1

APLICACIONES DE LA MATEMÁTICA EN LA MEDICINA

El campo de aplicación de las matemáticas en la educación

médica es muy amplio, así por ejemplo están la posología
(cantidad y modo de uso de un medicamento), la farmacología
(mecanismo de acción de un medicamento y concentraciones), la
radiología (recuerda que las imágenes diagnosticas son
susceptibles de ser medidas en dos y aun tres dimensiones), el
laboratorio clínico (sus valores se expresan en números). Donde
quieras encontraras las matemáticas, en el caso de calcular la
fecha para un parto, allí tomaras la fecha de ultima regla, al día
le sumaras 7 y al mes le sumaras 9, y siempre obtendrás 40
semanas de embarazo o lo que es lo mismo 280 días (40 sem. x
7 días). Los ejemplos son muchos.
Matemáticas tienen aplicación en todos los aspectos de la
vida humana. En medicina se tiene que estar lidiando con dosis
que tienen que ser calculados de acuerdo al peso, el tamaño de
cada individuo. Si no se sabe lo mínimo de matemática, el
paciente corre el riesgo de perder la vida por una sobre dosis
accidental. Y eso todavía ocurre en la vida real. (1)

IMPORTANCIA DE LAS MATEMÁTICAS EN LA

MEDICINA
Para entender mejor la dinámica de la medicina, es
conveniente tener en cuenta una perspectiva histórica.
Recordemos que la concepción del mundo y el sistema de
valores occidental hasta los siglos XVI y XVII, tenían como base
las doctrinas griegas y la teología cristiana.
 2

Durante el Renacimiento, para resolver los problemas en

que se manifestaron grandes desastres de diverso tipo, como las
enfermedades epidémicas, recurrieron a la «ciencia» para dar
diferentes respuestas y soluciones a las ya tradicionales. (1)
Dicha ciencia se basa en gran parte en las ideas y
postulados del filósofo y matemático francés René Descartes
(1596-1650) y del matemático y filósofo inglés Isaac Newton
(1642-1727).
Descartes dio importancia al dualismo (cuerpo material y
espíritu inmaterial) y al carácter mecánico de la naturaleza
exterior, considerando al cuerpo humano como un organismo
simple pero enormemente ingenioso. (2)
Después Newton desarrolló una teoría del mundo;
descubrió las leyes de la gravitación universal, leyes basadas en
la geometría de Euclides, las ecuaciones del cálculo. (2)
En este marco conceptual del espacio y del tiempo
absoluto, se consideraron ciertas partículas dotadas de
movimiento, como los átomos que obedecían matemáticamente
a leyes físicas, de tal manera que se podía seguir y calcular los
efectos de un fenómeno o cosa conocida. Tomando como base lo
anterior, se comparó al mundo con un reloj, instrumento con el
que se podían entender gran cantidad de fenómenos, por no
decir todos. (3)
El paradigma científico tenía una visión determinista y una
capacidad predictiva. Esas ideas dieron lugar a que los científicos
y técnicos calcularan, manipularan y controlaran el mundo
observable de maneras no pensadas antes de la revolución
cartesiana. Así surgieron (en los últimos cien años) en virtud del
 3

interés humano, grandes puentes, presas, aparatos de Rayos x,

aviones y otros avances de la civilización.
Hoy día el concepto científico rechaza la «Filosofía del
reloj», pues hay una concepción sistemática: “el todo está
dividido en elementos y éstos están interconectados, pero no
necesariamente como una cadena de causas y efectos” (4).
La geometría euclidiana, basada en evidencia y
deducciones, que el hombre estudió y utilizó por cerca de dos
milenios, queda fuera de época; cuando se aplica a la
naturaleza, las matemáticas basadas en el cálculo y las
ecuaciones diferenciales son únicamente aproximaciones al
mundo real, perdiendo importancia cuando se trata de explicar el
porqué de la composición de las proteínas, el tamaño de los
árboles o la conducción en el sistema nervioso. (4)
“En la actualidad hay «nuevas» matemáticas, que tienen
características cualitativas y cuantitativas que han dado lugar a
la topología, a la teoría de los nudos, a la teoría del caos y a la
geometría fractal, todas relacionadas con la complejidad de los
sistemas lineales” (4). Dichos términos, con nuevas
connotaciones están dando lugar a una nueva revolución
científica.
TOPOLOGÍA
La topología “es una rama de las matemáticas, que se
ocupa del perfil y de la forma de las entidades tridimensionales,
desde las moléculas de las proteínas hasta las galaxias” (5).
El DNA, enzimas, anticuerpos monoclonales, antígenos,
aminoácidos y linfocitos, son unas cuantas, de las proteínas del
 4

cuerpo, cuyas funciones están determinadas en gran parte por

su perfil y forma.
La topología, por lo tanto, tiene gran aplicación en la
biología y en la medicina. Es una herramienta básica en la
síntesis y desarrollo de una nueva generación de diagnósticos,
medicamentos y vacunas. (5)
TEORÍA DE LOS NUDOS
La teoría de los nudos, como su nombre lo implica, reduce
a ecuaciones algebraicas, utilizadas en el estudio de las
configuraciones del DNA, cualquiera de los infinitos tipos de
nudos, incluyendo los gordianos. La teoría de los nudos ayuda a
los biólogos a entender cómo el DNA empieza a elaborarse como
cadena, a anudarse durante replicaciones y combinaciones y
cómo funcionan las enzimas que dan lugar a esa actividad. (6)
“La principal observación ha sido que el DNA se anuda y
desanuda; se encadena y desencadena a sí mismo; si estos
cambios no ocurren adecuadamente las células mueren” (6).
TEORÍA DEL CAOS

Los sistemas naturales de cualquier escala presentan con

frecuencia comportamientos abruptos y complejos cuando están
bajo la influencia de fuerzas poderosas de la naturaleza. Los
ciclones, las tormentas y las cataratas son ejemplos claros; hay
otros ejemplos en astrofísica, física plasmática y química; en las
ciencias sociales se encuentran los motines; en la salud pública
la aparición y propagación de las epidemias y en biología las
arritmias cardíacas y las neoplasias. Ejemplos más inherentes al
hombre en la vida cotidiana son las vibraciones violentas y los
 5

problemas que pueden presentarse al hacer cierta presión sobre

el acelerador de un automóvil; otro ejemplo son las distorsiones
causadas en el sonido debido al volumen excesivo en un aparato
estereofónico. Estos son fenómenos no lineales o caóticos. (7)
Así pues, la naturaleza está llena de ejemplos de conducta
no lineal, lo cual es la regla, no la excepción. ¿Por qué las
ciencias, incluyendo la medicina, han permanecido apegadas a
los conceptos de linealidad y predictibilidad? Antes de contestar
la pregunta, nos referiremos a la geometría fractal.
GEOMETRÍA FRACTAL
Un médico llamado Ary L. Goldberg, director adjunto del
Laboratorio de arritmias del Hospital Beth Israel de Boston,
afirmó en 1986, que la interdependencia en la medicina entre la
fisiología, las matemáticas y la física será un sinequa non en
pocos años.
Literalmente “Estamos en una nueva frontera, una nueva
clase de fenómenos que se están manifestando” (8). Cuando se
observan bifurcaciones y cambios abruptos y caóticos en la
conducta, se encuentra que pierden su importancia los modelos
lineales convencionales». En 1986 en los libros de fisiología no
aparece la palabra fractal, es hasta 1996 cuando todos los libros
de fisiología la mencionan. El doctor Golberg se refería ya a la
geometría fractal.
Si se desarrollan algunas reglas, y en paralelo a las
mismas, se recurre a la simulación en computadoras y a
imágenes gráficas, se pueden capturar las estructuras complejas
de los fenómenos naturales.
 6

Por ejemplo, para hacer la réplica de un árbol (no

existente), o bien, de un conjunto de árboles, sería necesario
recurrir a 2000 bytes de memoria y a reglas apropiadas. Así
pues, tal como ocurre en la naturaleza, cada árbol en el
imaginario conjunto sería diferente uno de otro. (8)
“Las aplicaciones reales y potenciales en medicina son
obvias. El sistema nervioso central y periférico, el sistema
cardiovascular, los riñones, los pulmones y otros órganos y
tejidos, todos ellos son sistemas fractales” (8).
Las computadoras de alta velocidad y las nuevas
metodologías matemáticas como la topología, la teoría de los
nudos, la teoría del caos o no linealidad, y la geometría fractal,
son los medios y herramientas para considerar los fenómenos de
otra manera.
Los conocimientos profundos y amplios acerca de los
procesos vitales se están manifestando merced a los nuevos
usos de las matemáticas.
Lamentablemente sólo un grupo reducido de teóricos de la
ciencia, físicos, químicos, biólogos y un grupo aún menor de
neurólogos, cardiólogos, oncólogos y genetistas, entienden y se
interesan en el papel tan importante que las matemáticas
tendrán en el futuro de la medicina. (8)
“Esta situación se debe en parte, a que existe un lenguaje
ininteligible y abstracto que separa las ricas y fértiles
matemáticas modernas del ordinario conocimiento humano” (8).
Pero afortunadamente esta disciplina está siendo estudiada
por investigadores médicos. Un artículo de NATURE, de
 7

noviembre de 1987, refiere la importancia de las matemáticas no

lineales en la fisiología cardiaca.
La aplicación de las matemáticas no lineales para estudiar
fenómenos complejos dinámicos en cardiología, contrasta con los
métodos biofísicos utilizados para caracterizar las corrientes y los
canales iónicos sobre la que descarga la actividad cardíaca.
Fenómenos dinámicos semejantes se pueden describir en
cualquier tejido excitable, sea cerebro, intestinos, corazón o
útero, o aún en todos los medios químicos no vivientes que
pueden propagar excitación.
En la conferencia celebrada en agosto de 1988, por la
American Mathematical Society, se afirmó: «Los últimos avances
en las ciencias matemáticas sugieren que habrá un importante
aumento potencial en cuanto a avances fundamentales en las
ciencias de la vida, que dependerán en gran parte, de modelos
matemáticos y de la computación. Los biólogos estructuralistas
se convertirán en ingenieros en genética, capturando la
geometría de macromoléculas complejas a través de
supercomputadoras y simulando interacciones de moléculas en
la búsqueda de agentes con actividad biológica» (9).
Recurriendo a los métodos computacionales los biólogos
podrán presentar en una pantalla de computadora la geometría
de un virus de resfriado común, un intrincado perfil poliédrico de
belleza extraordinaria y de forma geométrica fascinante, que
muestre una superficie con huellas moleculares que permitirá
estudiar aspectos biológicos.
Los genetistas están realizando enormes esfuerzos para
mapear la totalidad del genoma humano, sin embargo, en
 8

muchos laboratorios de fisiología se recurre a algoritmos

contemporáneos aplicados a ecuaciones en la dinámica de
fluidos, para determinar fenómenos como turbulencias en la
sangre causados por válvulas cardíacas edematizadas o
partículas de colesterol. (9)
En la actualidad las matemáticas no se pueden concebir
como números, materia y espacio, se han transformado en una
ciencia de modelos y la aplicación derivada del ajuste entre ellos.
A semejanza de lo ocurrido en las ciencias físicas, las
matemáticas comienzan a ser la fuente de aprendizaje y cambio
en las ciencias biológicas y de la salud.
Los institutos nacionales de salud cuentan con recursos de
computación dedicados a la biología molecular, así como
laboratorios de biología matemática, basándose en aspectos
biológicos y técnicos para diagnosticar el cáncer y hacer también
el diagnóstico de otros padecimientos crónico degenerativos
propios del desarrollo económico, liberando así a los enfermos de
riesgos, tales como estados de choque por el uso de substancias
de contraste, que desencadenan instantes después de su
aplicación, fenómenos alérgicos y en ocasiones, en el peor de los
casos, la muerte. Ejemplo de este tipo de riesgo son los
angiocardiogramas en los enfermos estudiados con problemas
coronarios (angina de pecho), entre otros, que pueden ser
resueltos con la resonancia magnética. (9)
Usando estos ejemplos, quise dar a conocer la importancia
de las matemáticas en la teoría y práctica de la medicina:
“Curan un cáncer de hígado mediante una terapia basada
en una fórmula matemática” (10).
 9

Investigadores españoles han conseguido la curación de un

paciente desahuciado con un cáncer de hígado y abrirán una
línea de tratamiento “muy importante” si tras un ensayo con
más pacientes se confirma su efectividad.
El profesor teórico físico Antonio Bru, artífice del trabajo en
el que lleva doce años trabajando, dijo que los buenos
resultados obtenidos con el paciente curado esperan que se
confirmen en un ensayo clínico posterior, que debe ser aprobado
por las autoridades sanitarias.
Los resultados de la terapia, que se publicará este martes
en la revista “Journal of Clinical Research”, se basan en la
estimulación de la médula ósea para incrementar la producción
de neutrófilos (uno de los cinco tipos de leucocitos de la sangre),
mediante fármacos que ya se usan en el mercado, aunque para
otra indicación. (10)
“La terapia se centra en la estimulación de la médula ósea
para incrementar la producción de neutrófilos, mediante
fármacos que ya se usan en el mercado” (11).
La terapia se basa en una teoría matemática, Bru explicó
que la terapia ha funcionado y que se basa en una teoría
matemática, por lo que espera que se puedan obtener nuevos
resultados, tras la comprobación de su eficacia en un ensayo
más amplio que espera esté terminado en un par de años.

La investigación de Bru, profesor de Matemática Aplicada

en la Universidad Complutense, se ha centrado en el estudio del
 10

crecimiento de los tumores sólidos y la búsqueda de una terapia

para detener el tumor.
Tras ensayos matemáticos comprobados y su
experimentación en animales se intentó en un paciente que se
encontraba en fase terminal, al que los médicos daban menos de
dos meses de vida y que, tras un tratamiento de algunos meses
y sin apenas efectos secundarios, ha podido volver a su trabajo
como profesor de instituto. (11)
Además de Bru han participado en el ensayo Sonia
Albertos, del Servicio de Aparato Digestivo del Hospital Clínico
San Carlos, y Fernando García-Hoz, del servicio digestivo del
Hospital Ramón y Cajal de Madrid.
García-Hoz declaró que el tratamiento se ha hecho en la
Clínica de Valle de Madrid y que, aunque hay que ser prudente
porque se trata de un solo caso, abre “un nuevo enfoque de
investigación” que ahora hay que ver si se repite con un mayor
número de pacientes.
(a) Autómatas celulares
La relación de los autómatas celulares con la biología ya se
puede reconocer por el nombre. De hecho, los autómatas
celulares fueron introducidos en la década de 1940 por Stanislaw
Ulam (1) y John von Neumann (2) como modelos simples para la
autorreproducción de máquinas. Los autómatas celulares
binarios bidimensionales se hicieron muy populares en la década
de 1970, también fuera de la comunidad informática, gracias al
Juego de la vida de John Conway, que fue popularizado por
Martin Gardner en (3). Más recientemente, la publicación del
libro de Stephen Wolfram (4) puso en primer plano los
 11

autómatas celulares binarios unidimensionales, culminando dos

décadas de trabajo sobre sus propiedades y clasificación. Desde
un punto de vista formal, los autómatas celulares pueden
considerarse sistemas dinámicos continuos (topológicos) de
tiempo discreto.
López et al. (6) modelan el crecimiento limitado de
nutrientes de un tumor inmunogénico por medio de un autómata
celular híbrido. El modelo incluye cuatro tipos de células: células
sanas, células tumorales, células efectoras inmunitarias y células
muertas. Dependiendo de la inmunogenicidad del tumor, la
dinámica transitoria y asintótica del autómata celular exhibe tres
tipos principales de dinámica, que están curiosamente
relacionadas con las tres fases de la teoría de la inmunoedición,
a saber: eliminación, equilibrio y escape. Se muestra que el
sistema inmunitario puede mantener un tumor inactivo durante
largos períodos de tiempo, pero esta inactividad se basa en un
frágil equilibrio entre los mecanismos que subyacen a la
respuesta inmunitaria y el crecimiento del tumor. Por lo tanto,
los autores cuestionan la capacidad de la respuesta inmunitaria
mediada por células para mantener largos períodos de latencia.
(b) Dinámica de fluidos computacional
La aplicación de la dinámica de fluidos computacional a la
medicina es bastante natural, aunque no trivial, principalmente
por las siguientes dos razones. En primer lugar, la mayoría de
los biofluidos (p. ej., sangre, semen, linfa) no son newtonianos,
es decir, a diferencia de los fluidos newtonianos más familiares,
como el agua, su comportamiento no se describe mediante la
ecuación de Navier-Stokes. En segundo lugar, los límites de los
 12

vasos y cavidades que transportan y contienen fluidos en el

cuerpo humano son flexibles (venas y arterias), variables en el
tiempo (corazón), porosos (ventrículos cerebrales) o tienen una
geometría compleja (pulmones), lo que dificulta el modelado
numérico. aún más desafiante. (11)
En (7), Giménez et al. ampliar el trabajo previo sobre el
diseño de catéteres ventriculares para el tratamiento de la
hidrocefalia, una condición médica caracterizada por un exceso
de líquido cefalorraquídeo en los ventrículos cerebrales. En una
serie de artículos, algunos de los autores optimizaron la
geometría y la configuración de los orificios del catéter para
obtener un patrón de flujo uniforme a lo largo del área
perforada. Dichos catéteres son menos propensos a las
obstrucciones provocadas por las macromoléculas y los tejidos
presentes en el líquido cefalorraquídeo que los catéteres
estándar en uso. En comparación con un problema general de
mecánica de fluidos, este caso particular es más simple porque
(i) el líquido cefalorraquídeo es newtoniano con un alto grado de
precisión y (ii) la influencia de la geometría del ventrículo en su
flujo a través del catéter se puede suponer insignificante con la
salvedad de que el catéter se ha colocado correctamente en el
ventrículo, Además, los autores supusieron un flujo de entrada
constante. En este artículo de seguimiento, los autores tienen en
cuenta la naturaleza pulsátil del líquido cefalorraquídeo debido a
los latidos del corazón y al flujo sanguíneo, y cuantifican las
correcciones correspondientes. De esta manera validan sus
diseños de catéteres en condiciones más realistas.
c) Tratamiento de datos
 13

El procesamiento de datos se refiere a cualquier método

para extraer información valiosa de un conjunto de datos. A
diferencia del análisis de series de tiempo (8), los datos no
necesitan ser observaciones de un fenómeno que evoluciona en
el tiempo. El procesamiento de datos es un campo
multidisciplinario con intersecciones con la estadística, el análisis
de series temporales, el aprendizaje automático, la inteligencia
artificial y, como veremos en breve, también con la física
estadística y el álgebra (por ejemplo, la teoría de grafos). Debido
a la avalancha de datos que permiten las nuevas tecnologías de
la información, el procesamiento de datos (a veces bajo el
pegadizo nombre de análisis de big data) se ha convertido en la
actualidad en uno de los campos más activos de las matemáticas
aplicadas.
Los datos analizados por Ezaki et al . (9) son vóxeles
obtenidos por resonancia magnética funcional de algunas
regiones del cerebro. El alcance es representar esa información
de tal manera que las alteraciones en la dinámica cerebral
puedan identificarse fácilmente. Para ello, los autores recurren al
modelo de máxima entropía, una de sus principales variantes
también se conoce como modelo de Ising y máquina de
Boltzmann. Como resultado, los autores asignan la dinámica
cerebral al movimiento de una partícula en un "paisaje
energético" inferido de las grabaciones de neuroimagen. En
particular, los autores determinan los valores de los parámetros
de manera más eficiente que un método de descenso de
gradiente convencional. En términos más generales, el modelo
de máxima entropía “es un método útil para representar datos
 14

multivariados que se observan repetidamente y derivar la

estructura de interacción entre variables” (9).
Señor et al. (11) proporcionan una revisión exhaustiva de
la integración y la segregación desde la perspectiva de la
conectómica de todo el cerebro. Es importante destacar que
empujan el límite de la estructura de red estática a los sistemas
variables en el tiempo. Una amplia gama de estados
psiquiátricos y neurofisiológicos se pueden caracterizar por el
grado en que las señales de diferentes regiones del cerebro
están acopladas o separadas. Esta revisión proporciona una
descripción general de cómo se pueden interpretar varios
estados fisiológicos a través de modelos computacionales de
todo el cerebro, y cómo esos modelos computacionales implican
segregación o integración. Además, continúan describiendo cómo
se pueden cuantificar la integración y la segregación. Concluyen
especulando que es probable que tales medidas produzcan
biomarcadores o dianas terapéuticas prácticas de relevancia
clínica.
El agrupamiento es una tarea habitual en el análisis de
datos estadísticos, especialmente importante en la clasificación y
recuperación de información, el reconocimiento de patrones y el
procesamiento de imágenes. Tomando prestada la definición de
Lorimer et al. (10), el agrupamiento es la partición de un
conjunto de objetos en subconjuntos, o grupos, que expresan,
entre sí y en comparación con objetos que no están en el grupo,
un mayor grado de similitud. Como ejemplo, piense en la
identificación de tejido malicioso en una tomografía por emisión
de positrones de una parte del cuerpo. Lorimer et al. compare y
 15

discuta dos métodos de agrupamiento motivados

biológicamente: el enfoque Phenograph y el agrupamiento de
aprendizaje de Hebbian. Ambos algoritmos representan los
puntos de datos como nodos de un k-gráfico de vecino más
cercano, con distancias codificadas como pesos de borde y, lo
que es más importante, no están sesgados con respecto a la
suposición de nubes de datos gaussianas o clústeres en sí. Por
otro lado, la selección de las características relevantes de los
conglomerados introduce necesariamente un sesgo en los
resultados. En vista de sus resultados numéricos con datos
sintéticos y naturales, los autores profundizan en la importancia
de seleccionar características consistentes con la clasificación de
datos buscada.
(d) Ecuaciones diferenciales/sistemas dinámicos
Las ecuaciones diferenciales ordinarias y parciales son
omnipresentes en las matemáticas aplicadas porque describen
fenómenos que dependen del tiempo; un ejemplo sencillo es la
evolución demográfica dada por las ecuaciones de Malthus y
Verhulst. En casos particulares, las ecuaciones diferenciales
deben complementarse para hacer frente a los efectos de la
memoria (ecuaciones integro-diferenciales o ecuaciones
diferenciales de retardo de tiempo) y el ruido (ecuaciones
diferenciales estocásticas). Si, por conveniencia, el tiempo
transcurre de forma discreta (por ejemplo, de generación en
generación en dinámica de población), entonces se trata de
ecuaciones en diferencias, que es una rama independiente de las
matemáticas y el formalismo que subyace a la teoría de los
sistemas dinámicos en tiempo discreto. Si bien las teorías de las
 16

ecuaciones diferenciales ordinarias y las ecuaciones en

diferencias (o sistemas dinámicos en tiempo continuo y discreto
para el caso) están bien desarrolladas y comprendidas, no
sorprende que la teoría de las ecuaciones diferenciales parciales
(no lineales) carezca hasta ahora de un enfoque unificado. Esta
deficiencia se evita en la práctica con métodos numéricos; un
ejemplo típico se consideró: dinámica de fluidos computacional.
Notemos de paso que la discretización de una ecuación
diferencial a través de diferencias finitas produce una ecuación
en diferencias. (5)

En esta sección, abordamos los artículos sobre

neurociencia computacional y sobre dinámica cardíaca. Otros
modelos descritos también por ecuaciones diferenciales se
tratarán, que utiliza ecuaciones en diferencias.
La sincronización de redes neuronales juega un papel
importante en la dinámica cerebral, siendo un caso típico de
estudio la epilepsia. En este contexto, Reimbayev et al. (11)
analizan la interacción entre las conexiones sinápticas
excitatorias e inhibitorias, y cómo se combinan para crear
actividad neuronal tanto sincronizada como no sincronizada. Más
concretamente, describen un novedoso mecanismo de
sincronización en redes de neuronas acopladas en explosión,
basado en un acoplamiento combinado eléctrico e inhibitorio,
que sin duda contribuirá a la comprensión de la dinámica
colectiva de las redes neuronales oscilantes. Los resultados se
prueban en redes pequeñas y se demuestra que se mantienen
en redes más grandes.
 17

En (4), Boccia et al . tratar con métodos de control de baja

energía (marcapasos de campo lejano) para la desfibrilación. En
concreto, estudian numéricamente el desclavamiento y
terminación de ondas espirales alrededor de una heterogeneidad
isquémica, modelada como un pequeño parche circular en una
lámina bidimensional de tejido cardíaco, mediante la fase I del
denominado modelo de potencial de acción de Luo-Rudy. Se
estudian y comparan dos casos: el medio isotrópico simplificado
(en el que se igualan las conductividades extracelular e
intracelular paralela y transversal a las fibras) y el medio
anisotrópico realista (en el que dichas conductividades son
diferentes). Como resultado, los autores muestran que el rango
de estimulación de campo lejano que resulta en la terminación
exitosa de las ondas espirales ancladas es mayor en el segundo
caso.
e) Redes
Los artículos que presentan técnicas de la ciencia de redes
ocupan un lugar destacado en este número temático. Los
modelos de red son, por supuesto, una forma muy natural de
describir la dinámica de interacción en una amplia variedad de
sistemas fisiológicos. Los artículos de este número se centran en
enfoques de redes para modelar la interacción en entornos
neurofisiológicos (10, 11) y en la transmisión de enfermedades.
La elección de estas aplicaciones es bastante deliberada porque
se trata de casos en los que la estructura de la red es intrínseca
al comportamiento dinámico de interés.
En el caso de (6, 7) vemos dos estudios diferentes de
comportamiento emergente en modelos neurofisiológicos que
 18

dependen en gran medida de la estructura de la propia red.

Maslennikov et al. (8) estudia una red adaptativa de neuronas
punzantes. Comenzando con elementos simples de inspiración
biológica y una pequeña red central de estos elementos,
describen un modelo mediante el cual los elementos responden a
estímulos para modificar su conectividad. Esto permite que la
red de neuronas cree respuestas complejas a estímulos
particulares. Caracterizan esta estructura en términos de una red
central que existe dentro de una hiperred.
Por el contrario, en (10), Li et al. abordar las avalanchas
neuronales en un modelo de red neuronal de picos. Se ha
observado que las redes de neuronas fisiológicamente inspiradas
se autoorganizan en un estado crítico en el que la dinámica
resultante del sistema puede exhibir una mezcla de patrones
ordenados y desordenados. Curiosamente, la región crítica que
puede exhibir un desempeño fuertemente ordenado es estrecha
para los sistemas de neuronas en pico. En (10), tenemos un
estudio de este problema desde la perspectiva de una máquina
de estado líquido. Muestran que el rendimiento de la máquina de
estado líquido es óptimo cuando el grupo neuronal está
operando en ese estado crítico.
Las redes complejas aparecen en una gama muy amplia de
aplicaciones, y esto se demuestra dentro de este número
temático con nuestra tercera contribución de esta área. Fu et al.
(5) examinar el problema de la transmisión de enfermedades en
redes complejas. Ahora existe un cuerpo sustancial de literatura
en el área de enfermedades (y otros procesos de propagación)
en redes complejas. La contribución particular de Chen et al. (2)
 19

es considerar dos cepas competidoras y derivar expresiones

analíticas para el umbral epidémico y las condiciones
correspondientes para la transmisión endémica. Extienden el
enfoque de la función generadora de probabilidad al caso de
(necesariamente) aproximación por pares a través del modelo de
transmisión. “Las cepas de virus de la competencia son, por
supuesto, relevantes en una amplia gama de enfermedades y
tratamientos” (7).
 20

REFERENCIAS
1. Sánchez A, Díaz M, Flores G, y col. Capítulo 4 ¿Qué
saben los estudiantes al término de la educación media superior?
En: Instituto Nacional para la Evaluación de la Educación.
Informe 2010 – 2011. México, 2011.
2. Lipkus IM, Peters E. Health Education and Behavior.
2009;36(6):1065-1081.
3. Golbeck AL, Ahlers-Schmidt CR, Paschal AM,
Dismuke SE. A definition and operational framework for health
numeracy. Am J Prev Med. 2005; 29:375-376.
4. McGettigan P, Sly K, O’Conell D, Hill S, Henry D. The
effects of information framing on the practices of physicians. J
Gen Intern Med. 1999; 14:633-642.
5. Sheridan S, Pignone M. Numeracy and the medical
students’s ability to interpret data. Eff Clin Pract. 2002; 5:35-40.
6. Nelson W, Reyna V, Fagerlin A, Lipkus I, Peters E.
Clinical implications of numeracy: theory and practice. Ann
Behav Med. 2008; 35:261-274.
7. Galesic M, Garcia-Retamero R. Statistical numeracy
for health: a cross-cultural comparison with probabilistic national
samples. Arch Intern Med. 2010; 170(5):462-468.
8. Pons JMV. El déficit de comprensión numérica. Las
matemáticas como problema. Med Clin (Barc). 2011; 10:1016.
9. Gigerenzer G, Gaissmaier W, Kurz-Milcke E, Schwarts
L, Woloshin S. Helping Doctors and Patients Make Sense of
Health Statistics. Psychological Science in the Public Interest.
2008; 8(2):53-96.
 21

10. Pita C. Cálculo de una Variable. Prentice Hall

Hispanoamericana 2015; 3(2):25-32.
11. Spivak M. Calculus. Reverte 2019; 2(1):15-23.