-
logía enfocado a la identificación oportuna de personas
enfermas y un transportador con luz ultra violeta para
la eliminación de virus y bacterias en productos. El resto
de las soluciones fueron basadas totalmente en software y
estuvieron enfocadas a dos aspectos principalmente. Uno
de ellos fue proveer información valiosa a la población
que le permita tomar medidas de prevención adecuadas,
por ejemplo una aplicación Web de generación de mapas
de contagio para la identificación de zonas de riesgo y
una extensión para Google Chrome que identifica noti-
cias falsas para la disminución de riesgos asociados a la
propagación de ese tipo de noticias. El segundo aspec-
to fue el apoyo para reactivar algunas actividades, por
ejemplo, una aplicación móvil para la optimización de la
logística de repartos como apoyo a pequeños negocios y
una aplicación para la generación de comunidades cola-
borativas como apoyo a sectores poblacionales afectados.
A continuación se da una descripción de las soluciones
que obtuvieron los tres primeros lugares:

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
1er lugar: El equipo Xurimech desarrolló una solu-
ción con la capacidad de verificar algunos signos vitales
en personas para detectar casos que presenten síntomas
relacionados con COVID-19 [6]. Esta solución está pen-
sada para ser instalada en la entrada de negocios y ofici-
nas. El sistema se compone de un dispositivo con aspecto
de robot, una aplicación móvil y una aplicación Web. El
dispositivo incluye dos sensores, un termómetro láser a
modo de cámara espectral, y un oxímetro. El valor agre-
gado de esta solución es proporcionado por un algoritmo
de clasificación que es capaz de diferenciar síntomas de
COVID-19 de síntomas de otras enfermedades. El algo-
ritmo utilizado es un árbol de decisión, el cual tiene en
cuenta los datos públicos de la secretaría de salud para
modelar el conocimiento que se tiene de dicha enferme-
dad y puede ser afinado incluyendo los datos de contagio
de la zona de la ubicación del usuario. Las evaluaciones
realizadas por el sistema son almacenadas para fines de
control epidemiológico por instituciones de salud mante-
niendo la privacidad del usuario. Con la aplicación móvil
el usuario lee un código QR mostrado en el dispositivo.
La aplicación móvil ejecuta un algoritmo de clasificación
y, en caso de ser necesario, le pide al usuario contes-
tar un test de diagnóstico diferencial para complementar
la información obtenida por los sensores. Posteriormen-
te, el diagnóstico es mostrado al usuario junto con algu-
nas recomendaciones. A través del sistema Web el dueño
del negocio o responsable de la oficina recibe una aler-
ta cuando una persona es detectada como enferma. Al
concluir el reto, el equipo ya contaba con el diseño me-
cánico del dispositivo, un prototipo a escala impreso, un
prototipo de la aplicación móvil y se encontraba en de-
sarrollo el sistema Web. Además, Xurimech realizó una
prueba piloto en una dependencia obteniendo una buena
aceptación.
Figura 4. Xurimech - Detección de personas enfermas en
negocios y oficinas.
2 http://www.alephg.com/covid19/web/home/home.html
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 12 / 27
2do lugar: El equipo Omega desarrolló CoEsUV, un
contenedor esterilizador de materiales para ser colocado
en la parte trasera de motocicletas usadas para reparto
de productos. Al momento de transportar un pedido se
coloca el producto dentro del contenedor y se activa el
sistema de desinfección compuesto por un arreglo de lám-
paras de luz ultra violeta. El proceso de desinfección es
completado en el trayecto de la tienda al lugar de entrega.
Al terminar el tiempo de desinfección, el sistema se detie-
ne y emite una notificación de término. Posteriormente,
el sistema queda en espera de una nueva indicación del
pulsador para activarse nuevamente. Al concluir el reto
se contaba con un prototipo que incluyó una placa de
circuito impreso de tamaño reducido, una carcasa para
proteger la placa y se usó una hielera de plástico de al-
ta resistencia. La siguiente versión del prototipo plantea
una reducción adicional de las dimensiones de la placa, y
será mandada a manufactura. El prototipo se probó en
motos repartidoras de uno de los restaurantes más cono-
cidos de la ciudad de Tepic, Nayarit, despertando interés
en varios miembros de la CANIRAC Nayarit.
Figura 5. Omega - Esterilización de productos durante su
traslado.
3er lugar: El equipo Simetriada Alfa desarrolló Ma-
peando la pandemia, una solución compuesta de dos
componentes tecnológicos, un modelo matemático de
predicción epidemiológica y un mapa interactivo basa-
do en Web2 . En el modelo matemático cada individuo o
agente se puede encontrar en uno de siete posibles esta-
dos: susceptible, expuesto, asintomático, infectado, hos-
pitalizado, recuperado o finado. Dependiendo de diferen-
tes condiciones como contactos promedio, movilidad en
la región, índice de contagio de la región donde se en-
cuentra y tiempo que transcurre de un estado a otro, los
agentes pasan de un estado a otro con una cierta probabi-
lidad y esto es modelado mediante una cadena de Mar-
kov. El modelo toma en cuenta variables como edades
de los agentes, distribución geográfica a nivel de muni-
cipio, densidad poblacional y porcentaje de la población
en cuarentena. La herramienta Web permite visualizar el
peligro de contagio por zona mediante un código de colo-
res. Con ésta información se simulan las posibles evolu-
ciones del mapa sujetas a uno o varios parámetros clave
para así calcular el riesgo hipotético de contagio de cada
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020
zona a una semana o un mes a futuro. Además, con la
misma información del mapa, dada una ruta marcada en
el mapa, se le asigna un indicador de riesgo a la ruta en
función de las zonas por las que pasa y el mapa ofrece
rutas de bajo contagio de un punto A a un punto B en
la región. Se espera que todo el trabajo desarrollado sea
fácilmente generalizable a un Estado/Municipio/Ciudad
si se cuenta con una cantidad de información necesaria
y un mapa adecuadamente seccionado de la región en
cuestión.
Figura 6. Simetriada Alfa - Mapa interactivo de riesgo epi-
demiológico.
Conclusiones
La iniciativa “México Hackea la Pandemia” atrajo a acto-
res de la sociedad, estudiantes, profesionales, emprende-
dores, investigadores y empresarios a un espacio virtual
común para aportar soluciones innovadoras que impac-
ten en las problemáticas ocasionadas por la propagación
del COVID-19 en el país. 110 participantes organizados
en 22 equipos se enfrentaron a un hackathon de 72 horas
(primera fase) llegando 15 equipos al final de esta fase.
Fueron seleccionadas 6 soluciones para ser desarrolladas e
implantadas en los siguientes 28 días (segunda fase). Tres
soluciones lograron un nivel de maduración merecedor de
ser premiadas: un autómata para detectar casos que pre-
senten síntomas relacionados con COVID-19 a partir de
datos de sensores (Xurimech), un contenedor esteriliza-
dor de materiales para ser colocado en la parte trasera
de motocicletas usadas para reparto de productos (Ome-
ga), y un sistema web para la predicción y visualización
de información geográfica del COVID-19 en un mapa in-
teractivo (Simetriada Alfa). El equipo Omega fue una
grata sorpresa, pues siendo estudiantes de preparatoria
compitieron con equipos de mayor nivel académico y rea-
lizaron exitosamente las pruebas piloto de su prototipo
en un entorno real.
De las 15 soluciones evaluadas al finalizar la primera
fase, 6 plantearon el uso de IA, en particular técnicas
de aprendizaje supervisado y procesamiento de lengua-
je natural. Aun cuando los jueces no tuvieron en cuenta
en su evaluación el uso de IA en las propuestas, el valor
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Artículo Komputer Sapiens 13 / 27
agregado que esto aporta a las soluciones se mostró en
los resultados (5 de las 6 soluciones finalistas y 2 de las 3
ganadoras hacían uso de la misma). Dado el tiempo dis-
ponible, los recursos, y el perfil académico de la mayoría
de los participantes fue complicado llegar a soluciones
basadas en IA para 9 equipos. Sin embargo, todas estas
soluciones pueden ser enriquecidas mediante la aplica-
ción de este tipo de técnicas y la inclusión de nuevas
características y funcionalidades, pues obtienen datos de
usuarios y de otras fuentes con los que se pueden generar
modelos de clasificación o predicción. Por otro lado, las
soluciones basadas en IA también pueden ser mejoradas.
A diferencia de otras iniciativas previas con duración
de 48 o 72 horas, realizar un hackathon de 72 horas segui-
do de un reto de 28 días, posibilitó pasar de propuestas
y prototipos a lograr soluciones con un alto nivel de ma-
durez, y con ello estar en condiciones ventajosas para
encontrar financiamiento para acelerar sus lanzamientos
y maximizar sus impactos. La iniciativa también fue pro-
vechosa para los equipos no finalistas pues se creó una
comunidad. Incluso varios participantes de equipos no
finalistas reforzaron a los equipos finalistas durante la
segunda fase.
Realizar un evento totalmente en modalidad virtual
durante 31 días fue una experiencia inédita para los or-
ganizadores y un desafío para los equipos, mentores y
jueces. Juntos le hicimos un hack a la pandemia.✵
REFERENCIAS
1. Instituto Mexicano del Seguro Social (2020). Para disminuir la
propagación del COVID-19, el IMSS promueve las medidas de
sana distancia. Recuperado el 7 de octubre del 2020, de http://
www.imss.gob.mx/prensa/archivo/202003/142.
2. Diario Oficial de la Federación (2020). ACUERDO por el que se
establecen las medidas preventivas que se deberán implementar
para la mitigación y control de los riesgos para la salud que im-
plica la enfermedad por el virus SARS-CoV2. Recuperado el 7
de octubre del 2020, de https://www.dof.gob.mx/nota_detalle.
php?codigo=5590339&fecha=24/03/2020.
3. Shi F., Wang J., Shi J., W Z., Wang Q., Tang Z., y Shen
D. (2020). Review of artificial intelligence techniques in ima-
ging data acquisition, segmentation and diagnosis for Covid-19“.
IEEE reviews in biomedical engineering.
4. Schuller B. W., Schuller D. M., Qian K., Liu J., Zheng H., y
Li X. (2020). Covid-19 and computer audition: An overview on
what speech and sound analysis could contribute in the SARS-
CoV-2 Corona crisis. arXiv preprint arXiv:2003.11117.
5. Lalmuanawma S., Hussain J., y Chhakchhuak L. (2020). Ap-
plications of machine learning and artificial intelligence for
Covid-19 (SARS-CoV-2) pandemic: A review. Chaos, Solitons
& Fractals, 139, 1-6.
6. Nava M., Linares Y., Torres G., Rangel V., Moreno G., Lizbeth
M., Ramírez J., Lara E., Figueroa K. y Rivera, C. (2020). De-
sarrollo de un autómata evaluador de síntomas de COVID-19
para prevenir el contagio. Komputer Sapiens, 12(3).
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 14 / 27
SOBRE LOS AUTORES
Ansel Y. Rodríguez González. SNI Nivel I. Recibió los grados de Licenciado en Ciencias de la
Computación y Maestro en Ciencias Matemáticas en la Universidad de la Habana, Cuba en 2004 y
2007 respectivamente. Recibió el grado de Doctor en Ciencias Computacionales en el INAOE en 2011.
Actualmente tiene una cátedra CONACyT en la Unidad de Transferencia Tecnológica del CICESE.
Sus intereses de investigación incluyen minería de datos, reconocimiento de patrones, aprendizaje por
refuerzo y algoritmos evolutivos.

Humberto Pérez Espinosa. SNI Nivel I. Recibió el grado de Licenciado en Ciencias Computacionales
en la Benemérita Universidad Autónoma de Puebla (BUAP) en 2004, el grado de Maestro en Ciencias
Computacionales en 2006, y el grado de Doctor en Ciencias Computacionales en el INAOE en 2013.
Sus intereses de investigación incluyen el aprendizaje automático, computación afectiva, computación
paralingüística y el análisis inteligente de audio. Actualmente es catedrático CONACyT en la Unidad
de Transferencia Tecnológica del CICESE.
Alejandro Campos Martínez. Fundador del Consejo de Robótica Educativa, Sistemas Electrónicos
y Programación Asociación Civil CRESEP A.C., Docente del Área de PTB en Mecatrónica del CO-
NALEP del Estado de Nayarit Plantel Tepic 169 y Profesional Técnico en el Área de Electrónica de
la Universidad Autónoma de Nayarit. Sus intereses se centran en la apropiación social de la ciencia y
tecnología, así como en impulsar vocaciones científicas y tecnológicas en niños y jóvenes de sectores
vulnerables.
Christopher Alan Estrada González. Jefe del Departamento de Investigación Científica y Tecno-
lógica en la Secretaría de Educación de Nayarit. Es ingeniero en Mecatrónica por el ITESM Campus
Guadalajara, obteniendo al egresar el Premio CENEVAL al Desempeño de Excelencia EGEL. Ha par-
ticipado en la fundación de 3 startups de base tecnológica, además de ser participante, mentor, juez
y organizador de distintas competencias de innovación y emprendimiento, incluyendo el Hackathón
Nayarit 2019.

Karen Reyes Gastélum. Licenciada en Aplicaciones web: Aplicaciones móviles e Internet de las
cosas por el Instituto Universitario de Tecnología de Saint-Dié-des-Vosges en Francia. Directora de
Promoción del Consejo de Robótica Educativa, Sistemas Electrónicos y Programación. Ha participado
en la organización de diversos eventos de apropiación social de la ciencia, la tecnología y la innovación
en jóvenes.

Publique en Komputer Sapiens

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
ARTÍCULO ACEPTADO
Desarrollo de un robot evaluador de síntomas de
COVID-19 para prevenir el contagio
por Marco Nava, Yashar Linares, Goretti Torres, Vianney Rangel, Getzemany Moreno, Miriam Liz-
beth, Jonathan Ramírez, Erik Lara, Karina Figueroa y Cuauhtémoc Rivera
Proyecto ganador del Hackatón: México
hackea la pandemia 2020
Durante la mayor parte del 2020, hemos estado viviendo
en una pandemia de un virus reciente conocido como
SARS-CoV-2 el cual es la causa de la enfermedad nom-
brada COVID-19. El mundo entero tiene ante sí un gran
dilema: salud o economía. Muchas personas y negocios
no tienen forma de valorar un posible grado de contagio.
En este artículo se presenta una alternativa para tener
balance entre ambos problemas apoyando a las pequeñas
empresas: un agente inteligente (con forma de robot) de
muy bajo costo (aproximadamente $9,000 pesos), el cual
cuenta con inteligencia artificial para evaluar el posible
grado de enfermedad de una persona con síntomas de
COVID-19 y prevenir el contagio entre los clientes de
un negocio. Este desarrollo fue presentado en el hac-
katón Reto un mes basta: México hackea la pandemia.
Cabe mencionar que este trabajo fue el ganador de di-
cho concurso y actualmente se encuentra en proceso de
desarrollo comercial.
Introducción
El mundo en este año 2020 se encuentra en una pan-
demia. Ésta es originada por una nueva cepa de coro-
navirus procedente de China (denominado virus SARS-
CoV-2) que produce la enfermedad llamada COVID-19.
Este virus se ha propagado rápidamente; varios países ya
superan los 100 mil muertes (noviembre).
La principal problemática frente a una pandemia es
el crecimiento de contagios y la saturación del sistema
de salud (por obvias razones nuestro interés es el siste-
ma de salud mexicano), lo cual puede derivar en la no
atención temprana o la trágica decisión del médico en
darle prioridad a pacientes más jóvenes.
Una característica de este virus es la fácil transmisión
humano-humano por la vía aérea a través de pequeñas
gotas expulsadas cuando una persona tose o estornuda.
Las principales vías de entrada de este virus son los ojos,
nariz y boca, ya sea por las partículas emitidas o después
de haber tocado una superficie contaminada. Se ha deter-
minado que el SARS-CoV-2 puede llegar a permanecer
viable en superficies por un tiempo prolongado (hasta 5
días).
A partir de inicios de marzo del 2020, el Gobierno
Federal de los Estados Unidos Mexicanos fomenta la im-
plementación de medidas de higiene, de prevención sobre
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 15 / 27
el virus, de aislamiento de personas con mayor riesgo y
de monitoreo de personas infectadas así como de su en-
torno.
Desde marzo del 2020, se generalizaron las recomen-
daciones de aislamiento a todo el público en general, jun-
to con el cierre de negocios considerados “no esenciales”,
además de la implantación de controles de ingreso y egre-
so en lugares “esenciales” [1].
Como parte de la política de Transparencia Proacti-
va del Instituto Nacional de Transparencia, Acceso a la
Información y Protección de Datos Personales (INAI),
así como el Gobierno Federal Mexicano, se habilitó a un
micrositio[2] con información pública de utilidad sobre
el COVID-19. Además se cuenta con un portal [3][4] que
informa sobre los derechos de protección a la privaci-
dad del uso de los datos de los pacientes que usen las
instituciones de salud. Entre otras cosas, se cuenta con
recomendaciones para el personal de salud sobre el uso
de dichos datos. Esta información fue utilizada por este
proyecto para el modelo de inteligencia artificial presen-
tada en él.
Debido a las medidas tomadas por los gobiernos de las
distintas entidades del país, los comercios de bienes de
primera necesidad se volvieron esenciales. Sin embargo
debido a los protocolos de convivencia (noviembre 2020)
se requieren herramientas para brindar seguridad a los
usuarios buscando evitar los contagios dentro del esta-
blecimiento, esto, evidentemente es un temor para los
propietarios así como para la población.
En este artículo se presentan detalles del agente in-
teligente, el cual tiene 2 partes, físicamente un robot
dotado con sensores y una pantalla de interacción con
el usuario, y una aplicación móvil con un algoritmo in-
teligente que considerando otros factores determina el
posible grado de enfermedad de una persona.
Antecedentes
A mediados de abril se abrió una convocatoria llama-
da México hackea la pandemia la cual fue una iniciativa
virtual que buscaba jóvenes que propusieran soluciones
tecnológicas e innovadoras en temas relacionados con la
pandemia ocasionada por COVID-19.
El proyecto fue una iniciativa del Consejo de Robótica
Educativa, Sistemas Electrónicos y Programación (CRE-
SEP), la Unidad de Transferecia Tecnológica Tepic del
CICESE (CICESE-UT3), Woman Lab, Innovación Or-
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
ganizacional y Territorial (INNORTE), la Secretaría de
Educación de Nayarit, en colaboración con la alianza en
Inteligencia Artificial de Centros Públicos CONACYT.
Al conocerse la convocatoria se decidió participar con
un agente inteligente, el cual evalúa las lecturas de los
sensores integrados y apoyado de un análisis epidemio-
lógico por medio de Inteligencia Artificial es capaz de
distinguir entre las siguientes enfermedades: COVID-19,
gripe, influenza y alergia.
Motivación
La motivación del agente inteligente era buscar un balan-
ce entre el cuidado de la salud y la economía, ambos son
sumamente importantes; aunque la segunda es la princi-
pal causa de que las personas no puedan salir del espacio
público y romper la cadena de contagios. A esto se puede
añadir que no todas las personas tienen claros los posi-
bles síntomas.
Pensando en cómo incidir en toda la población mexi-
cana se diseñó una herramienta de muy bajo costo que
pudiera tener cualquier comerciante (tienditas principal-
mente). De aquí que se creó un agente inteligente con
apariencia de robot que pudiera advertir a una persona
si los síntomas que presenta pudieran ser COVID-19.
Metodología
Para el desarrollo del prototipo del agente inteligente,
se analizaron las condiciones de vulnerabilidad de las
personas (tanto clientes como empleados) de las tiendas
de conveniencia de México (tienditas). Además se consi-
deraron las medidas y protocolos (noviembre 2020) que
comenzaron a usarse en lugares considerados como es-
cenciales [5], las cuales son: detección de la temperatura
corporal, dispositivos dispensadores de gel antibacterial o
jabón para manos; en algunos lugares se requiere un con-
trol más estricto (i.e. fábricas) por ejemplo la aplicación
de una encuesta para verificar la salud del trabajador.
Con todos estos elementos se diseñó la propuesta.
Diseño
Considerando las medidas y protocolos nacionales se di-
señó un instrumento que pudiera tomar la temperatura
y el nivel de oxigenación, el cual tuviera apariencia de
robot tal y como se muestra en la Figura 1. Además del
robot, se implementó una aplicación móvil para comple-
mentar por medio de una encuesta otros síntomas no
medidos.
Las características del diseño del robot se presentan
en las siguientes secciones.
Lectura de datos biométricos
Para poder leer los síntomas de una persona se le adaptó
un sensor infrarrojo que evalúa la temperatura corporal
de una persona parada frente al robot. Además de un
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 16 / 27
oxímetro que mide el nivel de oxigenación de la sangre
del usuario así como su ritmo cardiaco.
Diseño del Robot.
Figura 1.
Un sensor láser conocido también como termómetro
de infrarrojos, pirómetro de infrarrojos o termómetro sin
contacto es un aparato que permite medir la temperatu-
ra de una parte de la superficie apuntada con la emisión
de luz infrarroja hacia el sensor, el cual transforma la
energía recibida en una señal eléctrica. Esta última es
interpretada por medio de circuitos o microprocesadores
para mostrarla al usuario en forma de lectura de tem-
peratura. A modo de aclaración es necesario especificar
que algunos de estos aparatos emiten una luz láser que
se proyecta sobre la superficie de las personas, la cual es
solo una guía para indicar el punto exacto del objeto que
se desea medir [7].
Por otro lado, la oximetría de pulso es utilizada pa-
ra estimar el nivel de oxígeno en la sangre (o nivel de
saturación) por medio de una técnica no intrusiva. En
circunstancias normales una persona debería tener mas
del 89 % de oxígeno en sus glóbuos rojos [8]. En este tipo
de aparatos se tiene un error del 2 %.
Un oxímetro de pulso es un dispositivo que emite luz
con dos longitudes de onda de 660 nm(roja) y 940 nm
(infrarroja) que son características respectivamente de la
oxihemoglobina y la hemoglobina reducida. Una de las
ondas de luz la absorbe el tejido conectivo, el hueso, la
piel, etc, mientras que la otra es absorbida por la onda
pulsátil (pulso arterial) de manera que la diferencia entre
las 2 ondas se calcula el porcentaje de oxihemoglobina
[9].
Interacción entre el usuario y el robot
Un factor fundamental en cualquier desarrollo de este ti-
po es la posible interacción de una persona con el robot.
Para este punto se pensaron en distintas estrategias: una
pantalla para informar en ese momento sobre la tempe-
ratura, la impresión de un pequeño pedazo de papel, etc.
Todas estas estrategias fueron descartadas por razones
de costo, ecológicas y por no emitir una recomendación
con datos incompletos del usuario. Es decir, para esta
enfermedad (COVID-19) no todos los pacientes tienen
temperatura alta en todo momento, hay una serie de
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 17 / 27
síntomas que en conjunto podrían denotar una alta pro-
babilidad como sospechoso de tenerla.
Dado que se requerían mas elementos para emitir la
probabilidad de estar enfermo se decidió que la interfaz
de salida fuera una aplicación inteligente, la cual pediría
más datos del usuario.
La aplicación se desarrolló usando Flutter y Dart de
manera que funcionará para los dos principales sistemas
operativos de dispositivos móviles: Android y iOS.
El robot después de leer los datos de temperatura y
oxigenación del usuario usando una pantalla LED mos-
trará un código QR que será leído por la aplicación, la
cual debería haber sido descargada previamente. En la Figura 3. Solicitud de datos al usuario en el test diagnóstico.
Figura 2 se muestra la pantalla con los datos biométricos
y una invitación a llenar la encuesta. El resultado sobre el posible grado de contagio del
usuario es calculado mediante un sistema de puntuación
de cada síntoma y la interacción en conjunto. Cada sínto-
ma mantiene un umbral de manera que los datos después
de ese umbral determinan si el usuario es sospechoso de
COVID-19.
Cabe mencionar que además el agente inteligente con-
tiene un algoritmo geo-estadístico, que recoge datos de
contagio de la zona de la ubicación del usuario obtenida
por el GPS del smartphone del usuario. Todos estos datos
pasan por el árbol de decisión, y se calcula la probabili-
dad de que el usuario esté contagiado de COVID-19.
Figura 2. Presentación al usuario los datos biométricos leí- El lector podrá notar que este agente inteligente fun-
dos. ciona única y exclusivamente con los síntomas de los
usuarios. Los asíntomáticos se escapan del ámbito de este
Cabe mencionar que además de los datos capturados trabajo.
con los sensores, y una vez que el usuario entra a la Dada la importancia de un prediagnóstico correcto,
aplicación, se realiza una encuesta de sintomatología en al usuario se le informa el grado de probabilidad es que
la que se realizan preguntas cuyas respuestas son “Sí” o esté contagiado o no. La Figura 4 muestra una posible
“No”; éstas ahondan en si el usuario ha experimentado respuesta.
algún síntoma distinto a la temperatura y nivel de oxi-
genación.
Núcleo del agente inteligente
Una vez que el usuario llenó la encuesta y se tienen sus
registros biométricos, los datos se le proporcionan a un
algoritmo conocido como árbol de decisión, con la fina-
lidad de dar un pre-diagnóstico diferencial entre varias
enfermedades respiratorias.
Un árbol de decisión es una herramienta de la In-
teligencia Artificial que permite construir y modelar el
aprendizaje. Éstos toman como entrada un objeto o si-
tuación descrita a través del conjunto de atributos o pro-
piedades a modelar; al finalizar el árbol se devuelve la
clasificación de la enfermedad dado el conjunto de res-
puestas proporcionadas por el usuario [6].
Para construir este árbol de decisión se tomaron en
cuenta los datos públicos con los que cuenta la Secretaría
de Salud Mexicana sobre de esta enfermedad (COVID-
19). En la Figura 3 se muestra uno de los momentos en Figura 4. Resultado arrojado por el sistema hacia el usuario.
que se le está solicitando más información al usuario.

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020
Conclusiones
En este artículo se ha presentado el diseño de un agente
inteligente de bajo costo (aproximadamente $9,000 pe-
sos) para evaluar el posible grado de enfermedad de una
persona. La intención en todo momento es poder ad-
vertir si un usuario presenta síntomas de la enfermedad
COVID-19 y notificarle la probabilidad de que pudiera
estar infectado.
El agente inteligente entrega resultados basados tan-
to en la lectura biométrica de una persona así como en
una encuesta personal de otros síntomas presentados.
Los casos asintomáticos se escapan del ámbito de este
trabajo. Este proyecto actualmente se encuentra en eta-
pa de desarrollo comercial.✵
Artículo Komputer Sapiens 18 / 27
2. INAI (2020). Gobierno abierto. Recuperado de:
https://micrositios.inai.org.mx/gobiernoabierto/?page_-
id=6775
3. INAI (2020). Covid-19. Recuperado de: https://micrositios.inai.
org.mx/covid-19/
4. Gobierno de México (2020). Sitio oficial de datos del Coronavi-
rus. Recuperado de: https://coronavirus.gob.mx/datos/
5. Milenio (2020). Pemex aplica protocolos de prevención
de covid-19 en planta de Campeche. |Recuperado de:
https://www.milenio.com/negocios/covid-19-
protocolos-prevencion-planta-campeche
pemex-aplica-
6. Russell, S. y Norving, P. (2004) Inteligencia Artificial. Un enfo-
que moderno. ISBN: 978-84-205-4003-0.
7. Vernon, G. (2014). Non-contact infrared thermometers. The
British journal of general practice : the journal of the Royal
College of General Practitioners, 64(629), 615. https://doi.org/
10.3399/bjgp14X682669.

8. Fahy, B., Lareau, S. y Sockrider, M. (2011). Pulse Oximetry.

American Journal of Respiratory and Critical Care Medici-
ne, Vol. 184, p. 1.
REFERENCIAS
9. Noguerol, M. y Seco, A. Técnicas en AP: Pulsiosimetría.
1. Gobierno de México (2020). Sitio oficial de datos del Coronavi- Recuperado de: http://www.fisterra.com/material/tecnicas/
rus. Recuperado de: https://coronavirus.gob.mx/. pulsioximetria/pulsioximetria.pdf.

SOBRE LOS AUTORES

Marco Nava. Estudiante de la Licenciatura en Ciencias Físico matemáticas. Universidad Michoacana de

San Nicolás de Hidalgo.
Yashar Linares. Estudiante de la Licenciatura en Ciencias Físico matemáticas. Universidad Michoacana
de San Nicolás de Hidalgo.
Goreti Torres. Estudiante de la Licenciatura en Mecánica. Universidad Michoacana de San Nicolás de
Hidalgo.
Getzemany Moreno. Estudiante del Tecnológico Nacional de México - Instituto Tecnológico de Morelia.
Miriam Lizbeth. Estudiante de la Universidad Michoacana de San Nicolás de Hidalgo.
Jonathan Ramírez Olvera. Estudiante de la Licenciatura en Mecatrónica. Universidad Michoacana de
San Nicolás de Hidalgo.
Erik Lara. Estudiante de la Universidad de Nayarit.
Karina Mariela Figueroa Mora. Profesora e investigadora de la Facultad de Ciencias Físico matemáticas.
Universidad Michoacana de San Nicolás de Hidalgo.
Cuauhtémoc Rivera-Loaiza. Profesor e investigador de la Facultad de Ciencias Físico matemáticas.
Universidad Michoacana de San Nicolás de Hidalgo.

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020
ARTÍCULO ACEPTADO
La Alianza de Inteligencia Artificial del CONACYT
impulsa redes de investigación para enfrentar el
COVID-19
Miguel Á. Álvarez-Carmona, Dagoberto Cruz Sandoval, Jesús Favela, Javier Antonio González Trejo,
A. Pastor López Monroy, Juan Martínez-Miranda, Diego Alberto Mercado Ravell, Eduardo F. Mora-
les, Cesaré Ovando-Vázquez, Humberto Pérez-Espinosa, Mariano Rivera, Ivete Sanchez-Bravo, Luis
Enrique Sucar y Sofía Trejo
Introducción
La Alianza en Inteligencia Artificial (AIA) del Conse-
jo Nacional de Ciencia y Tecnología (CONACYT) fue
creada en agosto de 2018 como una entidad de colabo-
ración interinstitucional, orientada a fomentar mejoras
concretas en la teoría y aplicación de la inteligencia ar-
tificial (IA) en México. Para lograr sus objetivos, la AIA
implementa modelos innovadores que incorporan: inves-
tigación, formación de recursos humanos de alto nivel y
transferencia de conocimiento. Además, la AIA fomen-
ta la suma de capacidades y la colaboración nacional e
internacional en temas relacionados con IA desde ocho
centros públicos de investigación: Centro de Investiga-
ción en Ciencias de Información Geoespacial (Centro-
Geo), Centro de Investigación Científica y de Educación
Superior de Ensenada (CICESE), Centro de Ingeniería y
Desarrollo Industrial (CIDESI), Centro de Investigación
en Matemáticas (CIMAT), Centro de Investigaciones en
Óptica (CIO), Instituto Nacional de Astrofísica, Óptica
y Electrónica (INAOE), Centro de Investigación e Inno-
vación en Tecnologías de la Información y Comunicación
(INFOTEC) e Instituto Potosino de Investigación Cien-
tífica y Tecnológica (IPICyT).
Desde su fundación, la AIA ha impulsado el desa-
rrollo del ecosistema de IA en México, organizando más
de 30 eventos y apoyando la participación en conferen-
cias científicas y el desarrollo de tesis sobre IA. Dentro de
sus más recientes iniciativas colaborativas con actores del
ecosistema se destacan: (a) la organización del Coloquio
Nacional en Inteligencia Artificial, en colaboración con
la Academia Mexicana de Computación (AMexComp),
(b) la Red Temática CONACYT en Inteligencia Compu-
tacional Aplicada (RedICA), (c) la Sociedad Mexicana
de Inteligencia Artificial (SMIA), y (d) el ciclo de confe-
rencias Hablemos sobre IA.
La AIA juega un papel estratégico impulsando pro-
yectos de IA enfocados a fomentar el desarrollo nacional
en temas como la salud, la movilidad y la protección am-
biental. En particular, a principios del 2020, la AIA lanzó
una invitación dentro de sus instituciones para realizar
proyectos de IA que pudieran apoyar a la sociedad mexi-
cana durante la pandemia de COVID-19. Esta iniciativa
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Artículo Komputer Sapiens 19 / 27
sigue la tendencia internacional de aprovechar las am-
plias capacidades de la IA para entender el fenómeno de
la pandemia y, de esta forma, mitigar los efectos negati-
vos derivados de esta crisis sanitaria.
Algunas de las áreas de aplicación de la IA relaciona-
das a la pandemia por COVID-19 son [1]:
Detección temprana y diagnóstico: se han
creado sistemas de IA para diagnóstico y detección
temprana de COVID-19 basados en el análisis de
síntomas y de imágenes médicas, como tomografías
o rayos X. También se han creado sistemas de IA
para detectar episodios de tos o cambios en la voz
que pueden estar relacionados con la enfermedad.
Apoyo a pacientes: el monitoreo continuo de sín-
tomas ha sido utilizado para crear modelos predic-
tivos que permiten inferir la evolución del paciente,
su nivel de riesgo y brindar alternativas de trata-
miento.
Contención de la epidemia: una de las estrate-
gias más exitosas para contener la pandemia ha si-
do el monitoreo de la traza digital de contactos, uti-
lizando principalmente teléfonos inteligentes. Esta
técnica permite identificar con quién estuvieron en
contacto determinadas personas y por cuánto tiem-
po, ayudando a predecir zonas de riesgo y a propo-
ner rutas alternas.
Modelos epidemiológicos: se han creado mode-
los de IA que permiten predecir la evolución de
contagios por región y hacer proyecciones basadas
en diversas políticas públicas: como las restriccio-
nes de vuelos, cierre de locales comerciales, etc.
Medicamentos y vacunas: la IA se ha usado
para crear y probar medicamentos para el trata-
miento del COVID-19 y para analizar los datos de
estudios clínicos y evaluar la eficacia de vacunas.
Apoyo al personal de salud: se han creado sis-
temas de IA para apoyar al personal de salud con
el tratamiento y seguimiento de pacientes y para
brindarles capacitación.
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
Robots autómatas: están siendo utilizados pa-
ra monitorear pacientes, limpiar hospitales, hacer
entregas y para ayudar a los médicos a reducir su
exposición al virus [2].
En particular, los proyectos impulsados por la AIA
relacionados con COVID-19 están enfocados en el diag-
nóstico rápido de la enfermedad, el monitoreo de conta-
gios, cuidado de adultos mayores y en la protección de
la salud mental de la población.
Proyectos impulsados por la AIA
A continuación, exploramos los cinco proyectos de inves-
tigación apoyados por la AIA que utilizan técnicas de IA
para crear herramientas que puedan ayudar a la sociedad
mexicana durante la crisis sanitaria de COVID-19.
Diagnóstico Rápido de COVID mediante Imágenes de
Rayos X de Tórax
Eduardo F. Morales, CIMAT/INAOE
Mariano Rivera CIMAT
Luis Enrique Sucar, INAOE
Las pruebas para el diagnóstico de COVID-19, como la
prueba Polymerase Chain Reaction, demoran, son cos-
tosas, y dependen de insumos que podrían estar en des-
abasto. Por esto, investigadores del CIMAT e INAOE
están desarrollando un sistema para diagnóstico rápido
de COVID-19 basado en al análisis de imágenes de rayos
X del tórax y de tomografías computarizadas de pulmón.
El objetivo del proyecto es proveer a los médicos con una
alternativa de diagnóstico inicial, rápida, de bajo costo
y accesible para cualquier centro de salud del país.
El sistema se basa en técnicas de aprendizaje pro-
fundo que, a partir de un conjunto de imágenes de en-
trenamiento, aprende automáticamente una representa-
ción para distinguir los casos de COVID-19 vs. NO-
COVID-19 (normales, neumonías virales, bacteriales o
fúngicas) [3]. El sistema de rayos X parte de un modelo
pre-entrenado con ImageNet ajustado para diagnóstico
de imágenes de rayos X. Las imágenes de entrenamiento
y prueba se obtuvieron de bases de datos públicas, al-
gunas de las correspondientes a México fueron obtenidas
mediante la colaboración con médicos.
Ya se cuenta con un prototipo inicial con resultados
prometedores que puede distinguir entre pacientes nor-
males, con COVID-19 y con otros tres tipos de neumo-
nías, logrando sobre el conjunto de prueba una precisión
(porcentaje de las predicciones de COVID-19 que son
verdaderas) del 99 % y un recuerdo (porcentaje de perso-
nas que tienen COVID-19 y que el sistema predice como
casos positivos) de 97 %. El sistema ha sido integrado
a una aplicación Web para que pueda ser utilizado por
médicos en cualquier hospital del país, quienes pueden
subir una imagen y obtener un diagnóstico inmediato.
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 20 / 27
Para ayudar a la interpretación médica, se ha incorpo-
rado un módulo que indica en la imagen las zonas que
contribuyen en mayor grado al diagnóstico [4], como se
ilustra en la Figura 1.
Ejemplo de una imagen de rayos X de tórax con
Figura 1.
COVID-19 (izquierda). En el centro se muestra un “mapa de
calor” que resalta las zonas en que la red neuronal presenta
una mayor activación en las últimas capas, lo que se puede
interpretar como las zonas de la imagen que contribuyen en
mayor medida al diagnóstico; a la derecha se muestra el mapa
de calor sobre la imagen original.
Este proyecto tiene un convenio con la Fundación del
Instituto Mexicano del Seguro Social (IMSS), y está sien-
do validado en colaboración con el Instituto Nacional de
Enfermedades Respiratorias (INER). Se espera que el sis-
tema comience a ser utilizado pronto.
Detección Molecular de SARS-CoV-2 usando Firmas de
ARN e IA
Cesaré Ovando-Vázquez, IPICyT
Mariano Rivera CIMAT
Sergio Casas-Flores IPICyT
Actualmente, las diversas metodologías rápidas para pre-
decir la presencia de COVID-19 tienen tasas altas de
falsos positivos (baja especificidad). En particular, en
México existen pocas pruebas para detectar el virus, lo
que limita la capacidad de identificación de casos y, por
ende, se puede estar subestimando el número de infec-
ciones. Existen métodos de detección usando imágenes;
sin embargo, se requieren pruebas que identifiquen fir-
mas moleculares del virus de manera sensible y especí-
fica, en los infectados sintomáticos y asintomáticos [5].
Dado que existen diversos virus patógenos en humanos,
se necesitan estudios que identifiquen marcadores especí-
ficos del COVID-19 (marcadores moleculares necesarios
y suficientes para su correcta detección). Los ARNs pe-
queños (microARNs, tARNS, etc.) no se traducen a pro-
teína, pero regulan actividades celulares como: estabili-
dad celular, respuesta a cambios drásticos, estrés, etc.
La ausencia, presencia y abundancia de estas molécu-
las ayuda a identificar el estadio de regulación celular y
potencialmente el propio estadio celular. Dada la emer-
gencia mundial por el COVID-19, ya existen reportes
públicos de datos de small RNA sequencing (sRNAseq)
de ARN pequeños no codificantes de personas con y sin
COVID-19.La identificación de ARN pequeños aumen-
ta el número de variables para mejorar la especificidad
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020
de detección de COVID-19 en personas infectadas o que
hayan tenido la infección.
En este proyecto se está generando un modelo de IA
utilizando datos moleculares públicos de ARNs peque-
ños. Este modelo usa la información de ARNs con mejor
sensibilidad y especificidad, ayudando a mejorar la de-
tección de COVID-19 de forma rápida y masiva. El sis-
tema podría ayudar al sector salud a precisar el número
de personas infectadas o que han sido infectadas sin ha-
ber presentado los síntomas. Además, usando datos de
sRNA-seq del estado de San Luis Potosí, se pretende
generar un modelo ajustado a la realidad regional que
podrá ser probado con nueva información de personas
(Figura 2).
Figura 2. Metodología propuesta para la detección molecu-
lar de SARS-CoV-2 usando firmas de ARN.
Monitoreo y Detección de Grupos de Personas para
Evitar Contagios Masivos usando Deep Learning
Javier Antonio González Trejo, CIMAT Zacatecas
Diego Alberto Mercado Ravell, CIMAT Zacatecas
Israel Becerra Durán, CIMAT Guanajuato
Rafael Murrieta Cid, CIMAT Guanajuato
Para controlar la propagación del virus COVID-19 en
México, se han instaurado protocolos de sanidad como
la llamada sana distancia, a fin de controlar la enferme-
dad y reactivar la economía. En este contexto, el mo-
nitoreo de espacios propensos a las aglomeraciones de
personas es fundamental, ya que estos representan zo-
nas de contagio masivo. El monitoreo manual de estos
espacios resulta poco práctico e ineficiente, por lo que
investigadores del CIMAT están desarrollado un sistema
de monitoreo automático utilizando aprendizaje de má-
quina. Este proyecto, utiliza redes neuronales profundas
para generar mapas de densidad [6,7], los cuales captu-
ran la localización y mantienen un conteo de personas en
multitudes densas. El uso de estos mapas resulta práctico
en todo tipo de espacios donde sea importante controlar
el número de personas.
Los mapas de densidad proporcionan información de
la densidad de la multitud a nivel de imagen. Para calcu-
lar la distancia entre las personas se proyecta el mapa al
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Artículo Komputer Sapiens 21 / 27
plano del piso [8]. Utilizando el mapa de densidad proyec-
tado, se puede asignar una medida de riesgo dependiendo
del número de personas en un grupo: 2 a 5 personas son
consideradas un riesgo bajo, 5 a 10 personas represen-
ta un riesgo moderado y grupos de más de 10 personas
constituyen un riesgo alto.
En la Figura 3, se observan los resultados obtenidos
por el sistema en tres escenarios. Las Figuras 3.a) y 3.h)
presentan multitudes dispersas, conformadas por grupos
con diferentes niveles de riesgo, representados por distin-
tos colores en la tercera columna. Mientras que la Figura
3.d) presenta una multitud de alto riesgo.
Cada columna presenta respectivamente la escena
Figura 3.
original, el mapa de densidad en el plano de la imagen (rota-
do 90º) y las multitudes detectadas en el mapa proyectado,
asignándoles un color de acuerdo con el nivel de riego (ver-
de para bajo, naranja para moderado y rojo para riesgo alto).
Este sistema podría ser utilizado por las autoridades
para monitorear de manera automática espacios públi-
cos y alertar sobre posibles focos de infección. Además,
la información recolectada por el sistema puede utilizarse
para estudiar la propagación de la epidemia.
cuida2covid: Plataforma para el Monitoreo y Valoración
Inicial por COVID-19 de Adultos Mayores en
Residencias Geriátricas
Jesús Favela, CICIESE
Luis Miguel Gutiérrez Robledo, INGER
Carmen García Peña, INGER
Dagoberto Cruz, CICESE
Eduardo Quintana, CICESE
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo
La edad representa uno de los principales factores de
riesgo de defunción por causa de COVID-19 [9]. En va-
rios países, más de la mitad de los fallecimientos se han
registrado en instituciones de cuidados de largo plazo. De
aquí la importancia de proveer a dichas instituciones con
información oportuna y herramientas para valorar, moni-
torear y tratar a residentes con síntomas de COVID-19.
Ante esta situación, el Instituto Nacional de Geriatría
(INGER) actualizó su censo de instituciones de cuida-
dos de largo plazo y propuso al CICESE colaborar en el
desarrollo de un sistema de monitoreo de síntomas que
permita conocer la situación de estas organizaciones du-
rante la pandemia y que pueda orientar a los cuidadores.
Es así como investigadores del CICESE desarrollaron el
sistema cuida2covid, que utiliza técnicas de aprendizaje
de máquina para detectar causas y riesgos asociados con
la enfermedad y, así, brindar una prognosis para la po-
blación objetivo. Además, la plataforma ofrece una base
para recabar información cuyo análisis puede otorgar re-
sultados epidemiológicos relevantes.
El sistema tiene una arquitectura cliente-servidor de
tres capas. La información capturada se almacena en el
centro de datos del CICESE de forma segura. Además,
se creó un API REST que facilita el desarrollo de clientes
para capturar y monitorear la información. En particu-
lar, el sistema cuenta con clientes para Web, dispositivos
móviles (Android e iOS) y bocinas inteligentes, que per-
miten ingresar datos de antecedentes clínicos, síntomas,
signos vitales y medidas de cuidado, como consultas mé-
dicas, aislamiento o pruebas COVID-19 (Figura 4).
Figura 4. Versión móvil del cliente cuida2covid: a) Histo-
ria de síntomas activos en el pasado reciente. b) Historial de
signos vitales. c) Lista de residentes con resumen de síntomas.
En junio del 2020 se realizó una prueba piloto del
sistema, con duración de un mes, en dos residencias ge-
riátricas. Los usuarios encontraron que el sistema es útil
para dar seguimiento de la salud de los residentes. Una
de las principales conclusiones del piloto fue que, dado
lo demandante del trabajo de los cuidadores, simplificar
el ingreso de datos era prioritario. Esto motivó el desa-
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Komputer Sapiens 22 / 27
rrollo de una interfaz de voz que permite el ingreso de
datos mediante una bocina ambiental, utilizando la mis-
ma API.
Para ampliar el alcance del proyecto, el equipo se unió
con investigadores de las universidades de Manchester y
de West Scotland para someter una propuesta al fon-
do DHSC/UKRI Golbal Effort on COVID-19, la cual se
encuentra en evaluación.
Agente Virtual Conversacional para la Identificación y
Ayuda de Problemas Asociados al COVID-19
Juan Martínez-Miranda, CICESE-UT3
Humberto Pérez-Espinosa, CICESE-UT3
A. Pastor López-Monroy, CIMAT
Miguel Á. Álvarez-Carmona, CICESE-UT3
Una de las consecuencias negativas ocasionadas por el
COVID-19 es la afectación en la salud mental de las per-
sonas. Además de experimentar temor de contraer el vi-
rus, se suman las consecuencias ocasionadas por impor-
tantes cambios en la vida cotidiana, provocados por las
acciones implementadas para minimizar la propagación
del virus. Para paliar este efecto negativo, los profesio-
nales de la salud a nivel federal en México proporcionan
guías informativas y números telefónicos para dar orien-
tación y apoyo a la población. El uso de aplicaciones
de IA puede complementar estos servicios de atención,
ofreciendo ayuda personalizada y llegando a una mayor
cantidad de personas, gracias a su ubicuidad y disponibi-
lidad. Por este motivo, investigadores de CICESE-UT3 y
el CIMAT están desarrollando una aplicación móvil para
identificar las problemáticas más recurrentes ocasionadas
por el aislamiento social y por las consecuencias económi-
cas de la pandemia, y para proveer información y ayuda
específica que pueda minimizar los efectos psicológicos
en las personas, como son la angustia y la ansiedad.
El principal medio de interacción de esta app es un
agente virtual conversacional (Figura 5) que implemen-
ta técnicas de IA, computación afectiva e interacción
hombre-máquina. La interacción utiliza un sistema de
diálogo basado en procesamiento de lenguaje natural,
complementado con expresiones faciales y movimientos
corporales del agente virtual, generados automáticamen-
te. Estos agentes virtuales ya han probado sus beneficios
para especialistas y pacientes en el área de la salud men-
tal [10, 11].
El agente puede sugerir actividades que ayuden a
mantener un buen estado de ánimo u ofrecer informa-
ción actualizada de fuentes oficiales sobre la pandemia,
como el mapa epidemiológico nacional. Además, si de-
tecta síntomas asociados a problemas de salud mental
(como depresión), el agente puede referir al usuario a los
canales y servicios de atención oficiales.
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 23 / 27
rus y a mitigar los impactos negativos que la pandemia
genera en la salud y en el bienestar económico y social.✵

REFERENCIAS
1. Food Express. (2019). Aplicacion para entrega de comida. Re-
cuperado 14 de octubre de 2019, de https://foodexpress.com.
mx/index.xhtml.

2. Vaishya, R., Javaid, M., Khan, I. H., y Haleem, A. (2020). Artifi-

cial Intelligence (AI) applications for COVID-19 pandemic. Dia-
betes & Metabolic Syndrome: Clinical Research & Reviews,
14(4), pp. 337-339.
3. E. Guizzo y R. Klett. (2020), How Robots Became Essential
Workers in the COVID-19 Response, IEEE Spectrum, Recupe-
rado el 18 de diciembre de 2020, de https://spectrum.ieee.
org/robotics/medical-robots/how-robots-became-essential-
workers-in-the-covid19-response.

4. Wang, L., Lin, Z. Q., y Wong, A. (2020). Covid-net: A tai-

Figura 5. Agente Virtual como principal medio de interac-
ción.
La información proporcionada por el usuario —con
consentimiento explícito y anonimizada— permitirá la
recolección de datos textuales. Este corpus textual se
utilizará para extraer información relevante, utilizando
procesamiento del lenguaje natural, sobre dudas, ob-
servaciones o problemas asociados a diferentes perfiles
demográficos. Este análisis generará conocimiento sobre
las problemáticas más comunes que están emergiendo
durante este período que puede ser utilizado como base
para definir y afinar mejores respuestas y protocolos de
prevención para futuras contingencias similares.
Conclusiones
Los proyectos apoyados por la AIA nos muestran cómo
las nuevas tecnologías pueden ayudarnos a hacer mejores
predicciones y orientarnos durante la toma de decisio-
nes. En particular, en el contexto de las crisis sanitaria,
económica y social generadas a raíz de la pandemia de
COVID-19, la IA nos brinda herramientas que pueden
ayudar a nuestro país a controlar la propagación del vi-
lored deep convolutional neural network design for detection
of covid-19 cases from chest x-ray images. Scientific Reports,
10(1), 1-12.
5. Bach, S., Binder, A., Montavon, G., Klauschen, F., Müller,
K., y Samek, W. (2015). On Pixel-Wise Explanations for Non-
Linear Classifier Decisions by Layer-Wise Relevance Propaga-
tion, PLoS ONE, 10(7).
6. Sahlol, A. T., Yousri, D., Ewees, A. A., Al-Qaness, M. A., Da-
masevicius, R., y Abd Elaziz, M. (2020). COVID-19 image clas-
sification using deep features and fractional-order marine pre-
dators algorithm. Scientific Reports, 10(1), 1-15.
7. Ma, Z., Wei, X., Hong, X., y Gong, Y. (2019). Bayesian loss for
crowd count estimation with point supervision. En Proceedings
of the IEEE International Conference on Computer Vision,
6142-6151, Seúl, Corea.
8. Gonzalez-Trejo, J. A., y Mercado-Ravell, D. A. (2020). Dense
Crowds Detection and Counting with a Lightweight Architec-
ture. arXiv preprint arXiv:2007.06630.
9. Zhang, Q., y Chan, A. B. (2019). Wide-area crowd counting
via ground-plane density maps and multi-view fusion cnns. En
Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition, 8297-8306, Long Beach, EUA.
10. Goldstein, J. R., y Lee, R. D. (2020). Demographic Perspectives
on Mortality of Covid-19 and Other Epidemics (No. w27043).
National Bureau of Economic Research.
11. Provoost, S., Lau, H. M., Ruwaard, J., y Riper, H. (2017). Em-
bodied conversational agents in clinical psychology: a scoping
review. Journal of medical Internet Research, 19(5), e151.
12. Martínez-Miranda, J., Martínez, A., Ramos, R., Aguilar, H., Ji-
ménez, L., Arias, H., y Valencia, E. (2019). Assessment of users’
acceptability of a mobile-based embodied conversational agent
for the prevention and detection of suicidal behaviour. Journal
of medical systems, 43(8), 246.

SOBRE LOS AUTORES

Miguel Á. Álvarez-Carmona obtuvo el grado de Ingeniero en Ciencias Computacionales en 2012 por
parte de la BUAP. Posteriormente, se graduó del INAOE obteniendo el grado de Maestro y Doctor en
Ciencias Computacionales en 2014 y 2019 respectivamente, donde se especializó en Inteligencia artificial
y Procesamiento de Lenguaje Natural. Ha sido autor de diversos artículos en revistas y congresos
nacionales e internacionales. De 2019 a la fecha, es catedrático CONACyT en CICESE-UT3 y pertenece
al SNI nivel C y a la Asociación Mexicana de Procesamiento de Lenguaje Natural.

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 24 / 27
Dagoberto Cruz Sandoval es doctor en Ciencias de la Computación por el Centro de Investiga-
ción Científica y de Educación Superior de Ensenada (CICESE). Sus intereses de investigación son
Robots de Asistencia Social, Interacción Humano-Robot, Aprendizaje Automático y Cómputo Ubi-
cuo. Ha realizado estancias de investigación en el Instituto Nacional de Geriatría (CDMX), Ulster
University (Belfast, UK) y en el Creative Robotics Lab en University of New South Wales (Sydney,
Australia). Actualmente, se encuentra trabajando en proyectos relacionados con el desarrollo y diseño
de herramientas tecnológicas para el monitoreo y seguimiento de síntomas de COVID-19.
Jesús Favela es Investigador del Departamento de Ciencias de la Computación del CICESE en donde
dirige el Laboratorio de Cómputo Móvil y Ubicuo. Realizó estudios de licenciatura en la UNAM, y
obtuvo los grados de Maestro en Ciencias y Doctor por el Massachusetts Institute of Technology (MIT)
en donde trabajó como asistente de investigador en el Intelligent Engineering Systems Laboratory. Sus
áreas de interés incluyen: Cómputo Ubicuo, Interacción Humano-Computadora e Informática Médica.
El Dr. Favela fue presidente de la Sociedad Mexicana de Ciencias de la Computación en el periodo
2003-2005, es miembro del SNI, nivel 3.
Javier Antonio González Trejo nació en la ciudad de Guadalupe Zacatecas. Recibió el grado de
Licenciado en Ingenieria en Computación por parte de la Benemérita Universidad Autonóma de Za-
catecas en modalidad “Promedio”. Cuenta con 2 años de experiencia como sysadmin y actualmente
persigue el grado de Maestro de Ingenieria en Software por parte del Centro en Investigación en Mate-
máticas (CIMAT) campus Zacatecas. Su investigación se centra en la detección y conteo de multitudes
densas utilizando Redes Neuronales y vehículos no tripulados.
A. Pastor López Monroy es investigador del CIMAT con interés en Aprendizaje Profundo y Pro-
cesamiento del Lenguaje Natural. En 2017 y 2018 se desempeñó como investigador posdoctoral en el
Departamento de Ciencias de la Computación en la Universidad de Houston (UH), en Texas EE. UU.
Durante su estancia en la Universidad de Houston fue Lecturer impartiendo clase en el Departamento
de Computación en 2018. En enero de 2017 obtuvo su Doctorado en Ciencias Computacionales por
el INAOE. Se graduó de Maestro en Ciencias Computacionales, también por el INAOE (2012), y de
Ingeniero por el Instituto Tecnológico de Celaya (2010).
Juan Martínez-Miranda es Ing. en Sistemas Computacionales por el Instituto Tecnológico de San
Luis Potosí, tiene una maestría en Inteligencia Artificial por la Universidad Politécnica de Cataluña
y un doctorado en Ingeniería Informática por la Universidad Complutense de Madrid. Ha trabajado
como investigador en el Parque Científico de Barcelona, el Instituto Austriaco de Inteligencia Artificial,
la Universidad Politécnica de Valencia y actualmente tiene una cátedra CONACyT en la Unidad de
Transferencia Tecnológica (UT3) del CICESE. Sus intereses de investigación incluyen los sistemas
multi-agentes, interacción hombre-máquina y computación afectiva. Es miembro nivel I del Sistema
Nacional de Investigadores.
Diego Alberto Mercado Ravell recibió el grado de Doctor en Ciencias por la Universidad de
Tecnología de Compiégne, Francia, en 2015, con la tesis «Navegación Autónoma y Tele-operación
de Vehículos Aéreos No Tripulados usando Visión Monocular». Ha realizado post-doctorados en la
Universidad de Rutgers, en NJ EUA, trabajando en el desarrollo del primer dron híbrido aire/agua; así
como en el Laboratorio Franco-Mexicano UMI-LAFMIA, en CINVESTAV. Actualmente se desempeña
como catedrático CONACyT en el proyecto de Robótica y Realidad Virtual en CIMAT Zacatecas y es
miembro del SNI. Líneas de investigación: Robótica, Inteligencia Artificial, Modelado, Control, Visión
Computacional y Vehículos Autónomos.
Eduardo F. Morales es egresado de Ingeniería Física de la UAM-Azcapotzalco, cuenta con una
maestría en Inteligencia Artificial de la Universidad de Edimburgo y un doctorado en Computación
del Turing Institute - Universidad de Strathclyde, en Escocia. Es miembro del Sistema Nacional de
Investigadores nivel 3, miembro de la Academia Mexicana de Ciencias y Egresado Distinguido de la
Universidad Autónoma Metropolitana. Es investigador Titular C del Instituto Nacional de Astrofísica,
Óptica y Electrónica (INAOE) en Puebla y actualmente realiza una estancia sabática en el Centro de
Investigación en Matemáticas (CIMAT) en donde realiza investigación en aprendizaje computacional
y robótica.

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020 Artículo Komputer Sapiens 25 / 27
Cesaré Ovando-Vázquez es SNI Nivel I. Licenciatura en Ingeniería Física por la UAM-Azcapotzalco
y Doctorado en ciencias con especialidad en Física por el Cinvestav-Zacatenco. Actualmente es catedrá-
tico CONACyT adscrito al Centro Nacional de Supercómputo (CNS) del IPICyT. Es responsable de
proyectos de bioinformática, combinando inteligencia artificial y datos experimentales de biológica mo-
lecular. Sus intereses de investigación son las ciencias ómicas, la bioinformática y tópicos de inteligencia
artificial.
Humberto Pérez-Espinosa recibió el grado de Licenciado en Ciencias Computacionales en la Bene-
mérita Universidad Autónoma de Puebla (BUAP) en 2004, el grado de Maestro en Ciencias Compu-
tacionales en 2006, y el grado de Doctor en Ciencias Computacionales en el INAOE en 2013. Sus
intereses de investigación incluyen el aprendizaje automático, computación afectiva, computación pa-
ralingüística y el análisis inteligente de audio. Ha publicado más de 30 artículos en revistas y memorias
de conferencias. Es miembro del Sistema Nacional de Investigadores desde 2015 y actualmente es ca-
tedrático CONACyT en la Unidad de Transferencia Tecnológica Tepic del CICESE.
Mariano Rivera obtuvo el grado de Dr. en Ciencia por el CIO en septiembre 1997. Desde entonces
trabaja en el CIMAT como investigador titular. Ha realizados una estancia Posdoctoral ene la Uni-
vetsidad de Pensilvania en 2001-2002 y fue profesor visitante en la Universidad Estatal de Florida
en 2008-2009. Los cargos académicos-administrativos desempeñados son Coordinador del Posgrado en
Computación de 2001-2002 y de 2007-2008. Coordinador Académico (de investigación) desde 2011 a
enero 2017. Ha publicado cerca de 50 articulos en revistas indexadas entre las que destacan PAMI,
Transactions on Image processing, y transactions on medical imagining; asi como Medical Image Ana-
lisys, optics letters; por mencionar algunas. Cuenta con un número similar de artículos en memorias
arbitradas en congresos como CVPR, ECCV, ICPR. Es miembro del comite directivo del congresoos
de prestigio como Pacific Rim Symposium on Image and Video Technology (PSIVT) y de comités de
programas para CVPR, NIPS, ACCV, ICPR, ECCV. Sus intereses en investigación están en los temas:
Procesamiento de Imágenes y Visión, Optimización numérica y Aprendizaje Automático; en particular
en aplicaciones en análisis de datos de sensado remotos, y análisis de conectividad cerebral.
Ivete Sanchez-Bravo es Coordinadora de Servicios Tecnológicos del Centro de Investigación en Ma-
temáticas (CIMAT) y Gerente del Consorcio de Inteligencia Artificial de Centros CONACyT. Alianza
conformada por ocho centros públicos de investigación. Ingeniera en Sistemas Computacionales de la
Escuela Superior de Cómputo y Maestra en Ciencias de la Computación y Matemáticas Industriales por
el CIMAT. Cuenta con experiencia en la industria privada como líder de plataformas de optimización
en Prolec-GE. Sus principales intereses son en desarrollo de tecnología y transferencia de conocimientos
en las áreas de cómputo científico como procesamiento de imágenes, optimización, reconocimiento de
patrones y modelación numérica.
Luis Enrique Sucar es Investigador Titular en el Instituto Nacional de Astrofísica, Óptica y Electró-
nica. Estudió Ingeniería en Electrónica y Comunicaciones en el Tecnológico de Monterrey, Maestría en
Sistemas Computacionales en Stanford University y Doctorado en Computación en el Imperial College.
Es miembro de Sistema Nacional de Investigadores Nivel III, Presidente de la Academia Mexicana de
Computación, y recibió el Premio Nacional de Ciencias en 2016. Está interesado en desarrollar sistemas
inteligentes que puedan interactuar con el mundo real, tomando las mejores decisiones bajo incertidum-
bre basándose en modelos gráficos probabilísticos; y sus aplicaciones en robótica, visión computacional,
energía y biomedicina.
Sofía Trejo es especialista en ética de la inteligencia artificial (IA). Fue la líder de investigación del
grupo de Ética de la Agenda Nacional de IA para México y ha impartido seminarios de ética de la
IA en la maestría en Ciencia de Datos del ITAM y en el Instituto de Investigaciones en Matemáticas
Aplicadas y en Sistemas (IIMAS) de la UNAM. Es doctora en Matemáticas por la Universidad de
Warwick y ha realizado Postdoctorados en la Universidad de São Paulo y en Imperial College London.
Actualmente trabaja en la Alianza en Inteligencia Artificial de CONACYT.

© 2020 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691

Año XII, Vol. III. Septiembre - Diciembre 2020
IA & Educación
Lucía Barrón, Yasmín Hernández y Julieta Noguez
iaeducacion@komputersapiens.org
La educación en México en tiempos de pandemia
La aparición del virus SARS-CoV-2 a finales del año
2019, y la consecuente declaración del estado de pande-
mia por parte de la Organización Mundial de Salud el 11
de marzo de 2020 [1], provocaron cambios significativos
en muchas actividades cotidianas. Ante la enfermedad
Covid-19, la población tuvo que acatar las disposiciones
oficiales de los gobiernos que en muchos casos ordenaron
la suspensión de actividades no esenciales con el fin de
permitir que la población se mantuviera en aislamiento
social para disminuir los contagios.
En México, después de cuatro semanas de suspensión
de labores escolares en los meses de marzo y abril 2020, el
Gobierno, a través de la Secretaria de Educación Públi-
ca, SEP, implementó el programa Aprende en Casa como
una estrategia para mantener los servicios educativos en
modalidad a distancia durante la emergencia sanitaria y
lograr finalizar el ciclo escolar 2019-2020.
Las actividades escolares migraron a formatos virtua-
les donde es indispensable la tecnología (computadoras,
laptops, tabletas, teléfonos inteligentes, software educa-
tivo, internet, etc.), pero también se requiere que los ac-
tores involucrados en el proceso de enseñanza y apren-
dizaje posean y desarrollen competencias para adoptar
la tecnología en su quehacer, y adaptar sus materiales
y evidencias al formato virtual. Esto es un reto mayor
en países como México, donde la brecha digital es am-
plia y se carece de un modelo educativo a distancia en
educación básica.
La situación actual ha propiciado tanto el desarrollo
de recursos educativos digitales, como el acceso a recur-
sos educativos digitales proporcionados por las autori-
dades educativas para la educación en línea de diversos
temas de educación básica. En muchos de estos trabajos,
la inteligencia artificial ha sido utilizada para generar sis-
temas adaptables a las necesidades cognitivas y afectivas
de los estudiantes, desarrollando excelentes herramientas
para apoyar la educación a través de sistemas tutores in-
teligentes, ambientes adaptativos, modelado emocional
del estudiante y agentes conversacionales, entre otros.
Algunos ejemplos de aplicaciones desarrolladas con
herramientas de inteligencia artificial para este fin son:
1. ReAQ es un sistema tutor inteligente que usa reali-
dad aumentada para que estudiantes de nivel se-
cundaria aprendan los temas de elementos, reac-
ciones y compuestos químicos, ver Figura 1. ReAQ
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Columna Komputer Sapiens 26 / 27
facilita el aprendizaje de los estudiantes a través
de la interacción, la visualización tridimensional y
la adaptación dinámica del contenido en función
de las habilidades del estudiante, haciendo que el
estudiante se comprometa con su aprendizaje [2].
2. ARGeo es una aplicación informática que utiliza
realidad aumentada para representar figuras geo-
métricas. Esta aplicación se diseñó con base en el
programa de estudio oficial de la SEP para la ense-
ñanza del tema de Geometría, principalmente Pla-
nos y cuerpos geométricos, donde los estudiantes
pueden practicar diferentes actividades y resolver
ejercicios [3], ver Figura 2. ARGeo permite que el
estudiante visualice gráficamente figuras en terce-
ra dimensión siendo posible rotarlas para mostrar
diferentes ángulos.
3. Dinoblock en un sistema diseñado para apoyar el
desarrollo del pensamiento computacional utilizan-
do dispositivos Android [4], ver Figura 3. Dino-
Block es una aplicación móvil multijuegos que utili-
za diferentes técnicas de inteligencia artificial como
lógica difusa para personalizar el aprendizaje de los
estudiantes y aprendizaje máquina para analizar
las emociones de los estudiantes.
4. EduMatic es una herramienta web para generar
aplicaciones educativas móviles para múltiples pla-
taformas y dispositivos. Esta utiliza un proceso ba-
sado en inteligencia artificial e imágenes dibujadas
a mano alzada que representan interfaces de usua-
rio. Dos áreas de IA se involucran en esta herra-
mienta: procesamiento de imágenes digitales y re-
des neuronales artificiales [5].
Figura 1. Temas enlaces covalentes y enlaces icónicos en
ReAQ.
ISSN 2007-0691
Año XII, Vol. III. Septiembre - Diciembre 2020
Figura 2. Interfaz gráfica de ARGeo para calcular volumen.
Figura 3. Interfaces de usuario de Dinoblock.
Otras aportaciones se ofrecen a través de la Red de
Innovación Educativa, RIE360, la cual está conformada
por distintas instituciones de educación superior (IES)
públicas y privadas de México con el fin de colaborar
para apoyar a los docentes en su labor durante la con-
tingencia. RIE360 cuenta con un sitio web (ver Figura
4) donde comparten enlaces a portales de apoyos insti-
tucionales, recursos educativos, herramientas didácticas,
cursos en línea, acervos digitales y bibliotecas, así como
repositorios y medios de comunicación, todos de acceso
abierto [6].
El año 2020 ha puesto al descubierto la imperiosa ne-
cesidad de contar con recursos educativos digitales que
estén disponibles para garantizar la educación de los mi-
llones de niños y jóvenes que, debido a la crisis sanitaria
deben permanecer en aislamiento físico.
La inteligencia artificial ha permitido que los recursos
educativos digitales se desarrollen con características que
permitan brindar un apoyo personalizado a estudiantes
© 2020 - Sociedad Mexicana de Inteligencia Artificial
Columna Komputer Sapiens 27 / 27
adaptándose a sus necesidades con el fin de permitir el
desarrollo de competencias y habilidades indispensables
para la vida.
Figura 4. Página web de la Red de Innovación Educativa
(RIE 360).
Adicionalmente, la inteligencia artificial también ayu-
dará a que la labor de los docentes evolucione para que,
con ayuda de la tecnología, puedan enfocar toda su
atención en sus estudiantes. El reto para los profeso-
res es grande, pero podrán apoyarse en el potencial de
las aplicaciones inteligentes como herramientas de tra-
bajo para llevar a otro nivel el concepto de enseñanza-
aprendizaje.✵
REFERENCIAS
1. OMS, noticia en Twitter. https://twitter.com/WHO/status/
1237777021742338049.
2. Aldo Uriarte-Portillo, Ramón Zatarain-Cabada, María Lucia
Barrón-Estrada, María Blanca Ibáñez-Espiga. ReAQ: An In-
telligent Tutoring System with augmented reality technology
focused on chemistry. Research in Computer Sciences, vol. 149
12, 2020.
3. María Blanca Ibáñez, Aldo Uriarte Portillo, Ramón Zatarain
Cabada, María Lucía Barrón, Impact of augmented reality tech-
nology on academic achievement and motivation of students
from public and private Mexican schools. A case study in a
middle-school geometry course, Computers & Education, Vo-
lume 145, 2020, 103734, ISSN 0360-1315, https://doi.org/10.
1016/j.compedu.2019.103734.
4. Zatarain Cabada, Ramón, Barrón Estrada, María Lucia y Ca-
brera Rubio, Ulises Uriel. Dinoblock: Una aplicación móvil pa-
ra el pensamiento computacional, en Barrón-Estrada, M.L.,
Camarena-Ibarrola, A., Figueroa, K., Soto-Mendoza, V., (2020)
Aplicaciones de la Computación, Universidad Autónoma de
Coahuila. ISBN: 978-607-506-395-9
5. Laura Nely Sánchez-Morales, Giner Alor-Hernández, Vivia-
na Yarel Rosales-Morales, Cesar Augusto Cortes-Camarillo,
José Luis Sánchez-Cervantes. Generating educational mobi-
le applications using UIDPs identified by artificial intelli-
gence techniques. Computer Standards & Interfaces, Volume
70,2020,103407, ISSN 0920-5489, https://doi.org/10.1016/j.
csi.2019.103407.
6. Red de Innovación Educativa (RIE360) http://rie360.mx/
index.html#about.
ISSN 2007-0691
 Durante la fase tres de la epidemia de COVID-19, el número de contagios crece de forma rápida,
es por eso que debes quedarte en casa para reducir el número de casos que se pueden presentar.

El coronavirus es muy contagioso y, si hay más personas en las calles, seguramente habrá muchos
enfermos que saturarían los hospitales.

¡No habría forma de ayudar a todos!

En cambio, si respetamos la sana distancia, habrá menos casos y más capacidad para que todos reciban
atención.

Y no olvides:

Información tomada de: https://coronavirus.gob.mx
 Indizada en el IRMDCT de CONACYT y en Latindex

¡Publique en Komputer Sapiens!

Komputer Sapiens solicita artı́culos de divulgación en todos los temas de Inteligen-

cia Artificial, dirigidos a un amplio público conformado por estudiantes, académicos,
empresarios, tomadores de decisiones y consultores. Komputer Sapiens es patrocinada
por la SMIA, la Sociedad Mexicana de Inteligencia Artificial

www.smia.org.mx

Instrucciones para autores e información general: http://www.komputersapiens.org

Sı́guenos en las redes sociales: www.facebook.com/Komputer.Sapiens, twitter.com/KomputerSapiens