Documentos de Académico
Documentos de Profesional
Documentos de Cultura
enfermedades.
8 de noviembre de 2021
p. 2
Introducción
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
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
percusión como un método de exploración física, por otro lado, se generalizó el uso de la
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
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
1.1 ANTECEDENTES
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
Esto con el fin de que se emplee en distintos campos e incluso implementarlo a la nueva
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
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,
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
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
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
Vector (2021) expresa que “No fue hasta 1950, cuando Turing escribió “Maquinaria
(2021) mencionó que "Fue en 1956 cuando John McCarthy bautizó el concepto IA en la
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
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
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
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
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
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 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
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
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
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
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
utiliza una red neuronal para ganar un concurso de ImageNet, en el cual consistía en el
que contaba con una interfaz de voz. En síntesis, estos avances ya fueron una gran
de esta tecnología, incluso hoy en día ya podemos ver ciertos robots que cuentan con esta
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
de la sangre (Badaró et al., 2013). Por consiguiente, esta inteligencia computacional permite
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
1.1 PROBLEMÁTICA
innovación tecnológica, de igual manera el sector salud busca estar a la vanguardia para
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
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
diferencias médicas y demográficas”. Por consiguiente, esto no es algo que se pueda evitar
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
Moquillaza y Vela (2019) describen que “Los modelos predictivos suelen describirse
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
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
objetivos o criterios; además, es posible que la autonomía del paciente sea afectada debido
los cuales se basa la toma de decisiones de manera exclusiva, ya que se obtienen perfiles
tiene sus datos predefinidos y almacenados, estos darían un diagnóstico erróneo debido a
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
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
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
bastante varios.
clasificación de datos médicos para comprobar si este modelo es apto para proporcionar un
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
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,
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
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
artificial. Esto con el propósito de certificar dicha información por alguna institución de salud
1.4 JUSTIFICACIÓN
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
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
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
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
información; por lo que Harssen (2021) menciona que ello hace imposible que se
decisiones al médico.
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
entrenamiento.
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
sugieren que al basarse en datos que no cuentan con etiquetas ni resultados puntuales y
2.1.2 El perceptrón
se basa en el comportamiento de las neuronas biológicas de los seres vivos, que son su
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
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
“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
Desde la posición de García Sánchez (2019), estas redes son una herramienta
de imágenes con el objetivo de clasificarlas con una precisión alta utilizando un filtro de
características producto de la matriz generada con dicha suma, estos mapas son creados
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
constantes.
p. 17
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
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
evaluada y su valor poseído en ese momento, el cual puede ser continuo o discreto.
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
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
Una vez comprendida su estructura, es importante destacar las ideas de Lino y otros
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
entrenamiento con los que es alimentado; asimismo, depende del análisis estadístico sobre
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
De acuerdo con Ávila y otros (2020), este método es del tipo no supervisado y
indicadores con la finalidad de hallar patrones y secuencias para etiquetar una variedad de
Reyes y otros (2014) manifiestan que los datos que pertenecen a grupos distintos poseen
alto valor y utilidad de cualquier conjunto de información al que sea aplicado un algoritmo de
agrupamiento.
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
llegando a ser una limitante importante, por lo que un especialista realiza la interpretación y
mencionados incluso si se cuenta con una cantidad de objetos inmensa, resultando en una
Ellos están sujetos a estándares más altos cuando se trata de negligencia profesional en
responsable que asuma las consecuencias y, hasta el momento, es una actividad exclusiva
Como lo hace notar Cuesta (2021), el entorno VUCA, en el que se mueven las
los avances tecnológicos o las fluctuaciones propias del mercado económico son los
(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
2.4.1 Volatilidad
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
una oportunidad de revolución para propiciar el avance frente a estos cambios, siendo
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
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)
sucede en el presente por parte de las personas, ya que una visión objetiva del entorno es
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
inmensas de información gracias al creciente acceso de datos que ha obtenido, pero con el
datos recabados.
2.4.4 Ambigüedad
posible realizar predicciones por la falta de una base sólida de datos; además, la
algoritmos de inteligencia artificial, se requieren optimizar los datos utilizados para conseguir
detecten los datos de mayor relevancia. Es incierta la influencia que tendrán estos
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
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
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,
las tareas administrativas, así mismo los profesionales en la salud pueden enfocarse más
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
obtiene los datos esenciales. Por otro lado, hace también mención de las desventajas que
seguridad adecuada a los datos. “Los profesionales de la salud necesitan conocer las
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
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
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
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.
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
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
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
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:
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:
https://tinyurl.com/7bkaz5s
https://dspace.palermo.edu/ojs/index.php/cyt/article/view/122
Benavent, Colomer, Quecebedo, Del llano (2020). Inteligencia artificial y decisiones clinicas:
https://tinyurl.com/33hbx7ae
600. https://www.revhipertension.com/rlh_5_2019/13_una_introduccion.pdf
https://clinic-cloud.com/blog/origen-de-la-medicina-principales-avances-medicos/
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
https://www.ieee.es/Galerias/fichero/docs_opinion/2021/DIEEEO89_2021_JOAFOU_
Inteligencia.pdf
p. 28
content/uploads/2018/12/manualdearmadodecomputadores.pdf
artificial-mito-y-realidad
https://repository.ucatolica.edu.co/bitstream/10983/17726/1/ASISTENTE
%20VIRTUAL%20TIPO%20CHATBOT_final.pdf
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
https://cienciasdelasalud.blogs.uoc.edu/inteligencia-artificial-en-medicina/
https://www.revistaespacios.com/a18v39n28/a18v39n28p16.pdf
Hoffman, S. (2019). Los riesgos del mal uso de la inteligencia artificial en medicina.
artificial-salud/
Lino, Y., Reyes, D., Toala, F., & Zambrano, J. (2021). Inteligencia artificial como herramienta
https://tinyurl.com/mcpmrw77
Lugo, S., Maldonado, G., & Murata, Ch. (2014). Inteligencia artificial para asistir el
https://revistaalergia.mx/ojs/index.php/ram/article/view/33
2021. https://tinyurl.com/r8br2ksw
https://tinyurl.com/espenh5v
http://ojs.revistamaternofetal.com/index.php/RISMF/article/view/148/153
Zaragoza]. https://core.ac.uk/download/pdf/290002463.pdf
p. 30
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
https://www.academia.edu/17587323/Tres_leyes_robotica
Cuesta, D. (2021). Mando orientado a la misión. El mission command del siglo xxi.
Romeo, C., & Lazcoz, G. (2020). Inteligencia artificial aplicada a la salud. Recuperado el 22
Suárez, J., Colín, L., Mejía, A., & Ambríz, J. (2018). Una aproximación al diagnóstico de
16. http://fcqi.tij.uabc.mx/usuarios/revistaaristas/numeros/N12/articulos/13-16.pdf
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
https://www.sciencedirect.com/science/article/pii/S0212656720301451?via%3Dihub