p.

Limitantes de la Inteligencia Artificial para el diagnóstico de

enfermedades.

Avances de la Inteligencia Artificial en la salud.

Domínguez Olvera Leonardo Daniel

Estrada Yépez Omar Said

Ramírez López Felipe Hiram

Rodas Rodríguez Raúl

Instituto Politécnico Nacional, Escuela Superior de Cómputo

Comunicación Oral y Escrita

Dra. Adriana Berenice Celis Domínguez

8 de noviembre de 2021
 p. 2

Introducción

Durante la historia de la humanidad, se ha visto que es común ver que el ser

humano siempre busca la manera de innovar y desarrollar nuevas técnicas y estrategias en

muchos ámbitos, por lo que nos encontramos en constante cambio. Con el pasar de los

años, hemos desarrollado nuevas formas de producir los recursos básicos para la

supervivencia. Esto se puede ver desde la edad de piedra a la era de las máquinas de

vapor, hasta la actualidad, que nos encontramos desarrollando nuevas opciones de

combustibles alternativos para sustituir al petróleo. El ser humano siempre ha demostrado

su gran potencial en la innovación y el cambio. Sin embargo, hubo una época en la que el

área de la medicina se estaba quedando estancada por casi diez siglos, mismo tiempo que

duró la Edad Media. Fue hasta el siglo XVII que comenzaron a surgir grandes avances y

comenzaron a democratizar la ciencia medicinal, como lo fue la anatomía patológica como

una ciencia, también se avanzó en el diagnóstico clínico, esto con el descubrimiento de la

percusión como un método de exploración física, por otro lado, se generalizó el uso de la

vacuna de Jenner para contrarrestar la viruela. Posteriormente en el siglo XIX y XX se vio

una revolución de los utensilios médicos, gracias al desarrollo tecnológico se han podido

tratar diferentes dolencias con absoluta fiabilidad y previendo tratamientos apropiados para

cada caso. Fue hasta mediados del siglo XX que la medicina dio otro gran paso al integrar

la Inteligencia Artificial (IA) a su área, fue el denominado Mycin la primera IA que tuvo la

oportunidad de aportar nuevas formas de entender la medicina misma, Mycin era un

sistema experto orientado a la detección de enfermedades infecciosas de la sangre que

razonaba, se comunicaba en el lenguaje natural con el usuario y recetaba medicaciones de

forma personalizada a cada paciente. Y así como lo fue con Mycin, a lo largo de los años se

han estado desarrollando nuevas inteligencias que puedan entender de una manera más

eficiente los problemas médicos que hoy en día pueden llegar a ser intratables o poco
 p. 3

preventivos. Se espera que este trabajo sirva para transmitir conocimientos a futuros

investigadores que les apasione la tecnología y la medicina.

 p. 4

CAPÍTULO 1. SITUACIÓN PROBLEMÁTICA

1.1 ANTECEDENTES

En primer lugar, la Inteligencia artificial se está volviendo una herramienta

tecnológica indispensable y actualmente se está innovando. Sin embargo, la mayoría de las

personas solo conocen el concepto más simple de esta, es decir que una computadora

tenga un conocimiento similar al ser humano y que tome decisiones por sí misma. Sánchez

y Abellán (2021) deducen que “se trata de replicar la inteligencia humana en máquinas y

sistemas informáticos (…), se utilicen técnicas matemáticas y tecnología computacional.”

Esto con el fin de que se emplee en distintos campos e incluso implementarlo a la nueva

normalidad ocasionada por la pandemia del COVID-19.

Por otro lado, pocos conocen los inicios o aportaciones relevantes que dieron paso a

lo que hoy conocemos como la IA, dado que se piensa que los orígenes fueron en 1956, ya

que la mayoría de los autores se basan en la investigación de John McCarthy, por lo tanto,

Benavent, Colomer, Quecebedo, Del llano (2020) afirman que “La IA surgió en el año 1956

(…) de investigaciones de John McCarthy, en la universidad de Darmouth”. Sin embargo,

Abeliuk, Gutiérrez (2020) menciona que “1842: La matemática Ada Lovelace fue la primera

en ver el potencial de las computadoras más allá de las matemáticas”. Por consiguiente,

aún hay dudas en cuales fueron precisamente los antecedentes que dieron paso al origen

de la IA. Sin embargo, es importante conocer datos anteriores que dieron el inicio de esta,

aunque parezca irrelevante.

Por lo que partiremos desde el año 1842 hasta la actualidad. Posteriormente

Abeliuk, Gutiérrez (2020) dan a conocer que en 1921 se creó el concepto de robot en cual el

autor fue Karel Čapek al lanzar su obra de ciencia ficción, pero el termino robot hacía

referencia a personas artificiales. Por consiguiente, Fundación Ludovico Rutten (2018)

expresa que en 1941 se creó una computadora programable y esta sería completamente

automática, el creador fue Konrad Zuse. Por ende, apenas se empezaba a hacer alusión a

la inteligencia artificial, pues solo era una idea ficticia, no obstante, en unos años más tarde
 p. 5

se lanzó una computadora automática lo que hacía que poco a poco la idea de un robot o

alguna máquina que tomara sus propias acciones se hiciera realidad.

Pérez Renzo (2020) plantea que en 1942 se crean las leyes de la robótica que son

una serie normas escritas por Isaac Avisoc, las cuales se suponía que los regirían, fueron 3

leyes las que se establecieron, la primera es que ningún robot podrá hacerle daño a un ser

humano, la segunda era que cualquiera de estos tendría que cumplir las órdenes de los

seres humánanos, sin romper la ley anterior y en la tercerea tenemos que el robot tendrá

que protegerse a sí mismo sin romper las leyes anteriores. Abeliuk, Gutiérrez (2020)

mencionan que en “1943: Las neuronas se vuelven artificiales, el primer modelo matemático

de la neurona fue propuesto por Warren McCulloch y Walter Pitts”. Puesto que ya se estaba

dando inicialización a leyes de las máquinas aun no tendrían esa capacidad de razonar y no

había forma de crearlas, por ende, un año después se crea un modelo neuronal lo que sería

un gran avance en la época.

Vector (2021) expresa que “No fue hasta 1950, cuando Turing escribió “Maquinaria

informática e inteligencia” cuando la IA comenzó a adquirir mayor fama”. Además, Fournier

(2021) mencionó que "Fue en 1956 cuando John McCarthy bautizó el concepto IA en la

conferencia de Dartmouth para referirse a “la ciencia e ingenio de hacer máquinas

inteligentes. " Siendo así el comienzo de la inteligencia artificial, en ese momento ya tenían

un concepto claro y concreto para referirse a esa herramienta, lo que esto daría mayor paso

a su evolución y proyectos a la mejora de esta. Pero en 1956 McCarthy no fue como tal el

creador del concepto, ya que él se basa en el artículo de Turing en 1950, pues en esta

habla sobre la capacidad que podrían llegar a tener las máquinas para la imitación de la

inteligencia del ser humano.

Abeliuk, Gutiérrez (2020) declaran que en el mismo año 1956 se crea un programa

de IA, el programa fue Logic Theorist, los cuales sus coautores fueron Allen Newell, Herbert

Simon y Cliff Shaw, por lo que en su momento fue el primer programa hecho para esta

tecnología, también revelan que “1961-El robot industrial, Unimate, inventado por George

Devol, se convirtió en el primero en trabajar en una línea de montaje de General Motors”.

 p. 6

Después de tener el termino de IA aprobado, dio paso a las pequeñas aportaciones, en este

caso fue el primer programa informático con fines de la práctica de esta tecnología, un

ejemplo de esta sería que posteriormente se inventó el robot industrial que se pondría a

prueba con la capacidad humana, pero en ese momento el ser humano tenía una gran

ventaja ya que esa tecnología estaba en pruebas.

Ganascia J. (2018) refiere que “A mediados de la década de 1960, los avances

tardaron en hacerse sentir. Un niño (...) derrotó a una computadora en una partida de

ajedrez en 1965. "Sin embargo, García L. (2018) expresa que “El primer ChatBot

implementado se desarrolló en 1966, con el software ELIZA, capaz de simular las

respuestas de una psicoterapeuta”. Por lo tanto, se notan avances y retrocesos, si bien un

proyecto donde estaba programado con cierta capacidad de razonamiento es derrotado por

un niño, esto causaría un gran desinterés por la IA por no cumplir las expectativas. Por otro

lado, tenemos el proyecto de Eliza donde fue el primero en su tipo y con ella se podría

mejorar posteriormente.

Abeliuk, Gutiérrez (2020) indican que “1969. El problema de XOR: Marvin Minsky y

Seymour Papert exploran en un libro las fortalezas y limitaciones de los perceptrones, la

más importante siendo la incapacidad de implementar la función lógica XOR”. Dado que

según Fournier J. (2021), los pocos avances en el hardware fue una de las principales

causas en estancamiento de la IA, la cual duraría aproximadamente 15 años, otras de las

causas serían la escasez de datos necesarios y los lentos prodes de aprendizaje. Siendo

así que después de tener innovaciones y ciertos avances, por falta de herramientas para el

desarrollo de esta tecnología todo se dejó ya que perdieron ese interés, en cuestión de los

perceptrones son la forma más simple de una red neuronal si bien se crearon ciertas redes

neuronales contaban con ciertas limitaciones para ello. Todo esto basándose en el modelo

de Warren McCulloch y Walter Pitts.

Benavent, Colomer, Quecebedo, Del llano (2020) indican que “Con la aparición del

aprendizaje máquina y de las redes neuronales en la década de los 80, el NLP presentó un

importante avance”. Sin embargo, Abeliuk, Gutiérrez (2020) refieren que “1987-1993.
 p. 7

Segundo Invierno IA: El interés y la financiación de la investigación en inteligencia artificial

nuevamente disminuyen”. Siendo así que no se tuviera una estabilidad adecuada para

mantener esa importancia y apoyo necesario, tampoco se podía hacer nada al respecto

debido a que aún no se contaban con las herramientas necesarias. Probablemente hoy en

día se vería un uso más frecuente de la inteligencia artificial si no hubieran ocurrido esos

inviernos de la IA.

Galvanize (2021) expresa que “El triunfo de Deep Blue (…) frente al entonces

campeón mundial de ajedrez, Garry Kasparov, en 1997”. Citando a Benavent, Colomer,

Quecebedo, Del llano (2020), en los principios del siglo XXI se desarrollaron innovaciones a

las computadoras, a la vez que se dio la revolución de los macrodatos, por esta razón se

tuvieron avances en el aprendizaje estadístico atreves de la máquina, así volviendo el

interés a la IA. Por lo tanto, al paso del tiempo se puede observar cambios notables, en este

caso el nuevo programa que venció al campeón de ajedrez dio paso a nuevas ideas y

proyectos, además cabe mencionar que se empezaban a tener las herramientas necesarias

para la creación de esta tecnología, lo que llamaba más la atención a las empresas para

seguirla innovando.

Abeliuk, Gutiérrez (2020) revelan que “2002. El primer robot de éxito comercial para

el hogar (...), Roomba”. También mencionan que se creó en 2009 ImageNet en donde se

utilizaba para el entrenamiento de redes neuronales donde posteriormente en 2012 se

utiliza una red neuronal para ganar un concurso de ImageNet, en el cual consistía en el

reconocimiento de imágenes. Finalmente 2 años posteriores se crea la asiste virtual Alexa

que contaba con una interfaz de voz. En síntesis, estos avances ya fueron una gran

aportación e innovación en cuanto a la IA donde se podría considerar el comienzo del auge

de esta tecnología, incluso hoy en día ya podemos ver ciertos robots que cuentan con esta

inteligencia, aunque aún falta mucho por desarrollar.

El conocimiento en cómputo y la IA han tenido un gran desarrollo; como

anteriormente se mencionaron los antecedentes de esta, en la actualidad, la inteligencia

artificial abarca diversos campos, de la cual nos basaremos en el área médica. Según
 p. 8

Gomis (2019), la inteligencia artificial en este ámbito es útil para el procesamiento de datos

abundantes y facilitar diagnóstico clínico mediante el aprendizaje automático. Ya que esto

no es nuevo, en 1970 E. Shortliffe desarrolló un sistema experto llamado “Mycin” para

aconsejar a los médicos en la investigación de diagnósticos de enfermedades infecciosas

de la sangre (Badaró et al., 2013). Por consiguiente, esta inteligencia computacional permite

el procesamiento de datos gracias a su estructura que simula los procesos de la mente

humana, dando lugar al aprendizaje, razonamiento y mejora automática del software.

Adicionalmente, Tomás (2019) señala que actualmente estos programas se

incorporan al sector salud para mejorar la atención al paciente al acelerar los procesos

como la clasificación de datos para lograr una mayor precisión diagnóstica. Finalmente,

González (2018) afirma que “Las diferentes técnicas de IA (…) han sido utilizadas en

estudios de problemas complejos, alcanzando un nivel de certeza en los resultados

obtenidos con respecto a la identificación de un tipo específico de enfermedad.” Dado lo

anterior existen proyectos hoy en día dedicados a explorar las aplicaciones de la IA en

varios aspectos de la medicina, tales como: prevención de enfermedades, diagnóstico,

tratamiento y seguimiento de pacientes. Actualmente se está viviendo los principios del

auge de IA, en la cual se está volviendo una herramienta indispensable.

 p. 9

1.1 PROBLEMÁTICA

En la actualidad, el ser humano se encuentra en una etapa de desarrollo e

innovación tecnológica, de igual manera el sector salud busca estar a la vanguardia para

cualquier eventualidad. Así mismo el auge de la inteligencia artificial y su aprendizaje

autónomo permitirá tener resultados concretos para la detección de enfermedades. Sin

embargo, mientras se adquiera el conocimiento para desarrollarla se presentarán varias

limitantes en la formulación de algoritmos dado que su eficacia depende de la calidad y

cantidad de información con la que son alimentados, y si estos fueron evaluados

previamente a su aprobación, resaltando que dichos programas no tienen la capacidad de

discernir si son datos erróneos o no.

Así como plantean Moquillaza y Vela (2019), el desarrollo de los algoritmos cuenta

con ciertos aspectos que no permiten el uso de esta, entre sus limitaciones se encuentra la

cantidad de datos necesarios para modelos óptimos, ya que al progreso de la tecnología se

necesitan más de un millón de observaciones para ser aceptado, además es necesario que

la base de datos no presente ningún sesgo en la información. Por lo cual esto lleva a otra

limitante, pues muchas veces es difícil o nulo determinarlo. Como Silcox (2020) ha

indicado, “los datos pueden tener sesgos, por lo que los productos de salud con IA deberían

ser probados rigurosamente para comprender su desempeño en poblaciones con

diferencias médicas y demográficas”. Por consiguiente, esto no es algo que se pueda evitar

o disminuir por el momento, ya que en repetidas ocasiones la información médica que se

publica no es aprobada por la mayoría de los especialistas, lo que causaría un conflicto

entre ellos al usar esta herramienta a causa de la recolección de esta información ya que no

se cuenta con las herramientas de filtración de datos requerida, es decir, una herramienta

que ayude a verificar cada una de estas fuentes. Sin embargo, los sesgos vienen por parte

de algunos profesionistas, ya que son ellos mismos quienes redactan la información.

Moquillaza y Vela (2019) describen que “Los modelos predictivos suelen describirse

como ‘cajas negras’, debido a la forma en que se generan es usualmente desconocida, lo

 p. 10

cual puede llegar a generar dudas sobre su comprobación.” Por otro lado, Hoffman (2019)

postula que el uso de la inteligencia artificial genera grandes expectativas para la predicción

y tratamiento de enfermedades; no obstante, la irresponsabilidad en la venta y uso de datos,

el destino de la medicina como profesión y la discriminación laboral ocasionada por la

predicción de enfermedades que tendrán sus trabajadores son riesgos éticos y de carácter

legal latentes. Por consiguiente, la falta de datos y su incorrecta manipulación son unos de

los principales problemas que hacen a la inteligencia artificial carente de fiabilidad y utilidad

para el campo médico, a pesar de que propicia el avance humano.

Romeo y otros (2020) plantean que existe el riesgo de la toma de decisiones de

forma arbitraria, estigmatizada y discriminada a los perfiles personales de los pacientes al

estratificarlos o clasificarlos en diversos grupos basándose de forma exclusiva en diferentes

objetivos o criterios; además, es posible que la autonomía del paciente sea afectada debido

a la disminución o inexistencia de contenido producto de los procesos automatizados sobre

los cuales se basa la toma de decisiones de manera exclusiva, ya que se obtienen perfiles

predeterminados de los pacientes, evidenciando su falta de utilidad. Puesto que la IA ya

tiene sus datos predefinidos y almacenados, estos darían un diagnóstico erróneo debido a

que solo se basan en la información recolectada y no tendrían ese sentido de análisis

autónomo agregando una limitación más. Pero todas las limitaciones son a causa de los

datos principalmente ya que sin ellos no se podría hacer nada, pero al tenerlos se dan

análisis incorrectos.

Acevedo (2021) enfatiza que “la inteligencia artificial se encuentra en una fase

anticipada con respecto a softwares generales en el sector salud”. Por ello, es esencial la

investigación y creación de estas diferentes aplicaciones enfocadas en las diferentes

especialidades del sector salud, así como, obtener los resultados esperados de estas para

dar un correcto diagnostico a la persona que sea atendida, al igual de dar capacitación al

personal salud en el uso de las diferentes herramientas.

Como afirman Ávila, Mayer y Quesada (2020), el aprendizaje humano es progresivo

y se realiza desde la exposición a situaciones de manera consecutiva, proceso que puede

 p. 11

llevar años, sin embargo, el adquirir de dichos datos a causa de una máquina es muchísimo

más inmediata, debido a que esta no se agota y no posee funcionalidades vitales como los

seres humanos. En este sentido las porciones bastante gigantes de datos en diversas

formatos y fuentes (lo que conocemos como big data), poseen una interacción directa con la

compra de vivencia a causa de las máquinas que se exponen a situaciones o estímulos

bastante varios.

Igualmente, Ávila (2020) da a conocer la evaluación de los resultados obtenidos en

la aplicación de algoritmos de árboles de decisión para determinar su desempeño en la

clasificación de datos médicos para comprobar si este modelo es apto para proporcionar un

soporte eficaz en el diagnóstico médico, obteniendo como resultado un porcentaje de

acierto elevado en extremo, teniendo la posibilidad de mejorarlo con la participación de

personas especialistas de manera que hagan los ajustes pertinentes a las variables y

parámetros. De igual modo, Bermúdez (2019) destaca que se obtienen mejores resultados

con un especialista que con varios de ellos debido al incremento de datos empleados,

evidenciando los problemas de clasificación ocurridos cuando más personas aportan sus

puntos de vista, dando lugar al sesgo producto de la subjetividad de las interpretaciones.

Por consiguiente, la necesidad de poseer un conjunto de datos confiable y consistente es

evidente debido a la carencia de un conjunto óptimo para el desarrollo y construcción de

estos modelos o herramientas.

Por su parte, Hoffman (2019) manifiesta que existe la posibilidad de que los

pronósticos de salud sean obtenidos por empresas que realicen la compra de los mismos,

de manera que muestren mercadotecnia personalizada a la gente en base a sus datos

médicos, poniendo en peligro su privacidad y favoreciendo el impulso del consumismo; al

mismo tiempo, Gegúndez (2018) sostiene que los pacientes son invitados a la búsqueda de

un asesor que interprete los resultados de sus pruebas médicas de forma que reciban un

apoyo adaptado a sus necesidades ya que, si un algoritmo es desarrollado con datos

equivocados o los registros médicos poseen errores, por consecuencia el resultado también

lo será.
 p. 12

1.2 OBJETIVO

Crear un software que siga un protocolo para monitorear todos los archivos o

páginas de los cuales se recopila datos para el funcionamiento de softwares de inteligencia

artificial. Esto con el propósito de certificar dicha información por alguna institución de salud

y por un médico especialista.

1.4 JUSTIFICACIÓN

La inteligencia artificial tiene distintos limitantes a pesar de que nos encontramos en

un entorno donde el desarrollo de la tecnología es indispensable, podría ser una buena

herramienta. Esta investigación analiza las limitantes en el sector salud de la inteligencia

artificial, por la cual no es implementada aún. La utilidad de esta investigación radica en por

qué aun teniendo cierta efectividad con esta herramienta, aún no es considerada para tomar

decisiones finales. Y a pesar del avance acelerado de la tecnología, todavía no es posible

su implementación de manera inmediata, siempre se tendrán limitaciones con una rama

nueva y ciertos retos a solucionar.

1.5 PROPUESTA DE SOLUCIÓN

Una de las limitantes de la IA es a causa de la recopilación errónea de información,

por lo cual se podría crear un software que siga un protocolo para monitorear todos los

archivos o páginas donde se recopila información, de tal forma que apoye a alguna

institución de salud y a un médico especialista para aprobar la veracidad de dichos datos

mediante una certificación. Esto tomando en cuenta el cambio constante de algoritmo que

presenta la inteligencia artificial al cambiar ciertos datos por recientes (Ramos et al., 2019).
 p. 13

De esta manera, como plantea Lugo y otros (2014), se genera conciencia de que la

inteligencia artificial es sólo un algoritmo que es utilizado para auxiliar en el diagnóstico

médico, ya que carece de habilidades de razonamiento.

 p. 14

CAPITULO 2. MARCO TEÓRICO REFERENCIAL

2.1 Concepto de Algoritmo

De acuerdo con Silcox (2020), un algoritmo es una serie de instrucciones

secuenciales que permiten ejecutar acciones o programas. Con respecto a la idea principal

sobre la cual se aborda el tema en el presente documento, la inteligencia artificial al ser sólo

un modelo matemático programado posee limitaciones de razonamiento y comprensión de

información; por lo que Harssen (2021) menciona que ello hace imposible que se

proporcione un diagnóstico médico exacto, entonces la IA únicamente auxilia en la toma de

decisiones al médico.

2.1.1 Algoritmo de Aprendizaje Profundo

Martins (2017) deduce que el aprendizaje profundo tiene como propósito la

construcción y el estudio de programas computacionales que tengan la habilidad de

“aprender” basándose en la experiencia, añadiendo que es un campo de la inteligencia

artificial y pretende imitar el funcionamiento del cerebro biológico. Asimismo, Bermúdez

(2019) refiere que se intenta emular la característica humana de experiencias previas

proporcionando al ordenador gran cantidad de datos de entrenamiento con el objetivo de

entrenar un conjunto de hipótesis o posibles técnicas que aprendan los síntomas que

caracterizan a cada enfermedad, seleccionando aquella que pueda predecir con la mayor

precisión el diagnóstico de enfermedades con características no usadas en la etapa de

entrenamiento.

De acuerdo con Martins (2017), este tipo de programa se centra en la adquisición de

datos para incrementar la eficiencia en los resultados y el aprendizaje, el cual lo realiza de

forma supervisada y no supervisada; la primera es el modelo más común ya que un

científico de datos es quien manipula al algoritmo mediante la entrada de información

 p. 15

etiquetada, con el propósito de que el programa determine un método para llegar a los

resultados esperados basándose en las entradas señaladas; Lino y otros (2021) enfatizan

que dicho procedimiento es iterado hasta que una elevada precisión y rendimiento son

alcanzados; por su parte, el no supervisado opera de manera independiente, ya que los

cálculos propios de la computadora le permiten la identificación de similitudes y procesos

complejos para determinar relaciones entre enormes conjuntos de datos y organizarlos,

mostrando su estructura para refinar su capacidad de elección de resultados, por lo que el

soporte constante de un profesional no es requerido, sin embargo, Suárez y otros (2018)

sugieren que al basarse en datos que no cuentan con etiquetas ni resultados puntuales y

definidos, si necesita una capacitación previa.

2.1.2 El perceptrón

Citando a Bermúdez (2019), El funcionamiento de estos modelos computacionales

se basa en el comportamiento de las neuronas biológicas de los seres vivos, que son su

medio para identificar las características de ciertos estímulos físicos y clasificarlos en

conceptos más complejos; de igual manera, el programa representa dichos datos en

múltiples capas de neuronas conectadas de manera que la decisión final este en función de

ellas.

Martins (2017) sugiere que lo anterior fue ideado por el psicólogo Frank Rosenblatt;

el perceptrón, algoritmo que entrena una red neuronal para producir un resultado concreto,

llevando a cabo la suma de los valores de entrada a una neurona para su posterior

activación del estado de la neurona mediante una función, ello permite el empleo de

múltiples neuronas apiladas para disminuir el error entre la salida obtenida y la deseada

mediante el recálculo de sus parámetros.

2.1.3 Propagación hacia atrás

 p. 16

El empleo de las redes neuronales de arquitectura multicapa proporcionó diversas

ventajas, sin embargo, Romeo y otros (2020) revelan que el ajuste de las capas ocultas y

sus parámetros mediante los datos de entrenamiento requería ser práctico y eficiente, por lo

que se desarrollaron técnicas para aumentar su precisión en gran medida como la

“propagación hacia atrás”, la cual emplea una serie de operaciones para hallar las derivadas

de funciones anidadas; así como afirma Bermúdez (2019), la regla de la cadena para

evaluar el error de cada capa oculta de neuronas anterior a la primera, de manera que el

error sea propagado hacia atrás, obteniendo en la salida la razón de cambio de error al

momento de modificar algún parámetro de la red neuronal y determinar los valores óptimos

por medio del gradiente inverso o descendente.

2.1.4 Redes neuronales convolucionales

Desde la posición de García Sánchez (2019), estas redes son una herramienta

derivada de los perceptrones, con la capacidad de utilizar capas de convolución enfocadas

para el proceso de datos de varias dimensiones que permitirían el reconocimiento de voz y

de imágenes con el objetivo de clasificarlas con una precisión alta utilizando un filtro de

características llamado matriz, ponderando a cada subconjunto de elementos en la matriz

de datos con la finalidad de sumar dichas ponderaciones y construir un mapa de

características producto de la matriz generada con dicha suma, estos mapas son creados

con diferentes valores para conformar la primera de varias capas convolucionales.

Posteriormente, Ramos y otros (2019) enfatizan que una función no lineal debe ser

aplicada al mapa de características, los cuales en conjunción son una capa convolucional

que servirá para proporcionar valores a capa siguiente encargada del muestreo para

calcular el valor mayor en un determinado conjunto de datos, llegando a ser una versión

acortada del mapa de características, por lo que es capaz de proporcionar salidas

constantes.
 p. 17

2.1.5 Algoritmo de árbol de decisión

Como señala Bermúdez (2019), este es un modelo de tipo predictivo para el análisis

de las posibles decisiones derivadas de los sucesos involucrados en las mismas y, al mismo

tiempo, de los sucesos producto de los primeros mencionados; de esta forma ocurre un

aprendizaje inductivo a partir de observaciones y construcciones lógicas basadas en reglas

para la representación y categorización de varias condiciones ocurridas sucesivamente para

solucionar un problema. Con base en Ramos y otros (2019), lo anterior es posible mediante

la división del espacio muestral en subregiones de manera que aquellas observaciones con

valores parecidos sean agrupadas para influir en la variable dependiente situada en el

conjunto de entrenamiento, conformando así, un diagrama de flujo similar a la estructura de

un árbol, el cual señala los resultados posibles empleando un método de bifurcación.

En otras palabras, Joison (2021) alude que este algoritmo de IA se basa en la

construcción del árbol, la cual es realizada mediante la descripción narrativa de una

cuestión, proveyendo una perspectiva gráfica de una toma de decisión gracias a la

especificación de las variables a evaluar, acciones a tomar y la secuencia en la que se

llegará a la decisión final, marcando una trayectoria a seguir en función de la variable

evaluada y su valor poseído en ese momento, el cual puede ser continuo o discreto.

En la opinión de Martins (2017), su representación está basada en nodos, ramas y

hojas. El primer y principal nodo inicia la clasificación al ser el atributo base; luego, se

formulan las preguntas sobre el primer atributo para formas los nodos internos, sin

embargo, las posibles respuestas tienen asignadas los llamados nodos hijos; además,

Reyes y otros (2014) relacionan que los posibles valores del atributo se sitúan en las

etiquetas de las ramas salidas de cada nodo hijo. Por último, las decisiones a tomar o

variables clase se encuentran en los nodos hoja o finales.

Específicamente, Ortega y otros (2019) sugieren que estos algoritmos están

constituidos por nodos de decisión y de respuesta: los primeros tienen más de 2 ramas
 p. 18

como salidas y están asociados a un atributo cuyo posible valor puede ser tomado en

función de dichas ramas; además, la respuesta de salida determinará la elección de alguna

de las ramas salientes, el segundo proporciona la decisión del programa basándose en la

entrada al asociarse con la clasificación requerida.

Una vez comprendida su estructura, es importante destacar las ideas de Lino y otros

(2021), quienes mencionan la posibilidad de conocer las etapas de instrucciones que

ejecuta el programa: la inducción del árbol, es la fase inicial donde es construido el árbol de

decisión con base a los datos de entrenamiento divididos en varios conjuntos inferiores,

generando el nodo principal con un atributo de prueba y los nodos derivados, de los cuales

se producen nodos internos cuando posee objetos de varias clases, pero si sólo tiene una

clase, una hoja le es asignada; por otra parte, Bermúdez (2019) complementa que la

segunda fase es la clasificación de los objetos obtenidos, de manera que el nodo raíz sea

trasladado hasta una hoja, siendo un camino dependiente de las decisiones tomadas por los

nodos internos basados en el atributo de prueba.

Como afirma Martínez (2020), estas máquinas de predicción permiten conocer la

razón por la cual un resultado se ha clasificado de una forma determinada, extrayendo

procedimientos de fácil implementación en varios sistemas empleando reglas de condición.

Moquillaza y otros (2019) destacan la imposibilidad de conseguir respuestas de fiabilidad

perfecta debido a su dependencia de la calidad y cantidad de ejemplos o datos de

entrenamiento con los que es alimentado; asimismo, depende del análisis estadístico sobre

el cual está basado el proceso de aprendizaje, dando apertura a la existencia de errores.

Por lo que el comportamiento del árbol mejora al mismo tiempo que los ejemplos de

entrenamiento aumentan. No obstante, Ortega y otros (2019) ratifican que el uso de estos

programas es de utilidad para la estructuración de canales de cálculo, la organización del

trabajo y, la toma de decisiones con un porcentaje de error mínimo, como ocurre en la

detección de enfermedades en diversas plantas.

2.1.6 Algoritmo de agrupación

 p. 19

De acuerdo con Ávila y otros (2020), este método es del tipo no supervisado y

consiste en el establecimiento de patrones en función de la entrada de un grupo de datos e

indicadores con la finalidad de hallar patrones y secuencias para etiquetar una variedad de

datos nuevos y realizar su agrupamiento por medio de un análisis de observaciones

clasificadas en subconjuntos que logran el hallazgo de similitudes en base a criterios

establecidos, permitiendo el análisis de estadísticas de diversas áreas. Consecuentemente,

Reyes y otros (2014) manifiestan que los datos que pertenecen a grupos distintos poseen

propiedades diferentes, en cambio, aquellos que se encuentren en un grupo en común

tienen características parecidas. Por lo tanto, es posible la adquisición de información de

alto valor y utilidad de cualquier conjunto de información al que sea aplicado un algoritmo de

agrupamiento.

Para Ramos y otros (2019), un ejemplo de estos algoritmos es el llamado “K-

medias”, estos realizan las clasificaciones a una velocidad tan veloz gracias a que realiza la

simple tarea del cálculo de distancias que existen entre varios puntos y el centro de grupo

producidos por la información utilizada. Sin embargo, Reyes y otros (2014) señalan las

desventajas tales como la necesidad de indicar la cantidad de grupos que hay, lo que

dificulta la obtención de resultados informativos; además, en cada ejecución del algoritmo

se producen resultados cuyo valor es variable, esto en consecuencia de la aleatoria

selección entre centros de grupos provocando la falta de consistencia y datos repetibles.

Asimismo, Reyes y otros (2014) mencionan que estos programas tradicionales de

agrupamiento no son capaces de interpretar conceptualmente los grupos formados,

llegando a ser una limitante importante, por lo que un especialista realiza la interpretación y

el análisis de estos agrupamientos, requiriendo una descripción conceptual de los ya

mencionados incluso si se cuenta con una cantidad de objetos inmensa, resultando en una

tarea muy compleja debido al exceso de variables por revisar.

2.3 Concepto de Responsabilidad Profesional

 p. 20

Según Mediavilla (2019) la responsabilidad profesional es otorgada cuando un

profesional realiza su trabajo de forma deficiente o trata negligentemente a sus clientes.

Ellos están sujetos a estándares más altos cuando se trata de negligencia profesional en

función de su conocimiento especializado en un campo particular. Consecuentemente, Díaz

(2019) enfatiza que si ocurre un error en el diagnóstico entonces debe haber un

responsable que asuma las consecuencias y, hasta el momento, es una actividad exclusiva

del médico capacitado y certificado para firmar la prescripción.

2.4 Entorno VUCA

Como lo hace notar Cuesta (2021), el entorno VUCA, en el que se mueven las

organizaciones en la actualidad, se caracteriza por la volatilidad, la incertidumbre, la

complejidad y la ambigüedad; está presente en infinidad de sectores profesionales donde

los avances tecnológicos o las fluctuaciones propias del mercado económico son los

causantes de la inclusión de las organizaciones en el mismo. Por lo tanto, Romeo y otros

(2020) sugieren que al considerar el entorno VUCA, nunca existirá una situación en que las

decisiones tomadas por una máquina con IA no sean cuestionadas; ya que, a medida que la

máquina supera niveles humanos para tratar esos cuatro dominios, la probabilidad de error

aumenta. Así, la confirmación de un médico es el paso final y fundamental.

2.4.1 Volatilidad

A juicio de Cuesta (2021), esta característica se refiere a una serie de cambios

veloces e impredecibles ocurridos a diferentes escalas y categorías, careciendo de patrones

constantes. Romeo y otros (2020) declaran que lo anterior propicia el común surgimiento de

amenazas nuevas e inestabilidad ya que los cambios son producidos con un ritmo

alarmantemente ascendente; a pesar de representar un peligro, también es considerado

 p. 21

una oportunidad de revolución para propiciar el avance frente a estos cambios, siendo

importante en el liderazgo de diversas organizaciones. En el mercado, es asociado a la

demanda y sus fluctuaciones, además de sus usuarios y clientes con lo cambiantes que

llegan a ser sus características y especificaciones, así como los grupos interesados.

2.4.2 Incertidumbre

Por su parte, Cuesta (2021) propone que lo incierto señala el nivel de confianza

sobre lo que va a pasar en el futuro, siendo un grado de predicción que, si alcanzara un

valor demasiado alto, volvería a un entorno completamente incierto donde no habría lugar

para predicción alguna ni siquiera en estadística. Por añadidura, Romeo y otros (2020)

describen que este nivel también es asociado a la carencia de comprensión de lo que

sucede en el presente por parte de las personas, ya que una visión objetiva del entorno es

requerida. Lo que dificulta la toma de decisiones y reacción a ciertos estímulos es la falta de

conocimiento de los entornos y sus cambios; provocando un efecto notorio en las

organizaciones de la actualidad debido a la falta de sus indispensables previsiones,

paradójicamente, se necesita agrupar información diversa sobre aspectos sin precedentes.

2.4.3 Complejidad

Cuesta (2021) argumenta que esta señala las relaciones, variedad y cantidad de

factores que deben ser considerados para determinar la complejidad de un entorno, la cual

aumenta al mismo tiempo que los aspectos mencionados lo hacen. Encima, Romeo y otros

(2020) verifican que al ser las fuerzas que propician los cambios, complican los mecanismos

de decisión provocando el exceso de información no etiquetada o validada, así como la

imposibilidad de llevar a cabo un análisis del entorno de manera que se comprenda de

manera clara la relación causa-efecto de los acontecimientos, y conclusiones racionales

sean alcanzadas. A pesar de ello, la inteligencia artificial permite el análisis de cantidades

 p. 22

inmensas de información gracias al creciente acceso de datos que ha obtenido, pero con el

riesgo de ocasionar una intoxicación informativa debido a la falta de confiabilidad de los

datos recabados.

2.4.4 Ambigüedad

Según Cuesta (2021), la última característica trata la imprecisión, carencia o

contradicción de la información con el propósito de interpretar datos y deducir la falta de

claridad de estos para obtener conclusiones a causa de la vaguedad y confusión que

posean las ideas o la terminología usada ya que, en diversas ocasiones, se trata de

información irrelevante que indica desconocimiento de la causa y el efecto, por lo que no es

posible realizar predicciones por la falta de una base sólida de datos; además, la

interpretación de ciertos aspectos se dificulta a mayores niveles de ambigüedad, por lo que

el uso de metodologías de adaptación al entorno es elemental para hacer la optimización y

modificación de la organización. Martínez (2020) argumenta que, en el caso de los

algoritmos de inteligencia artificial, se requieren optimizar los datos utilizados para conseguir

una clasificación eficiente y un análisis profundo de los parámetros de manera que se

detecten los datos de mayor relevancia. Es incierta la influencia que tendrán estos

desconocidos aspectos en la implementación de inteligencia artificial en el área laboral, ya

que es desconocido el impacto que tendrá en la manera de trabajo en la actualidad.

2.5 La realidad de la IA aplicada a la medicina

En un caso ideal, se tiene planeado que dentro de unos años la IA pueda

sustentarse por sí misma; teniendo en cuenta a Sasso (2021), se espera que estos

sistemas resuelvan de manera satisfactoria y con una precisión del casi 100% los casos que

vayan presentándose con los pacientes, y que esta misma tenga la capacidad de darle un

correcto tratamiento para contrarrestar la enfermedad diagnosticada. Sin embargo, como se

 p. 23

mencionó en un inicio, esto es en un caso ideal, la realidad es que hay muchas desventajas

y problemas a los cuales las mentes humanas no han podido encontrar una solución óptima

para solucionarlas, pero, si se logran corregir se podría ayudar a miles de personas a

detectar enfermedades de forma prematura.

Para Harrsen (2021), algunas de las ventajas evidentes de la IA aplicada en la

medicina es la habilidad para analizar datos y mejorar diagnósticos. “Esto es debido a que

esta tecnología puede analizarlos de una forma mucho más rápida que cualquier humano,

incluyendo estudios clínicos, expedientes médicos e información genética lo que facilita al

médico o profesional de la salud llegar a un diagnóstico. También puede llevar a cabo

tareas rutinarias y administrativas de forma automática, como lo son el manejo de

expedientes, el ingreso de datos y el escaneo de análisis. Por lo cual se reduce el tiempo en

las tareas administrativas, así mismo los profesionales en la salud pueden enfocarse más

en el paciente”. También mencionó que se puede llevar a cabo un monitoreo de la salud y

consultas digitales con el uso de accesorios comerciales como lo son el Apple Watch y

Fitbit, en la cual se podrían realizar a través de tu celular, así permitiendo que la IA este en

constante monitoreo de la persona y tener un reporte de su propia salud y así el profesional

obtiene los datos esenciales. Por otro lado, hace también mención de las desventajas que

esta puede presentar, como lo es la complejidad para programar y adaptar la IA

extensivamente a través de aplicaciones para que funcione correctamente y se tenga la

seguridad adecuada a los datos. “Los profesionales de la salud necesitan conocer las

nuevas herramientas tecnológicas y desarrollar las habilidades necesarias para su manejo.

Por lo tanto, el reto se encuentra en hacer las plataformas más amigables para el

usuario de manera que la adquisición de dichas habilidades sea un proceso más sencillo; a

esto, agregando que existe una gran preocupación de privacidad de datos, ya que, al ser

información demasiado delicada, es difícil que los pacientes concedan el acceso a sus

expedientes médicos para el reconocimiento de patrones en la salud. Se requiere de un

sistema de Inter compatibilidad entre los diferentes sistemas de salud tanto nacionales

como internacionales de modo que cuenten con información suficiente para generar data
 p. 24

relevante”. También menciona que en un futuro el expediente médico del paciente tendría la

posibilidad ser consultado en cualquier hospital y por cualquier médico que cuente con las

credenciales de acceso para proporcionar una mejor atención médica y un mejor

diagnóstico; Sin embargo, aquí es donde existe un problema, el cual es adaptarse a estos

cambios, ya que como en cualquier sector, el cambio y la innovación tendrán sus dudas si

realmente será eficaz como se plantea. Ya que la industria de la salud es fundamental para

el cuidado de los pacientes la comunidad médica necesita pruebas de que la

implementación de la IA será efectiva, así como un plan que muestre a los inversores que

merece el gasto. Todos los que trabajan con IA tendrán que entender el funcionamiento de

esta tecnología y como les puede ayudar a llevar a cabo tareas del día a día.
 p. 25

Conclusiones.

Se ha demostrado que la Inteligencia Artificial es una herramienta muy valiosa si se

sabe manipular y programar, sin embargo, las limitantes tecnológicas a las que se

encuentra la humanidad hoy en día hacen que sea poco rentable optar por ella, como lo son

la poca confianza que se le tiene a esta tecnología como para otorgarle muchas bases de

datos de varios casos médicos que pueden llegar a tener ciertos márgenes de error, los

cuales podrían dar como resultado un mal diagnóstico del paciente, siendo potencialmente

mortal en esos casos, otro problema es la complejidad y lo costoso que puede ser

programar este tipo de algoritmos, ya que se necesita de una gran base de datos y redes

neuronales para poder ejecutar esta IA en su máxima capacidad. Por otro lado, muchos

investigadores se han dedicado a encontrar nuevos métodos para poder solucionar este tipo

de problemas, abriendo paso a las posibilidades y pensar en el potencial que podría tener

esta tecnología en la Salud. Podemos encontrar un ejemplo de su capacidad con un antiguo

juego chino llamado «Go». Es un juego de mesa para dos jugadores, en el cual los

oponentes intentan reclamar la mayor parte del territorio en una partida demasiado compleja

y abstracta. El grado de dificultad de Go era demasiado como para que una máquina

lograra crear un método eficaz para obtener la victoria. Lo más interesante es cómo logró

derrotar a uno de los mejores jugadores del mundo, y es que no lo hizo “aprendiendo” y

estudiando a los humanos repitiendo las partidas anteriores, si no que, el propio algoritmo

fue el que dominó el juego jugando contra sí mismo una y otra vez hasta lograr una

estrategia prácticamente impenetrable. Con esto se logra demostrar que el tipo de

«aprendizaje profundo» es lo que puede impulsar la aplicación de la IA en salud en un

futuro, ya que ayudaría a obtener una mejor atención médica y crear nuevos enfoques para

diagnosticar y tratar cientos de problemas médicos que hoy en día son complicados de

afrontar. Así como se está haciendo en estos últimos años, con el desarrollo de un

programa que pueda detectar de forma prematura a pacientes que pueden llegar a contraer

Alzheimer, esto con un margen de tiempo muy alto y una precisión de un 99%
 p. 26

aproximadamente. Esto puede abrir grandes puertas a tratamientos preventivos para este

tipo de enfermedades y muchas futuras, como lo fue en el caso de la COVID-19, la IA logró

advertir de una enfermedad potencialmente contagiosa meses antes de que esta llegara a

ser pandemia, sin embargo, el poco tiempo que ha tenido esta tecnología trabajando para

casos globales ha hecho que las organizaciones no tomaran mucho en cuentas los datos

que esta estaba arrojando, aún después de dicha negligencia, se puede concluir con que la

IA aplicada en Salud puede ser el paso a grandes avances médicos y tecnológicos para la

humanidad, es cuestión de tiempo para que se puedan pulir los detalles que hacen atrasar a

esta tecnología.
 p. 27

REFERENCIAS:

Abeliuk, Gutiérrez (2020). Historia y evolución de la inteligencia artificial. Inteligencia

artificial. Recuperado el 16 de noviembre de 2021.

https://revistasdex.uchile.cl/index.php/bits/article/download/2767/2700

Ávila , Mayer, Quesada V. (2020). La inteligencia artificial y sus aplicaciones en medicina II:

importancia actual y aplicaciones prácticas. Atención primaria, 53, 81-88.

https://tinyurl.com/7bkaz5s

Badaró, Ibañez, & Agüero, M. (2013). Fundamentos, Metodologías y Aplicaciones. Ciencia y

Tecnología, 13, 349-364.

https://dspace.palermo.edu/ojs/index.php/cyt/article/view/122

Benavent, Colomer, Quecebedo, Del llano (2020). Inteligencia artificial y decisiones clinicas:

Como está cambiando el comportamiento médico. Gaspar casal, 6, 24-15.

https://tinyurl.com/33hbx7ae

Bermúdez, V. (2019). Una Introducción a las Aplicaciones de la Inteligencia Artificial en la

Medicina: Aspectos históricos. Revista Latinoamericana de Hipertensión, 14, 590-

600. https://www.revhipertension.com/rlh_5_2019/13_una_introduccion.pdf

Dr. Frederic Llordachs Marqués. (2021). El origen de la medicina y su desarrollo posterior.

23 de noviembre de 2021, de Clinic Cloud Sitio web:

https://clinic-cloud.com/blog/origen-de-la-medicina-principales-avances-medicos/

Fernando Martínez. (2017). Parte de la segunda gran transformación. 23 de noviembre de

2021, de biblioteca digital Sitio web:

http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen3/ciencia3/154/html/

sec_14.html

Fournier J. (2021). Inteligencia artificial: una carrera hacia un futuro tecnologico. Instituto

Español de Estudios Estratégicos. Recuperado el 18 de noviembre de 2021.

https://www.ieee.es/Galerias/fichero/docs_opinion/2021/DIEEEO89_2021_JOAFOU_

Inteligencia.pdf
 p. 28

Fundación Ludovico Rutten (2018). Manual de armado y reparación de PC. Recuperado el

18 de noviembre de 2021. https://fundacionrutten.cl/wp

content/uploads/2018/12/manualdearmadodecomputadores.pdf

Galvanize (2021). Aprendizaje automático para la gobernanza. Recuperado el 19 de

noviembre de 2021. https://tinyurl.com/5245pxpb

Ganascia J. (2018). Inteligencia artificial: entre el mito y la realidad. UNESCO. Recuperado

el 18 de noviembre de 2021. https://es.unesco.org/courier/2018-3/inteligencia-

artificial-mito-y-realidad

Garcia L. (2018). Asistente virtual tipo chatbot. Universidad Catolica de Colombia.

Recuperado el 18 de noviembre de 2021.

https://repository.ucatolica.edu.co/bitstream/10983/17726/1/ASISTENTE

%20VIRTUAL%20TIPO%20CHATBOT_final.pdf

Gegúndez, J. (2018). Tecnificación versus humanización. La inteligencia artificial al servicio

del diagnóstico médico. arch soc esp oftalmol, 93, 17-19. https://tinyurl.com/2vccsffu

Gomis R. (2019) ¿Están interesados los médicos en aplicar la inteligencia artificial? ¿Es

útil? Universitat Oberta de Catalunya. Recuperado el 19 de noviembre del 2021.

https://cienciasdelasalud.blogs.uoc.edu/inteligencia-artificial-en-medicina/

Gonzalez, L., Hechavarria, R. (2018). El diagnóstico de enfermedades desde el Análisis

Inteligente de los Datos. Revista ESPACIOS, 39, 16-17.

https://www.revistaespacios.com/a18v39n28/a18v39n28p16.pdf

Harrsen, S. (2021). VENTAJAS Y DESVENTAJAS DE LA INTELIGENCIA ARTIFICIAL EN

EL SECTOR SALUD. Recuperado el 04 de noviembre de 2021, de Efficient

Technology Management Sitio web: https://tinyurl.com/v9bcdjbt

Hoffman, S. (2019). Los riesgos del mal uso de la inteligencia artificial en medicina.

Recuperado el 22 de septiembre 2021 de https://tinyurl.com/44f34bfb

Joison (2021). La inteligencia artificial en la educación médica y la predicción en salud.

Revista Methodo, 6, 44-50. https://doi.org/10.22529/me.2021.6(1)07

 p. 29

Julia Díaz. (2019). La realidad de la Inteligencia Artificial en Salud. 23 de noviembre de

2021, de iic-uam Sitio web: https://www.iic.uam.es/lasalud/realidad-inteligencia-

artificial-salud/

Lino, Y., Reyes, D., Toala, F., & Zambrano, J. (2021). Inteligencia artificial como herramienta

de innovación en la medicina: inteligencia artificial como herramienta de

innovación. UNESUM-Ciencias. Revista Científica Multidisciplinaria, 5, 83-88.

https://tinyurl.com/mcpmrw77

Lugo, S., Maldonado, G., & Murata, Ch. (2014). Inteligencia artificial para asistir el

diagnóstico clínico en medicina. Revista Alergia México, 61, 110-120.

https://revistaalergia.mx/ojs/index.php/ram/article/view/33

Martínez C. (2020) Inteligencia artificial y salud. CETyS. Recuperado el 24 de noviembre de

2021. https://tinyurl.com/r8br2ksw

Martínez, E., (2020). Predicción de enfermedades cardiovasculares mediante algoritmos de

inteligencia artificial. Recuperado el 20 de septiembre 2021 de

https://tinyurl.com/espenh5v

Martins, A. (2017). Qué es el "aprendizaje profundo" de la inteligencia artificial y cómo ya

está cambiando la vida de millones de personas en todo el mundo. Recuperado el

04 de noviembre del 2021 de https://tinyurl.com/ehw8ct8w

Mediavilla, J. (2019). Big Data e IA en Medicina: debates legales en responsabilidad

profesional. Recuperado el 04 de noviembre del 2021 de https://tinyurl.com/2krtscsj

Moquillaza, V., & Vela, P. (2019). Aprendizaje automatico en salud: aplicaciones,

limitaciones e implicancias eticas. Rev Int Sakud Materno Fetal, 4, 1-3.

http://ojs.revistamaternofetal.com/index.php/RISMF/article/view/148/153

García Sánchez, E. (2019). Introducción a las redes neuronales de convolución. Aplicación

a la visión por ordenador. [Trabajo académico, Universidad de

Zaragoza]. https://core.ac.uk/download/pdf/290002463.pdf
 p. 30

Ortega, B. R., Biswal, R. R., & Sánchez-Delacruz, E. (2019). Detección de enfermedades en

el sector agrícola utilizando Inteligencia Artificial. Res. Comput. Sci., 148, 419-427.

https://tinyurl.com/4kanjb7z

Ramos L., Torres, S., Icaza S., & Vargas, A. (2019). Estudio comparado de las técnicas de

Inteligencia Artificial para el diagnóstico de enfermedades. Revista dilemas

contemporáneos, 25, 2-4. https://tinyurl.com/26kzxzkb

Pérez Renzo (2020). Tres leyes robóticas. Recuperado el 18 de noviembre de 2021.

https://www.academia.edu/17587323/Tres_leyes_robotica

Cuesta, D. (2021). Mando orientado a la misión. El mission command del siglo xxi.

Concepto en evolución. Revista Ejército, 961, 10-12. https://tinyurl.com/kuberutp

Romeo, C., & Lazcoz, G. (2020). Inteligencia artificial aplicada a la salud. Recuperado el 22

de septiembre de 2021 de https://tinyurl.com/nnvsxmrd

Sasso, F. (2021). IA predice riesgo de Alzheimer con 99 por ciento de precisión.

Digitaltrends. Recuperado el 22 de septiembre de 2021: https://tinyurl.com/4fnpb9e7

Sanchez, Abellán (2021). Inteligencia artificial en el campo de la salud. Fundación Merck

Salud. Recuperado 11 de noviembre de 2021 de https://tinyurl.com/73p9d27s

Silcox, C. (2020). Inteligencia artificial en el Sector Salud: Promesas y Desafíos.

Apalancando tecnología, 1, 13-14. https://tinyurl.com/seme7fhb

Suárez, J., Colín, L., Mejía, A., & Ambríz, J. (2018). Una aproximación al diagnóstico de

enfermedades de la piel por medio de aprendizaje profundo. Revista Aristas:

Investigación Básica y Aplicada, 6, 13-

16. http://fcqi.tij.uabc.mx/usuarios/revistaaristas/numeros/N12/articulos/13-16.pdf

Vector (2018). Inteligencia artificial: pasado, presente y futuro. Recuperado 11 de noviembre

de 2021. https://softtek.eu/wp-content/uploads/2018/06/IA-Pasado-presente-y-futuro-

Vector-ITC.pdf

Reyes, Y., & Martínez, N. (2014). La toma de decisiones en los Sistemas Tutoriales

Inteligentes utilizando el agrupamiento conceptual. Revista Cubana de Ciencias

Informáticas, 8, 104-116. https://tinyurl.com/uf8fkvmm

 p. 31

Acevedo (2021). Inteligencia Artificial en Relación con la Medicina. Revista Ingenierías

USBMed, 12, 74-80. https://tinyurl.com/3664fzak

Ávila, Mayer y Quesada (2020). La inteligencia artificial y sus aplicaciones en medicina I:

introducción antecedentes a la IA y robótica. Revista Atención Primaria, 52, 778-784.

https://www.sciencedirect.com/science/article/pii/S0212656720301451?via%3Dihub