Uso de inteligencia artificial como
soporte para el aprendizaje en las
ciencias de la salud

Using artificial intelligence to support learning in
the health sciences

Marcelo Ronaldo Robles Zeas
Estudiante de la Carrera de Medicina de la
Universidad Católica de Cuenca
mrroblesz84@est.ucacue.edu.ec
https://orcid.org/0009-0001-0222-9429

Karina de Lourdes Serrano Paredes
Máster en procesos educativos mediados por tecnología
Docente en la Universidad Católica de Cuenca
kserrano@ucacue.edu.ec
https://orcid.org/0000-0002-3598-7963

Tania Magdalena Cruz Gavilanes
Magister en educación especial. Magister en derechos
humanos, interculturalidad y genero
Docente en la Universidad Católica de Cuenca
tmcruzg@ucacue.edu.ec
https://orcid.org/0000-0001-6126-4868

Resumen

La inteligencia artificial impacta significativamente en el

aprendizaje médico, ofreciendo una serie de beneficios para

los estudiantes y los profesionales de la salud, ya que se basa

en el uso de algoritmos y software que mejora el aprendizaje

en las áreas médicas. El objetivo es analizar mediante

revisión bibliográfica el uso de la inteligencia artificial como
soporte para el aprendizaje en las ciencias de la salud. Se

buscó en PubMed, Web of Science, Scopus y Scielo. Las

palabras claves usadas fueron “Artificial Intelligence”,

“Learning” y “Medicine”. Los resultados demuestran beneficiosos

para la formación estudiantil al implementar métodos innovadores

en la enseñanza que incluye el uso de la inteligencia artificial

Imaginario Social
Entidad editora

REDICME (reg-red-18-0061)

e-ISSN: 2737-6362

especial 2024 Vol. 7-2-2024
http://revista-

imaginariosocial.com/index.php/es/index

Recepción: 15 de febrero de 2024
Aceptación: 29 de febrero de 2024
199-216

200

en las prácticas clínicas, los cuales juegan un papel esencial para el diagnóstico y

tratamiento, así como en su aprendizaje. Se concluye que la inteligencia artificial se
ha convertido en una herramienta invaluable en el campo del aprendizaje médico,

mejorando la capacidad de los profesionales de la salud para tomar decisiones,

acelerar la investigación médica y proporcionar un cuidado más personalizado.

Palabras clave: inteligencia artificial, aprendizaje, medicina, ciencias de la salud.

Abstract
Artificial intelligence has a significant impact on medical learning, offering a series of

benefits for students and health professionals, as it is based on the use of algorithms

and software that improves learning in medical areas. The aim is to analyse through a
literature review the use of artificial intelligence as a support for learning in the

health sciences. We searched PubMed, Web of Science, Scopus and Scielo. The

keywords used were "Artificial Intelligence", "Learning" and "Medicine". The results

show benefits for student training by implementing innovative teaching methods that

include the use of artificial intelligence in clinical practices, which play an essential

role in diagnosis and treatment, as well as in their learning. It is concluded that

artificial intelligence has become an invaluable tool in the field of medical learning,
enhancing the ability of healthcare professionals to make decisions, accelerate

medical research and provide more personalised care.

Keywords: artificial intelligence, learning, medicine, health sciences.

Introducción

La Organización Mundial de la Salud (OMS) define la inteligencia artificial (IA) como

la capacidad de una máquina para realizar tareas que normalmente requieren
inteligencia humana (Jasarevic, 2021). En el campo de la medicina, la IA se está

utilizando para la prevención, diagnóstico y tratamiento de enfermedades, esta ofrece

oportunidades para optimizar la prestación de servicios en el campo médico, siempre

de la mano de la ética y los derechos humanos, mejorando la atención en salud y

reduciendo la morbimortalidad y las complicaciones de los mismos, en estudios

realizados en diferentes países se evidencian los beneficios que existen para el

paciente (Coloma et al., 2020).

201

La medicina 4.0 es un término que se utiliza para describir la transformación digital

de la atención médica. Esta transformación se basa en el uso de tecnologías
avanzadas, como la inteligencia artificial (IA), el internet de las cosas, el Big data, los

cuales permiten mejorar la calidad, la eficiencia y la accesibilidad de la atención

médica (Lino Solís et al., 2021). Uno de estos estudios se enfoca en la predicción de

problemas cardioembólicos usando la inteligencia artificial como método predictor,

en donde se analizó una muestra de 499 pacientes ayudando a predecir la etiología

cardioembólica presentando una precisión del 65%, una sensibilidad del 60% y una

especificidad del 75% (Montanaro et al., 2021).

En el campo imagenológico en donde Gilbert M Schwarz ha implementado el

software de inteligencia artificial para lecturas manuales de resultados

imagenológicos, generó resultados positivos y seguros, obteniendo un total del 94%
en estudios radiológicos de pelvis, lo cual ha permitiendo que los estudiantes puedan

aprender a identificar de mejor manera el diagnóstico del paciente y el abordaje que

debe ser realizado con cada uno de los mismos (Schwarz et al., 2023). Otros autores

mencionan que la inteligencia artificial brinda un enfoque integral, pues permite que

el estudiante pueda evaluar anomalías precisas en estudios de imagen, procesos

quirúrgicos, análisis de muestras y fortalecer las prácticas médicas (Álvarez Vega et

al., 2020).

Por otra parte, la falta de prácticas intra y extra hospitalarias representa una

problemática importante en los estudiantes del campo médico. Estas prácticas son

fundamentales para adquirir habilidades y destrezas clínicas, conocer el entorno
hospitalario y desarrollar competencias profesionales. Sin embargo, la escasez de

oportunidades de práctica puede limitar el aprendizaje y la experiencia de los

estudiantes. Además, la falta de prácticas clínicas puede afectar la capacidad de los

estudiantes para aplicar sus conocimientos teóricos en situaciones reales. Además, se

ha observado que la falta de acceso a prácticas puede presentar mayores dificultades

para adaptarse al ambiente hospitalario y para desarrollar habilidades de trabajo en

equipo (Lanzagorta et al., 2022).

La medicina evoluciona, por lo que la implementación de las técnicas de inteligencia

artificial juega un papel muy importante, se basan en el uso de algoritmos y software

que mejora la cognición en el aprendizaje (Lanzagorta et al., 2022). Es por esta razón
que la inteligencia artificial se implementó para solventar inquietudes de los

202

estudiantes al realizar sus prácticas con pacientes virtuales, las cuales ayudan a

fortalecer los conocimientos y mejorar su enfoque en el tratamiento de los pacientes
reales (Hosseini et al., 2023; Nash et al., 2023; Quinteros, 2020), partiendo de esta

problemática se plantea la siguiente interrogante, ¿Es la inteligencia artificial un

método innovador para el aprendizaje en las ciencias de la salud?

Por lo expuesto, en el campo del aprendizaje médico, se ha visto la necesidad de

adoptar nuevas tecnologías, las cuales permitirán implementar herramientas

informáticas de vanguardia que ayuden a la práctica de diagnóstico, para brindar

seguridad al paciente y un abordaje de su tratamiento. Es por esta razón que este

estudio tiene como objetivo analizar el uso de la inteligencia artificial como soporte

para el aprendizaje en las ciencias de la salud.

Metodología

Tipo de investigación

Se realizó una revisión bibliográfica de la literatura, para ello se efectuó las

recomendaciones de la declaración PRISMA.

Estrategias de búsqueda
La búsqueda se realizó en PubMed, Scielo, Web of Science y SCOPUS. Se utilizó los

términos MeSH: “Artificial Inteligence”, “Learning”, “Medicine”, y los descriptores

DeCS: “Inteligencia artificial”, “Aprendizaje”, “Médico”, para formar la cadena de

búsqueda se utilizaron operadores booleanos como el AND y OR.

Pregunta de investigación

¿Es la inteligencia artificial un método innovador para el aprendizaje en las ciencias

de la salud?

Criterios de inclusión
La selección de artículos se ejecutó de la siguiente manera: artículos en idiomas

español e inglés, años de publicación: desde 2019, artículo original de investigación

de carácter cuantitativo o mixto, revisiones descriptivas, retrospectivas, metaanálisis,

estudios experimentales y prospectivos.

Criterios de exclusión

Se excluyó del estudio los artículos que no sean del año de publicación que se busca,

los estudios de tipo tesis (pregrado, posgrado y Doctorado), monografías y ensayos

203

argumentativos, la imposibilidad para recuperar el texto completo del artículo y los

artículos duplicados.
Proceso de búsqueda

Se obtuvo de la revisión 92 artículos científicos de los diferentes buscadores en

relación al uso de inteligencia artificial como soporte para el aprendizaje en las

ciencias de la salud, de los cuales, se excluyeron 16 al no tener una relación directa

con el tema, además se excluyeron 13 artículos que no corresponden mediante la

lectura de resúmenes, continuando con la lectura y revisión de los resúmenes se

seleccionó 63 para la lectura completa, se excluyeron 21 porque no se ajustaron a los
objetivos deseados, finalmente se trabajó con 25 documentos.

Resultados

A continuación, en la Figura 1, se observa el proceso realizado para la selección de
artículos científicos de acuerdo con la metodología PRISMA.

Figura 1. Diagrama de Flujo.

Fuente: Elaborado por los autores

En la Figura 2, se evidencia que la mayor cantidad de artículos se encontró en la base

de datos SCOPUS, el 40% en el año 2022, seguido del 20% en el 2023, demostrando

el interés por la comunidad científica por estudiar las implicaciones de la inteligencia

artificial en los procesos de aprendizaje de las ciencias de la salud.

204

Figura 2. Gráficos estadísticos A: Distribución por año. B: Porcentaje de producción

por base de datos científica.

Fuente: Elaborado por los autores.

A continuación, en la Tabla 1, se agrupan los artículos objeto de estudio a fin de dar

respuesta a las siguientes interrogantes: ¿Existen beneficios en el uso de la

inteligencia artificial como herramienta de soporte médico para el aprendizaje? ¿La

inteligencia artificial es útil como soporte en las ciencias de la salud?¿Cómo ayuda la

inteligencia artificial en el campo de la medicina?

Tabla 1. Literatura científica que responderá a las interrogantes de investigación.

Pregunta

Artículos agrupados

Existen beneficios en el uso de la inteligencia

artificial como herramienta de soporte médico

para el aprendizaje.

A8; A9; A10; A11; A12; A13,A25

La inteligencia artificial es útil como soporte

en las ciencias de la salud.

A7; A14; A15; A16; A17; A18; A19; A20,A23.

Cómo ayuda la inteligencia artificial en el campo

de la medicina.

A1; A2; A3; A4; A5; A6, A21,A22,A24.

Fuente: Elaborado por los autores

A continuación, en la Tabla 2 se expondrán los diferentes hallazgos que reportan los

25 artículos, y sus características bibliográficas.

205

Tabla 2. Hallazgos y características bibliográficas de los manuscritos que forman

parte del estudio.

Título

Autor

Tipo de

estudio

Resultados/Hallazgos

Inteligencia

artificial como

herramienta de

innovación en la

Medicina

Lino Solís et

al. (2021)

Estudio

deductivo

analitico.

Se obtuvo como resultado final que los

estudiantes obtuvieron los conocimientos

necesarios y aclararon sus dudas en cuanto a

la implementación positiva que llevará a cabo

la inteligencia artificial, historia, sus ventajas

y desventajas.

Artificial

Inteligence-Based

Decision for the

Prediction of

Cardioembolism in

Patients with

Chagas Disease and

Ischemic Stroke

Montanaro et

al. (2021)

Estudio

descriptivo

Los resultados se organizan por modalidad de

imagen (estructural y difusión, por separado)

y la comparación específica de clasificación

de grupos que se realizó. Para cada

comparación, se muestra una matriz de

confusión 2 × 2 y una tabla resumen que

muestra las seis métricas de rendimiento,

como media ± desviación estándar (DE)

calculada a partir de las mil matrices de

confusión 2 × 2 generadas por el proceso de

evaluación (Sección 2.6), y las mil matrices de

confusión aleatorias 2 × 2 generadas por

nuestro proceso de evaluación que permuta

las etiquetas de grupo

Can an artificial

intelligence

powered software

reliably assess

pelvic radiographs?

Schwarz et

al. (2023)

Estudio

descriptivo

A pesar de los avances en imágenes

tridimensionales, las radiografías pélvicas

siguen siendo la piedra angular en la

evaluación de la articulación de la cadera. Sin

embargo, existen grandes variabilidades

entre evaluadores e intraevaluadores debido

al establecimiento de puntos de referencia

subjetivos. Las aplicaciones informáticas

basadas en inteligencia artificial (IA) podría

mejorar la reproducibilidad de la evaluación

de las radiografías pélvicas al proporcionar

medidas estandarizadas.

La inteligencia

artificial y sus

aplicaciones en

medicina

introducciones

antecedentes a la

IA y robótica

Avila-Tomás

et al. (2020)

Estudio

descriptivo

Un primer robot recoge la muestra de sangre

y la coloca en un lector de códigos de

barras. A continuación, una cámara de visión

fotografía el color del tapón roscado e indica

al robot que coloque la muestra en una de las

4 gradillas en función de su color. Luego un

segundo robot recoge las muestras de las

gradillas y las coloca en el alimentador de la

máquina para su centrifugado y

análisis

Perceptions of the

use of artificial

intelligence in

primary care care:

a qualitative study

with providers and

staff of

Ontario community

health centres

Nash et al.

(2023)

Estudio

cualitativo

descriptivo

Identificamos las influencias internas de la
aceptación de la IA, incluida la facilidad de

uso, y complementamos el juicio clínico en

lugar de reemplazarlo.

Las influencias externas incluían la

privacidad, la rendición de cuentas, y

consideraciones financieras.

Artificial based on

Miceli et al.

Estudio

Existen muchas herramientas diagnósticas

206

diagnostic

intelligence of

acute pulmonary

embolism:

Development of a
machine learning

model using 12

leads

electrocardiogram

(2023)

descriptivo

con alta sensibilidad para el diagnóstico de la

EP.1 en nuestro estudio, la Clínica

Predicciones combinadas, como la ginebra y

los pozos exactos, con la medición del dímero

D se asoció con alrededor del 90%

sensibilidad, similar a la previamente

documentada.20,21 Sin embargo, estas

estrategias se asociaron con una falta de

especificidad 20,21 que podría llegar al 12%

en nuestro estudio.

Inteligencia

artificial e

innovación para

optimizar el

proceso de

diagnóstico de la

tuberculosis

Curioso and

Brunette

(2020)

Estudio

descriptivo

La inteligencia artificial (IA) ha sido una

innovación que ha cambiado el mundo de la

salud y la medicina. Además del área de la

investigación, la IA puede brindar soluciones

algorítmicas en cuestiones clínicas para

ayudar al diagnóstico, pronóstico y

tratamiento, así como en el reconocimiento

por software de patrones

visuales en el campo de la radiología y la

interpretación de imágenes

Estudio y selección

de las técnicas de

Inteligencia

Artificial para el

diagnóstico de

enfermedades

González

Benítez et al.

(2018)

Estudio

descriptivo

Las innovaciones basadas en herramientas de

inteligencia artificial pueden optimizar el

proceso de diagnóstico de la tuberculosis y de

muchos otros problemas relacionados con la

salud urbana. Así, la flexibilidad de las

aplicaciones basadas en la inteligencia

artificial permite superar algunas de las

complejidades comunes que rodean la carga

de enfermedad por tuberculosis.

Inteligencia

artificial en la

evaluación y

manejo de

pacientes con

epilepsia.

Paredes-

Aragón and

Burneo

(2022)

Estudio de

revisión

sistemática.

La inteligencia artificial (IA) ha beneficiado el

estudio, tratamiento y pronóstico de los

pacientes con epilepsia. Estos logros abarcan

diagnóstico, predicción de crisis

automatizada, monitoreo avanzado de crisis

epilépticas y electroencefalograma, uso de

recursos genéticos en manejo y diagnóstico,

algoritmos en imagen y tratamiento,

neuromodulación y cirugía robótica.

Inteligencia

artificial en la

docencia médica

Vidal Ledo et

al. (2019)

Estudio

descriptivo

La metabolómica, se ha aplicado a los tejidos

de la cirugía postoperatoria de la epilepsia en
comparación con una espectroscopia-MRI de

alta resolución, con la genómica (análisis de

chips de ARN (microarrays), histopatología

(interactoma celular, neovascularización y

microlesiones)).

Attitudes,

knowledge, and

skills towards

artificial

intelligence among

healthcare

students: A

systematic review

Mousavi

Baigi et al.

(2023)

Estudio de

revisión

sistemática.

Mejora de programas a partir del aprendizaje

de la actividad realizada, de sus propios

errores y el uso de herramientas que

permiten extraer conocimiento de bases de

datos, inteligencia artificial distribuida y

soluciones distribuidas con autonomía para

tomar decisiones e interactuar con otros.

Potentiality of

algorithms and

artificial

intelligence
adoption to

improve

medication

Damiani et

al. (2023)

Estudio de

revisión

sistemática.

Los estudios informaron de diferentes

maneras de la reducción efectiva de los

errores de medicación. Diez de los 14 estudios

incluidos, correspondientes al 71% de los

artículos, informaron de una reducción de los

errores de medicación, lo que respalda la

hipótesis de que la IA es una herramienta

207

management in

primary care: a

systematic review

importante para la seguridad del paciente.

Surveying Public

Perceptions of

Artificial

Intelligence in

Health Care in the

United States:

Systematic Review

Beets et al.

(2023)

Estudio de

revisión

sistemática.

Las encuestas incluyen preguntas

relacionadas con la familiaridad y la

experiencia con la IA; las aplicaciones, los

beneficios y los riesgos de la IA en los

entornos sanitarios; el uso de la IA en el

diagnóstico y el tratamiento de

enfermedades, y los cuidados robóticos; y

cuestiones relacionadas con la privacidad y la

vigilancia de los datos.

e-PTSD: an

overview on how

new technologies

can improve

prediction and

assessment of

Posttraumatic

Stress Disorder

(PTSD)

Bourla et al.

(2018)

Estudio de

revisión

sistemática.

El ML es el subcampo de la IA que otorga a

los "ordenadores la capacidad de aprender

sin ser programados explícitamente". Utiliza

dos tipos diferentes de clasificación:

"supervisada" y "no supervisada".

La clasificación supervisada identifica

automáticamente reglas a partir de bases de

datos constituidas por "ejemplos";

clásicamente, se trata de pacientes ya

validados con un diagnóstico establecido. Con

la clasificación no supervisada, en la que los

datos recogidos no están etiquetados, el

objetivo del software será clasificarlos en

agrupaciones homogéneas; esto permite

encontrar estructuras que aún no se conocen.

Emergency Medical

Services Naloxone

Access: A National

Systematic Legal

Review

Davis et al.

(2014)

Estudio de

revisión

sistemática.

The National Highway Traffic Safety

Administration is currently developing a set

of evidence-based practices to inform

changes to the voluntary national Scope of

Practice Model, and many states are adapting

their protocols to comply with the Model..

The role of

artificial

intelligence in the

treatment of

obstructive sleep

Apnea

Brennan and
Kirby (2023)

Estudio de

revisión

sistemática.

El papel de la inteligencia artificial en el

tratamiento de la AOS se clasificó en las

siguientes secciones: Predicción de los

resultados de diversas opciones de

tratamiento, Mejora/Evaluación del

tratamiento y Personalización del tratamiento

con la mejora de la comprensión de los

mecanismos subyacentes de la AOS

La inteligencia

artificial en la

educación médica y

la predicción en

salud

Joison et al.

(2021)

Estudio de tipo

descriptivo

A pesar de los avances en imágenes

tridimensionales, las radiografías pélvicas

siguen siendo la piedra angular en la

evaluación de la articulación de la cadera. Sin

embargo, se han notificado grandes

variabilidades entre evaluadores e

intraevaluadores debido al establecimiento de

puntos de referencia subjetivos. Las

aplicaciones informáticas basadas en

inteligencia artificial (IA) podría mejorar la

reproducibilidad de la evaluación de las

radiografías pélvicas.

Artificial

Intelligence in

Acute Ischemic

Stroke Subtypes

According to Toast

Classification: A

Miceli et al.

(2023)

Estudio de

revisión

sistemática.

Según nuestros resultados, la IA ha

demostrado ser una herramienta útil para

identificar factores predictivos capaces de

subtipificar a los pacientes con ictus agudo en

grandes poblaciones heterogéneas y, en

particular, para aclarar la etiología de la EIU,

208

Nota. Fuente: Elaborado por los autores

Comprehensive

Narrative Review

especialmente para detectar fuentes

cardioembólicas.

Artificial

intelligence for

classification of

temporal lobe

epilepsy with ROI-

level MRI data: A

worldwide

ENIGMA-Epilepsy

study

Gleichgerrcht

et al. (2021)

Estudio de tipo

descriptivo

Los resultados se organizan por modalidad de

imagen (estructural y difusión, por separado)

y la comparación específica de clasificación

de grupos que se realizó. Para cada

comparación, se muestra una matriz de

confusión 2 × 2 y una tabla resumen que

muestra las seis métricas de rendimiento,

como media ± desviación estándar (DE)

calculada a partir de las mil matrices de

confusión 2 × 2 generadas por el proceso de

evaluación (Sección 2.6), y las mil matrices de

confusión aleatorias 2 × 2 generadas por

nuestro proceso de evaluación que permuta

las etiquetas de grupo.

Artificial

Intelligence Can

Effectively Predict

Early Hematoma

Expansion of

Intracerebral

Hemorrhage

Analyzing

Noncontrast

Computed

Tomography Image

Teng et al.

(2021)

Estudio

descriptivo

El modelo DLS produce una máscara de

segmentación que indica la localización del

hematoma y una puntuación de confianza

que representa el riesgo de ES. Para la

segmentación de hematomas, en el conjunto

de datos de validación 1 (n = 615, 15.980

imágenes), el IoU por píxel a nivel de corte

fue de 0,863 (IC del 95%, 0,848-0,877), y el

IoU a nivel de paciente fue de 0,831 (IC del

95%, 0,811-0,856).

Inteligencia

artificial para

analizar el

rendimiento

académico en

instituciones de

educación superior.

Una revisión

sistemática de la

literatura

Jimbo-

Santana et al.

(2023)

Estudio

descriptivo

El uso de inteligencia artificial con la

capacidad intrínseca de procesar numerosos

datos para identificar conexiones que no

pueden detectarse mediante investigaciones

clínicas está encontrando cada vez más

espacio en este campo médico, han aplicado

modelos de IA a gran escala considerando

datos de múltiples pruebas diagnósticas,

incluso heterogéneas, como ECG-Holter para

la identificación de fibrilación auricular,

ecografía de la arteria carótida para el

diagnóstico de estenosis y oclusión de los

vasos cerebro aferentes y la IRM para la

identificación de la enfermedad de pequeños

vasos.

Factibilidad de la

utilización de la

inteligencia

artificial para el

cribado de

pacientes con

COVID-19 en

Paraguay.

Galván et al.

(2022)

Estudio

observacional

descriptivo

multicéntrico

Se realizó el cribado de 3 514 pacientes con

sospecha diagnóstica de COVID-19, en 14

hospitales a nivel nacional. La mayoría de los

pacientes tenían entre 27 y 59 años, seguidos

por los mayores de 60 años. La edad

promedio fue de 48,6 años; el 52,8% eran de

sexo masculino. Los hallazgos más frecuentes

fueron neumonía grave, neumonía bilateral

con derrame pleural, enfisema pulmonar

bilateral y opacidad difusa en vidrio

esmerilado, entre otros. Se determinó un

promedio de 93% de concordancia y 7% de

discordancia entre las imágenes analizadas

mediante IA y la RT-PCR.

209

Discusión

Índice de prevalencia de inteligencia artificial en el aprendizaje médico.
Esta investigación fue realizada para poder presentar la importancia y la efectividad

que brinda la inteligencia artificial en el aprendizaje del campo médico, y los avances

informáticos que han promovido un mejor diagnóstico y tratamiento de los pacientes,

es por esta razón que se predispone que los estudiantes puedan tener un mejor

enfoque en cuanto a las prácticas médicas con simulación virtual enriqueciendo sus

conocimientos, implementando software y algoritmos que los estudiantes puedan

acoplar a su aprendizaje. Se realizó un estudio en EE.UU. donde se investigó la
confiabilidad de la inteligencia artificial y el efecto que ha tenido dentro de los

hospitales y centros educativos, presentando un índice de confianza del 59% en la

precisión y enfoque de la inteligencia artificial dentro del campo médico, para la

implementación de prácticas con simuladores virtuales fortaleciendo el aprendizaje

de estudiantes y personal de salud (Lino Solís et al., 2021; Schwarz et al., 2023).

Impacto de la Inteligencia artificial en el aprendizaje médico.

Dentro del campo médico se ha implementado la inteligencia artificial para el

aprendizaje de los estudiantes a través de simuladores de escenarios virtuales, los

cuales pueden evaluar las capacidades, aptitudes de cada estudiante, para esto se

ajustan pruebas que fortalezcan los conocimientos de cada uno de ellos (Montanaro

et al., 2021). La inteligencia artificial ha sido participe en varias áreas de la medicina,
en donde la radiología sobresale por la transformación y resolución digital de

imágenes para los diagnósticos de enfermedades presentando una especificidad del

90%, por otro lado gracias a programas de inteligencia artificial la telerradiología ha

tenido un buen enfoque con ayuda de software y algoritmos que correlacionan datos

específicos en un 70%, de la misma manera se ha integrado la inteligencia artificial en

procesos prequirúrgicos a través de simuladores avanzados que facilitan al médico

durante cada procedimiento realizado objetivando el bienestar del paciente
(Montanaro et al., 2021; Quinteros, 2020).

Software y algoritmos de la IA en el aprendizaje.

La eficacia del software de la inteligencia artificial que se aplicado en los procesos

médicos imagenológicos especialmente en las radiografías pélvicas, fue muy eficaz ya

que se utilizó un algoritmo que se entrenó en 10 000 estudios de imagen

radiográficos de pelvis en pacientes con osteoartritis en EE.UU y Austria, por lo que

210

se aplicando un conjunto de datos aleatorio siendo un 80% de entrenamiento, 10% de

ajuste y un 10% para las pruebas internas, permitiendo que los estudiantes
implementen conocimientos y prácticas de simulaciones virtual que faciliten el

aprendizaje médico para que pueda ser aplicado en los pacientes (Lanzagorta et al.,

2022; Lekkas and Jacobson, 2021).

Limitaciones de herramientas de aprendizaje para el diagnóstico de embolia

pulmonar mediante inteligencia artificial.

La eficacia de la composición de puntajes de pronóstico clínico en especial los

puntajes de Ginebra y Wells incluida las comprobaciones de dímero D presentaron

una sensibilidad del 12%, por lo que aún son desconocidas dentro del campo médico,

presentando limitaciones para el diagnóstico y manejo de los pacientes, además la

disponibilidad de CTPA presenta dificultades de retraso por una alta demanda de los
SU los cuales son muy frecuentados, por otra parte la falta de equipos de inteligencia

artificial en los hospitales ha generado falta de aprendizaje para los estudiantes y

médicos ya que se presenta un déficit de conocimientos y no se puede realizar

manejos adecuados con los pacientes (Brennan and Kirby, 2023; Curioso and

Brunette, 2020; Davis et al., 2014).

Limitaciones de herramientas de aprendizaje para el diagnóstico de embolia

pulmonar mediante inteligencia artificial.

La eficacia de la composición de puntajes de pronóstico clínico en especial los

puntajes de Ginebra y Wells incluida las comprobaciones de dímero D presentaron

una sensibilidad del 12%, por lo que aún son desconocidas dentro del campo médico,
presentando limitaciones para el diagnóstico y manejo de los pacientes, además la

disponibilidad de CTPA presenta dificultades de retraso por una alta demanda de los

SU los cuales son muy frecuentados, por otra parte la falta de equipos de inteligencia

artificial en los hospitales ha generado falta de aprendizaje para los estudiantes y

médicos ya que se presenta un déficit de conocimientos y no se puede realizar

manejos adecuados con los pacientes (Curioso and Brunette, 2020; Faizi and Kazmi,

2017; Joison, Barcudi, Majul, Ruffino, De, et al., 2021).

Beneficios de las derivaciones electrocardiografías mediante inteligencia artificial.

Dentro de la eficacia de aprendizaje, el modelo de la inteligencia artificial que se ha

utilizado en pacientes con embolia pulmonar a través de derivaciones
electrocardiográficas ha logrado presentar una mayor especificidad, la cual permite

211

que se detecte la enfermedad de forma más rápida y precisa, según datos analizados

se demostró una sensibilidad del 50% y una especificidad del 100%. En este estudio
se implementó técnicas electrocardiográficas de inteligencia artificial, siendo este el

primer estudio que aborda un modelo para el aprendizaje profundo el cual permite

detectar una embolia pulmonar, dentro del campo médico ha permitido disminuir la

tasa de mortalidad y la detección temprana de una TEP (Bourla et al., 2018; Curioso

and Brunette, 2020; Faizi and Kazmi, 2017; Gleichgerrcht et al., 2021).

Conclusiones

Dentro de los avances y experimentaciones que forman parte de la inteligencia

artificial e informática en el ámbito médico abarcan investigaciones, asistencia de

manera primaria y secundaria, docencia médica, aprendizaje médico, en esta área las

aplicaciones que forman parte del campo de la inteligencia artificial son de gran

importancia e interés, gracias al aporte y situaciones que ayudan al desarrollo de
situaciones en donde se va a requerir y necesitar un gran conocimiento médico, una

gran manejo de los datos, para el aprendizaje y desarrollo de conocimientos.

Pero también se plantean algunas problemáticas de manera relevante, las mismas
que cuya resolución dependerá en la ayuda e implementación de ideas innovadoras y

de carácter ingenioso que simulan el intelecto y aprendizaje en el ámbito médico y

desarrollo del aprendizaje en esta área, encima de esto también se requiere de un

correcto enfoque y delimitación en cuanto a las actividades algunas tareas y metas

presenta algunas dificultades dentro de parámetros científicos y también en áreas

tecnológicas y campos importantes tecnológicos.

A pesar del amplio campo en donde se desarrolla el ámbito de la inteligencia artificial

se debe considerar distintas soluciones para las problemáticas enfocadas en el

desarrollo y conducta de los sistemas inteligentes con referencia a los beneficios en

cuanto a la inteligencia natural, para una definición concreta sobre la inteligencia
artificial en la gran mayoría de conductas se va a implementar que se refiere a las

simulaciones que forman parte de los equipos entre ellos las computadoras de

algunas operaciones y procesos que anteriormente se consideraban como

consustanciales e inherentes para el ser humano.

212

Los sistemas y softwares computacionales presentan características y complementos

de la inteligencia artificial que se van comunicar con el ser humano a través lenguajes
naturales que se encuentra todavía de manera estandarizada y de maneras limitantes,

con posibilidades lógicas bastantes complejas, pero se realiza una comparación con

las que forman parte del área de la salud en donde no se encuentran datos o

información de una manera no tan extensas de una base de datos e información y

conocimiento sobre el conocimiento referentes a la realidad.

La inteligencia artificial se ha convertido en una herramienta invaluable en el campo

del aprendizaje médico, mejorando la capacidad de los profesionales de la salud para

tomar decisiones, acelerar la investigación médica y proporcionar un cuidado más

personalizado. Desde la detección temprana de enfermedades hasta la predicción de

resultados clínicos, la IA está desempeñando un papel fundamental en la medicina
moderna y está en constante evolución, prometiendo un futuro aún más emocionante

y prometedor en la atención médica.

Referencias

Álvarez Vega, M., Quirós Mora, L. M., and Cortés Badilla, M. V. (2020). Inteligencia

artificial y aprendizaje automático en medicina. Revista Medica Sinergia, 5(8),

e557. https://doi.org/10.31434/rms.v5i8.557

Avila-Tomás, J. F., Mayer-Pujadas, M. A., and Quesada-Varela, V. J. (2020). La

inteligencia artificial y sus aplicaciones en medicina I: introducción antecedentes

a la IA y robótica. Aten Primaria [Internet, 52(10), 778–84.

Beets, B., Newman, T. P., Howell, E. L., Bao, L., and Yang, S. (2023). Surveying

Public Perceptions of Artificial Intelligence in Health Care in the United States:

Systematic Review. Journal of Medical Internet Research, 25(1), e40337.

https://doi.org/10.2196/40337

Bourla, A., Mouchabac, S., El Hage, W., and Ferreri, F. (2018). e-PTSD: an overview

on how new technologies can improve prediction and assessment of

Posttraumatic

Stress

Disorder

(PTSD).

European

Journal

Psychotraumatology,

9(sup1).

https://doi.org/10.1080/20008198.2018.1424448

213

Brennan, H. L., and Kirby, S. D. (2023). The role of artificial intelligence in the

treatment of obstructive sleep apnea. Journal of Otolaryngology - Head & Neck
Surgery, 52(1), 1–6. https://doi.org/10.1186/s40463-023-00621-0

Coloma, J. A., Vargas, J. A., Sanaguano, C. A., and Rochina, A. G. (2020). Inteligencia

artificial, sistemas inteligentes, agentes inteligentes Artificial. Rev Recimundo,

4(2), 16–30.

Curioso, W. H., and Brunette, M. J. (2020). Inteligencia artificial e innovación para

optimizar el proceso de diagnóstico de la tuberculosis. Rev Peru Med Exp Salud

Pública [Internet, 37, 554–558.

Damiani, G., Altamura, G., Zedda, M., Nurchis, M. C., Aulino, G., Heidar Alizadeh, A.,

Cazzato, F., Della Morte, G., Caputo, M., Grassi, S., and Oliva, A. (2023).

Potentiality of algorithms and artificial intelligence adoption to improve

medication management in primary care: a systematic review. BMJ Open, 13(3),

e065301. https://doi.org/10.1136/bmjopen-2022-065301

Davis, C. S., Southwell, J. K., Niehaus, V. R., Walley, A. Y., and Dailey, M. W. (2014).

Emergency Medical Services Naloxone Access: A National Systematic Legal

Review.

Academic

Emergency

Medicine,

21(10),

1173–1177.

https://doi.org/10.1111/acem.12485

Faizi, N., and Kazmi, S. (2017). Universal health coverage - There is more to it than

meets the eye. Journal of Family Medicine and Primary Care, 6(1), 169.

https://doi.org/10.4103/jfmpc.jfmpc_13_17

Galván, P., Fusillo, J., González, F., Vukujevic, O., Recalde, L., Rivas, R., Ortellado, J.,

Portillo, J., Borba, J., and Hilario, E. (2022). Factibilidad de la utilización de la

inteligencia artificial para el cribado de pacientes con COVID-19 en Paraguay.

Revista

Panamericana

Salud

Pública,

46,

https://doi.org/10.26633/RPSP.2022.20

Gleichgerrcht, E., Munsell, B. C., Alhusaini, S., Alvim, M. K. M., Bargalló, N., Bender,

B., Bernasconi, A., Bernasconi, N., Bernhardt, B., Blackmon, K., Caligiuri, M. E.,

Cendes, F., Concha, L., Desmond, P. M., Devinsky, O., Doherty, C. P., Domin, M.,

Duncan, J. S., Focke, N. K., … Wiest, R. (2021). Artificial intelligence for

classification of temporal lobe epilepsy with ROI-level MRI data: A worldwide

214

ENIGMA-Epilepsy

study.

NeuroImage:

Clinical,

31,

102765.

https://doi.org/10.1016/j.nicl.2021.102765

González Benítez, N., Estrada Sentí, V., and Febles estrada, A. (2018). Estudio y

selección de las técnicas de Inteligencia Artificial para el diagnóstico de
enfermedades. Revista de Ciencias Médicas de Pinar Del Río, 22(3), 534–544.

Hosseini, M. M., Hosseini, S. T. M., Qayumi, K., Ahmady, S., and Koohestani, H. R.

(2023). The Aspects of Running Artificial Intelligence in Emergency Care. A
Scoping

Review.

Arch

Acad

Emerg

Med,

11(1),

1–28.

https://doi.org/https://doi.org/10.22037%2Faaem.v11i1.1974

Jasarevic, A. (2021). La OMS publica el primer informe mundial sobre inteligencia

artificial (IA) aplicada a la salud y seis principios rectores relativos a su

concepción

utilización.

Comunicados

Prensa.

https://www.who.int/es/news/item/28-06-2021-who-issues-first-global-report-

on-ai-in-health-and-six-guiding-principles-for-its-design-and-use

Jimbo-Santana, P., Lanzarini, L. C., Jimbo-Santana, M., and Morales-Morales, M.

(2023). Inteligencia artificial para analizar el rendimiento académico en

instituciones de educación superior. Una revisión sistemática de la literatura.

Cátedra, 6(2), 30–50. https://doi.org/10.29166/catedra.v6i2.4408

Joison, A. N., Barcudi, R. J., Majul, E. A., Ruffino, S. A., De, J. J., Rey, M., Joison, A.

M., and Baiardi1, G. (2021). Artificial intelligence in medical education and

health prediction. ARTICULO DE REVISION Rev. Methodo, 6(1), 44–50.

https://doi.org/10.22529/me.2021.6(1)07

Joison, A. N., Barcudi, R. J., Majul, E. A., Ruffino, S. A., De Mateo Rey, J. J., Joison,

A., and Baiardi, G. (2021). La inteligencia artificial en la educación médica y la

predicción en salud. Methodo. Investigación Aplicada a Las Ciencias Biológicas,
6(1), 44–50. https://doi.org/10.22529/me.2021.6(1)07

Lanzagorta, D., Carrillo, D., and Carrillo, R. (2022). Inteligencia artificial en

medicina: presente y futuro. Gac Med Mex. Gac Med Mex, 158, 17–21.

Lekkas, D., and Jacobson, N. C. (2021). Using artificial intelligence and longitudinal

location data to differentiate persons who develop posttraumatic stress disorder

215

following

childhood

trauma.

Scientific

Reports,

11(1),

10303.

https://doi.org/10.1038/s41598-021-89768-2

Lino Solís, Y. J., Reyes Mejia, D. C., Toala Arias, F. J., and Zambrano Chica, J. R.

(2021).

INTELIGENCIA

ARTIFICIAL

COMO

HERRAMIENTA

INNOVACIÓN EN LA MEDICINA. UNESUM-Ciencias. Revista Científica

Multidisciplinaria.

ISSN

2602-8166,

5(5),

83–88.

https://doi.org/10.47230/unesum-ciencias.v5.n5.2021.386

Miceli, G., Basso, M. G., Rizzo, G., Pintus, C., Cocciola, E., Pennacchio, A. R., and

Tuttolomondo, A. (2023). Artificial Intelligence in Acute Ischemic Stroke

Subtypes According to Toast Classification: A Comprehensive Narrative Review.

Biomedicines, 11(4), 1138. https://doi.org/10.3390/biomedicines11041138

Montanaro, V. V. A., Hora, T. F., Guerra, A. A., Silva, G. S., Bezerra, R. de P., Oliveira-

Filho, J., Santos, L. S. B., de Melo, E. S., Alves de Andrade, L. P., Junior, W. A. de

O., de Meira, F. C. A., Nunes, M. do C. P., Oliveira, E. M. de J., and de Freitas, G.

R. (2021). Artificial Inteligence-Based Decision for the Prediction of

Cardioembolism in Patients with Chagas Disease and Ischemic Stroke. Journal

Stroke

and

Cerebrovascular

Diseases,

30(10),

106034.

https://doi.org/10.1016/j.jstrokecerebrovasdis.2021.106034

Mousavi Baigi, S. F., Sarbaz, M., Ghaddaripouri, K., Ghaddaripouri, M., Mousavi, A.

S., and Kimiafar, K. (2023). Attitudes, knowledge, and skills towards artificial
intelligence among healthcare students: A systematic review. Health Science

Reports, 6(3). https://doi.org/10.1002/hsr2.1138

Nash, D. M., Thorpe, C., Brown, J. B., Kueper, J. K., Rayner, J., Lizotte, D. J., Terry,

A. L., and Zwarenstein, M. (2023). Perceptions of Artificial Intelligence Use in

Primary Care: A Qualitative Study with Providers and Staff of Ontario

Community Health Centres. The Journal of the American Board of Family

Medicine, 36(2), 221–228. https://doi.org/10.3122/jabfm.2022.220177R2

Paredes-Aragón, E., and Burneo, J. G. (2022). Inteligencia artificial en la evaluación y

manejo de pacientes con epilepsia. Revista de Neuro-Psiquiatria, 85(2), 139–

152. https://doi.org/10.20453/rnp.v85i2.4231