Diagnóstico médico con Redes neuronales
DOI:
https://doi.org/10.29059/cie.v2.1.31Palabras clave:
inteligencia artificial, redes neuronales artificiales, diagn´óstico médico, telemedicina, predicción de enfermedadesResumen
La inteligencia artificial, mediante el uso de redes neuronales artificiales, se ha consolidado como una herramienta relevante en la transformación de los procesos diagnósticos y predictivos en la medicina contemporánea. El presente estudio analiza la aplicación de redes neuronales artificiales para la predicción y el apoyo al diagnóstico médico, así como su integración con plataformas de telemedicina. A través de una metodología estructurada que abarca la recopilación, preprocesamiento y selección de datos, el diseño y entrenamiento de modelos neuronales, su validación y monitoreo continuo, se identificaron mejoras significativas en la detección temprana de enfermedades complejas y en la estratificación del riesgo clínico. Los resultados evidencian una reducción de errores asociados a factores humanos, una mayor personalización de los tratamientos y una optimización en el uso de recursos sanitarios. Asimismo, los sistemas desarrollados mostraron potencial para el seguimiento continuo de pacientes y la adaptación dinámica de las recomendaciones clínicas. No obstante, se destaca la necesidad de validación permanente y una integración ética y responsable para garantizar su efectividad y seguridad clínica.
Descargas
Referencias
Al Kahf, S., Beloncle, F., Piquilloud, L., Mekontso Dessap, A., & Carteaux, G. (2026). Closing the gap in mechanical ventilation education with massive open online simulation. Intensive Care Medicine. https://doi.org/10.1007/s00134-026-08298-5
Attia, Z. I., Kapa, S., Lopez Jimenez, F., McKie, P. M., Ladewig, D. J., Satam, G., … Friedman, P. A. (2022). Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nature Medicine, 28(1), 154–160. https://doi.org/10.1038/s41591-021-01623-5
Bestsennyy, O., Gilbert, G., Harris, A., & Rost, J. (2022). Telehealth: A quarter trillion dollar post COVID 19 reality? NPJ Digital Medicine, 5, 41. https://doi.org/10.1038/s41746-022-00568-9
Coldewey, B., Diruf, A., Röhrig, R., & Lipprandt, M. (2021). Causes of use errors in ventilation devices: A systematic review. Applied Ergonomics, 98, 103544. https://doi.org/10.1016/j.apergo.2021.103544
Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., … Dean, J. (2021). A guide to deep learning in healthcare. Nature Medicine, 27(2), 263–271. https://doi.org/10.1038/s41591-020-01177-6
Hatamizadeh, A., Nath, V., Tang, Y., Yang, D., Roth, H. R., & Xu, D. (2022). UNETR: Transformers for 3D medical image segmentation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 574–584). https://doi.org/10.1109/CVPR52688.2022.00066
Kelly, C. J., Karthikesalingam, A., Suleyman, M., Corrado, G., & King, D. (2022). Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 20, 195. https://doi.org/10.1186/s12916-022-02314-7
Kather, J. N., Calderaro, J., & Turkeltaub, J. A. (2021). Artificial intelligence for diagnosis and prognosis in cancer. Nature Cancer, 2(3), 276–287. https://doi.org/10.1038/s43018-021-00184-3
Lupton, D., & Jutel, A. (2023). Digital health surveillance: Data, power and automation. Social Science & Medicine, 315, 115401. https://doi.org/10.1016/j.socscimed.2022.115401
Morley, J., Machado, C. C., Burr, C., Cowls, J., Taddeo, M., & Floridi, L. (2021). The ethics of AI in health care: A mapping review. Social Science & Medicine, 260, 113172. https://doi.org/10.1016/j.socscimed.2020.113172
Rajkomar, A., Dean, J., & Kohane, I. (2022). Machine learning in medicine. New England Journal of Medicine, 386(14), 1351–1360. https://doi.org/10.1056/NEJMra2114252
Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2021). AI in health and medicine. Nature Medicine, 27(1), 31–38. https://doi.org/10.1038/s41591-020-01178-5
Shen, D., Wu, G., & Suk, H. I. (2021). Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 23, 221–248. https://doi.org/10.1146/annurev-bioeng-082120-040357
Ting, D. S. W., Liu, Y., Burlina, P., Xu, X., Bressler, N. M., & Wong, T. Y. (2022). AI for medical imaging goes deep. Nature Medicine, 28(1), 18–20. https://doi.org/10.1038/s41591-021-01608-4
Topol, E. J. (2021). High performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 27(1), 44–56. https://doi.org/10.1038/s41591-020-01193-6
Yao, Q., Wang, P., Zhang, H., & Wu, Q. (2021). Recurrent neural networks for medical time series data analysis: A review. Artificial Intelligence in Medicine, 112, 102014. https://doi.org/10.1016/j.artmed.2021.102014
Zhang, Z., Ashfaq, A., Li, J., Huang, Q., & Hu, J. (2023). Explainable artificial intelligence in medical diagnosis: A systematic review. IEEE Reviews in Biomedical Engineering, 16, 286–301. https://doi.org/10.1109/RBME.2023.3250112
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 https://revistacie.uat.edu.mx/index.php/cie/dautor
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cómo citar
Aceptado 2026-04-05
Publicado 2026-04-30
