Inteligencia Artificial en Medicina Paso a Paso

Introducción

Adentrarse en el mundo de la inteligencia artificial puede parecer, para muchos, un desa­ fío lleno de palabras extrañas, conceptos complejos y tecnologías que parecen inalcanzables. Sin embargo, detrás de esa primera impresión se esconde un universo apasionante y lleno de oportunidades. El objetivo de este libro es acompañarte desde los conceptos más básicos, paso a paso y de forma sencilla, para que descubras cómo funciona realmente la IA y cómo puedes empezar a utilizarla con confianza y curiosidad.

Se invita al lector a consultar el siguiente video enNefrología al Día, que incluye una sencilla explicación del texto que sigue.

Inteligencia artificial desde cero. Una guía esencial en 50 minutos

Angel Luis Martin de Francisco Hernández

[Inteligencia artificial desde cero. Una guía esencial en 50 minutos]

La inteligencia artificial (IA) es un conjunto de tecnologías que permiten a las máquinas simular la inteligencia humana para realizar tareas como el reconocimiento de voz, la toma de decisiones, el procesamiento del lenguaje natural y la visión por computadora. Funciona a través de algoritmos y modelos de aprendizaje que procesan grandes cantidades de datos para

Presentación

Ángel Luis Martín de Francisco Catedrático de Nefrología. Universidad de Cantabria Servicio de Nefrología. HU Valdecilla Santander Cantabria

identificar patrones y hacer predicciones o tomar decisiones. Los sistemas de IA «aprenden» a través de numerosas repeticiones y el correspondiente feedback (entrenamiento) cómo alcanzar mejor una solución predeterminada (por ejemplo, diagnóstico, pronóstico de una enfermedad), lo que permite que el resultado sea más preciso y los procedimientos más eficientes [1][2].

referencias 1

De Francisco A. L. M. Artificial.La Nueva Inteligencia y su Aplicación en Nefrología. En Lorenzo, V., López Gómez, J. M. (Eds.). Nefrología al Día. ISBN 978-84-127624-1-9.

De Francisco A. L. M.Medicina Renal Inteligente. El futuro de la nefrología clínica con inteligencia artificial. En Lorenzo, V., López Gómez, J. M. (Eds.). Nefrología al Día. ISBN 978-84-129769-3-9.

1. La IA funciona gracias aFigura 1:
2. Herramientas informáticas:son los ordena­ dores y los programas que usan.
3. Fórmulas matemáticas:que ayudan a esos programas a aprender de los datos, como si buscaran patrones o repeticiones.

3.Y con estas fórmulas se creanAlgoritmos, que son las instrucciones o pasos que se suceden secuencialmente para llevar a cabo una acción concreta. Supongamos que que­ remos ordenar una lista de nombres.

Funcionamiento de la IA

El algoritmo podría ser: •Comparar el primer nombre con el segundo. •Si el primero va antes que el segundo, dejar­ los en ese orden.

•Si el segundo va antes que el primero, inter­ cambiarlos.

•Repetir estos pasos para todos los nombres de la lista.

Veamos otros ejemplos prácticos de algorit­ mos: •Reconocimiento facial: Un algoritmo analiza las características de una cara (ojos, nariz,

Figura 1. Funcionamiento de la Inteligencia Artificial

boca) y las compara con una base de datos para identificar a una persona.

•Recomendaciones en Netflix: Un algoritmo analiza tus películas favoritas y te sugiere otras que podrían gustarte, basándose en los gustos de otros usuarios con preferencias similares.

•Traducción automática: Un algoritmo ana­ liza un texto en un idioma y lo traduce a otro, identificando patrones en las palabras y las frases.

•Coches autónomos: Un algoritmo procesa información de sensores (cámaras, radares) para tomar decisiones sobre la conducción, como acelerar, frenar o girar

1.1LENGUAJE DE PROGRAMACIÓN

Es la herramienta para decirle a las compu­ tadoras qué hacer. Explicado de una manera sencilla es como un idioma especial que usa­ mos para decirle a un ordenador lo que que­ remos que haga. En vez de hablarle como a una persona, usamos palabras y reglas que la máquina sí puede entender, para que siga nuestras instrucciones y realice tareas como mostrar una página web, sumar números o mover un personaje en un videojuego. Hay diferentes tipos según lo fácil que sean de usar y lo cerca que estén del lenguaje de las máquinas o de las personas. Los más usados son Python (el más utilizado) y Java Script. Un ejemplo fácil: •Usamos input() para pedirle al usuario que escriba algo.

•Usamos print() para mostrar mensajes o resultados en pantalla.

¿Cómo funciona un programa?

Un programa sigue una serie de pasos (lla­ mados instrucciones o algoritmo) para hacer lo que queremos. Estos pasos pueden incluir operaciones matemáticas y decisiones, como: •if (si pasa algo, hacer esto) •else (si no, hacer otra cosa) •for y while (repetir acciones varias veces) Veamos un ejemplo sencillo en Python: •nombre = input («¿Cómo te llamas? «) •print («Hola, » + nombre) ¿Qué hace este programa?

1.La primera línea pregunta tu nombre y guarda lo que escribes en una «caja» lla­ mada nombre.

2.La segunda línea muestra un saludo usando el nombre que escribiste.

Cuando lo ejecutas, vemos algo así: text ¿Cómo te llamas? Ana Hola, Ana El lenguaje de programación se sigue utili­ zando (y más que nunca) con la inteligencia artificial. De hecho, los lenguajes de programa­ ción son fundamentales para crear, entrenar y desplegar sistemas de IA. La IA no reemplaza la necesidad de programar; más bien, cambia la forma en que se programa y amplía lo que se puede hacer con la programación

1.2¿POR QUÉ SE SIGUE USANDO PROGRAMACIÓN CON IA?

Aunque la IA ha avanzado muchísimo incluso puede escribir código-, los lenguajes de programación siguen siendo la base de todo sistema inteligente. Así como necesitamos palabras para construir frases, necesitamos

lenguajes de programación para construir modelos de IA y aplicaciones que los usen. Se explica porque: 1. La IA se programa:Para que una IA pueda reconocer una imagen o entender una pre­ gunta, primero hay que escribir instruc­ ciones en un lenguaje que la computadora entienda, como Python. Con Python, usa­ mos programas especiales llamados Tensor­ Flow o PyTorch. Estos programas ayudan a «enseñar» a la IA, mostrándole muchos ejemplos para que aprenda a reconocer cosas, como fotos de gatos o el significado de una pregunta.

1. La IA necesita integrarse en aplicaciones: Una IA por sí sola no sirve si no está conec­ tada a un programa que la use. Para eso, se sigue programando. Por ejemplo, se puede usar JavaScript para hacer que una IA fun­ cione dentro de una página web.
2. La IA no es mágica:Aunque hay herramien­ tas que generan código automáticamente, es importante que una persona sepa leer, entender y corregir ese código. La progra­ mación sigue siendo clave para tener el.

Figura 2. Similitudes Inteligencia humana e Inteligencia artificial

-Funcionamiento de la IAcontrol y garantizar que la IA funcione como queremos.

1. La IA ayuda, pero no sustituye al programa­ dor:Herramientas como GitHub Copilot o ChatGPT pueden ayudar a escribir código más rápido, pero no reemplazan la necesidad de saber programar. Al contrario, hacen que aprender a programar sea más accesible y productivo.

1.3SIMILITUDES ENTRE LA INTELIGENCIA HUMANA Y LA INTELIGENCIA ARTIFICIAL

Figura 2.La inteligencia artificial tiene muchas similitudes con la inteligencia humana. Nosotros tenemos 5 biosensores (vista, oído, olfato, gusto y tacto) que están permanente­ mente captando información del medio que nos rodea, y transformándola en informa­ ción bioeléctrica para mandarla a nuestro procesador, que es nuestro cerebro, donde se encuentran los mejores algoritmos que jamás se hayan diseñado sobre esta tierra y que tie­ nen cientos de miles de años de evolución.

Con esa información buscan patrones, los clasifican y generan conocimiento para tomar decisiones. La IA actúa de la misma manera. Tenemos sensores que captan información que a tra­ vés del procesador la analiza y clasifica para predecir y decidir

1.4FUENTES DE INFORMACIÓN DE LA IA

Figura 3.La IA puede obtener información y datos de diversas fuentes, toda la imaginable de cuantas fuentes existen en el mundo. Algunas de las cuales incluyen: •Bases de datos y conjuntos de datos •Sensores y dispositivos de temperatura, humedad, luz •Registros médicos electrónicos y otros datos de atención médica •Publicaciones •Redes sociales y otras plataformas en línea •Cámaras y sistemas de vigilancia •Transcripciones de conversaciones y graba­ ciones de audio

•Información de encuestas y estudios de mercado •Datos meteorológicos y geoespaciales

1.5PROGRAMACIÓN: EL PUNTO DE PARTIDA DE LA IA

Aunque ya hemos visto brevemente este tema de programación, vamos a volver ya que es el punto de inicio de la IA. Para estructurar un capítulo sobre los subtipos de IA, es funda­ mental comenzar desde la base: la programa­ ción. Ya hemos dicho que la programación es la disciplina fundacional que permite el desarrollo de cualquier sistema informático, pero no es IA en sí misma. Sin embargo, es el punto de partida imprescindible para com­ prender cómo se construyen y evolucionan los sistemas inteligentes. A partir de ahí, se puede avanzar hacia los distintos subtipos de IA: Machine Learning (ML), Deep Learning (DL) e Inteligencia Artificial Generativa (GAI o GenAI)Figura 4. Programar consiste en dar instrucciones explí­ citas a una máquina para que realice tareas

Figura 3. Fuentes de información de la IA

determinadas. Esto implica lógica, algoritmos y estructuras de datos, pero no inteligencia ni capacidad de aprendizaje autónomo. La programación clásica resuelve problemas mediante reglas fijas y procesos definidos por humanos, sin que el sistema aprenda o se adapte por sí mismo [1] La programación es la base sobre la que se construyen los sistemas de IA. Sin conoci­ mientos sólidos de programación, es impo­ sible desarrollar algoritmos de aprendizaje

-Funcionamiento de la IAautomático o redes neuronales. Ya hemos visto que lenguajes como Python o JavaScript son ampliamente utilizados tanto en programación tradicional como en IA, ya que ofrecen poten­ tes bibliotecas y herramientas especializadas para el desarrollo de modelos inteligentes [2]. En la programación tradicional tenemos los datos de entrada, un algoritmo conocido escrito por programadores y los datos de salida no conocidosFigura 5.

Figura 4. Programación y subtipos de inteligencia artificial

Figura 5. Ejemplo de programación

Veamos un ejemplo de Programación de facturación de una tienda. En la progra­ mación tradicional, como hemos dicho, tenemos los datos de entrada conocidos, un algoritmo conocido escrito por programado­ res y los datos de salida que no conocemos Figura 6. •Entradas conocidas A₁: Precio unitario del producto; B₁: Can­ tidad de productos; C₁: % de descuento •Algoritmo conocido:

1.Multiplicar el precio unitario (A₁) por la cantidad (B₁) para obtener el subtotal.

2.Calcular el monto de descuento apli­ cando el porcentaje (C₁) al subtotal.

3.Restar el descuento al subtotal para obte­ ner el total final.

•Salidas (no conocidas hasta ejecutar el algo­ ritmo)

A₂: Subtotal (precio unitario × cantidad); B₂: Monto de descuento; C₂: Total a pagar (subtotal – descuento) Ejemplo con valores concretos: •A₁ = €20 (precio unitario); B₁ = 3 (cantidad); C₁ = 10% (descuento) Aplicando el algoritmo: •A₂ = 20 × 3 = €60 (subtotal) •B₂ = 10% de €60 = $6 (descuento) •C₂ = $60 – $6 = €54 (total a pagar) Así, el proceso sigue exactamente el flujo: par­ timos de tres entradas conocidas, aplicamos un algoritmo definido por el programador y obtenemos tres salidas que no se conocen hasta ejecutar el cálculo. Así que como hemos comentado previamente la programación tiene reglas fijas y procesos definidos por humanos, sin que el sistema aprenda o se adapte por sí mismo como es la Inteligencia Artificial.

Figura 6. Ejemplo de programación en la compra de tres ejemplares de un producto

referencias 1

Joyanes Aguilar L.Fundamentos de programación: algoritmos, estructura de datos y objetos. 4.ª ed. México: McGraw-Hill; 2016. Accesible en:https://combomix.net/ wp-content/uploads/2017/03/Fundamen­ tos-de-programaci%C3%B3n-4ta-Edici%C3 %B3n-Luis-Joyanes-Aguilar-2.pdf

-Funcionamiento de la IA2

KeepCoding. 5 mejores IA para programar en Python que tienes que probar [Internet]. 2025 disponible en:https://keepcoding.io/blog/ mejores-ia-para-programar-en-python/.

La IA surge cuando los sistemas informáticos dejan de limitarse a ejecutar instrucciones fijas y empiezan a simular capacidades humanas como el razonamiento, el aprendizaje y la toma de decisiones autónomas. A continuación, se presentan los principales subtipos de IA, en orden de especialización y complejidad

1.Modelos de Aprendizaje Automático (ML: Machine Learning)

2.Modelos de Aprendizaje Profundo (DL: Deep Learning).

2.1MODELOS DE APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING ML)

En el Machine Learning tenemos los datos de entrada y de salida, pero lo que no tenemos

Figura 7. Aprendizaje Automatico o Machine Learning

Subtipos de la IA

es el algoritmo. Es decir, conocemos los datos de entrada y los de salida y con estos datos entrenamos al sistema para que encuentre el algoritmo por prueba y error. Se dan ejemplos y resultados, y el sistema aprende solo las reglas internas, incluso sin intervención humana. Luego, probamos el sistema para determinar si aprendió correctamente y le seguimos dando más datos para que siga perfeccionando su algoritmoFigura 7.

Ejemplo 1 de ML: Predecir el precio de una casa

•Entrada (Conocida): A1 Tamaño en m²; B1 número de habitaciones, C1: ubicación •Salida (Conocida): Precios de venta de cada casa según las diferentes características: 250.000 € ;300.000 € ;350.000 € ;400.000 €…

•El sistema aprende a estimar precios en función de esos factores.

Ejemplo 2 de ML: Predecir supervivencia a un año de un paciente con enfermedad renal crónica

•Datos de Entrada (conocidos): Edad del paciente, estadio de la ERC (Ej. Estadio 3b, 4, 5)), tasade filtrado glomerular (TFG), presión arterial sistólica y diastólica, niveles de creatinina y potasio, presencia de diabetes o hipertensión, albúmina en orina (protei­ nuria), adherencia al tratamiento •Datos de Salida (conocidos): Paciente sobre­ vivió o no al año (Sí / No). (Estos datos se recogen de registros clínicos reales) •Entrenamiento del Modelo: con los datos de miles de pacientes, el algoritmo aprende a detectar qué combinaciones de variables aumentan o reducen la probabilidad de supervivencia •Predicción para Nuevos Pacientes: se intro­ ducen los datos de un nuevo paciente y el sistema te devuelve: la probabilidad de supervivencia a 1 año, digamos 85%. Incluso puede recomendarte variables críticas a corregir (ejemplo: controlar mejor la hiper­ tensión o la proteinuria).

•Este tipo de modelo se usa en la práctica con algoritmos como regresión logística, árboles de decisión o XGBoost, y ayuda a los médicos a identificar pacientes de mayor riesgo y ajustar su manejo clínico.

Obviamente, el Machine Learning necesita muchos datos para entrenar. Pongamos otro ejemplo: miles de fotos de manzana (eso lo llamamos DATASET) para que aprenda (color, forma, etc) y luego probamos con una naranja a ver si aprendió o no.

Los tipos de algoritmos en ML son: Ángel Luis Martín de Francisco Hernández

•Regresión: Predice valores numéricos. Ejem­ plo: predecir el precio de una casa según sus características.

•Clasificación: Asigna una categoría o eti­ queta. Ejemplo: diferenciar manzana de pera •Clustering o agrupamiento: Agrupa ele­ mentos similares sin saber de antemano a qué grupo pertenecen. Ejemplo: segmentar clientes por comportamiento de compra •Asociación: Encuentra relaciones entre ele­ mentos. Ejemplo: «quien compra pan suele comprar leche» (como en los supermercados).

AUROC: Área bajo la curva

Cada algoritmo de IA tiene una sensibilidad y especificidad determinadas. Gráficamente, esto se representa en la Figura 8en un diagrama donde el eje x corresponde a (1 – especificidad) es decir la tasa de falsos positivos y el eje y a la sensibilidad que representa la tasa de verdade­ ros positivos El «área bajo la curva de la carac­ terística operativa del receptor» (AUROC) se utiliza para evaluar el rendimiento del modelo.

Figura 8. Área bajo la curva de la característica operativa del receptor (AUROC)

Cuanto mayor sea la AUROC, mejor distin­ guirá el modelo: valores por debajo de 0.7 sue­ len ser poco informativos y valores superiores a 0.9 se consideran excelentes.

2.1.1Tipos de aprendizaje automático (ML)

Existen tres modelos: supervisado, no super­ visado y reforzadoFigura 9.

• Aprendizaje Supervisado:En este modelo, el algoritmo aprende a partir de datos etiqueta­ dos, es decir, ejemplos en los que la respuesta correcta ya es conocida. Enseñamos al sis­ tema los resultados que queremos obtener,.

Figura 9. tipos de Machine Learning (aprendizaje automático)

-Subtipos de la IAes decir la respuesta correcta Figura 10.Es lo que venimos comentando con el ejemplo anterior de predicción del precio de una casa. Si te digo al 1 le corresponde el 2 y al 2 el 4 y al 4 el 8, con seguridad tú habrás asociado a que el algoritmo es multiplicar por 2. Otro ejemplo sería el de la diferen­ ciación de perros y gatos: el aprendizaje automático supervisado distingue perros de gatos analizando miles de imágenes eti­ quetadas y aprendiendo patrones visuales como la forma de las orejas, el tamaño del hocico o la textura del pelaje para predecir

Figura 10. Aprendizaje Supervisado

a qué clase pertenece una imagen nueva. Otro ejemplo sería la relación en un correo electrónico entre spam y correo deseado. Solo hay que dar muchos ejemplos de spam y correo deseado y su clasificación, y apren­ derá a distinguirlos. Detecta palabras o fra­ ses clave: como «gratis», «haz clic aquí», «felicitaciones», uso excesivo de mayús­ culas, símbolos ($$$) o enlaces. La IA ajusta su modelo en función de los datos de entrenamiento para hacer predic­ ciones precisas en nuevos casos.

• Aprendizaje no supervisado (agrupación): Solo disponemos de datos de entrada No enseñamos al sistema los resultados que queremos obtener. Encuentran los patrones subyacentes (clusters) en los datos a analizar Figura 11. Su objetivo es encontrar la estructura oculta del conjunto de datos, agruparlos según sus semejanzas y devolver una representación útil del conjunto bus­ cando patrones de similitud de los datos de.

Figura 11. Aprendizaje no supervisado

entrada. Esta solución de inteligencia arti­ ficial es perfecta para incluir en la estrategia de marketing. Por ejemplo, las personas que compran el artículo X (supongamos que un teléfono móvil) también tienden a comprar el artículo Y (un cargador o unos auricula­ res inalámbricos). Es lo que hace Netflix para recomendarte películas en función de tus gustos. O sea, agrupa los datos a analizar por características comunes. En triaje de urgencias, un algoritmo de clus­ tering analiza signos vitales y datos iniciales sin etiquetas previas, agrupando a los pacientes en perfiles de riesgo (bajo, medio, alto) para priorizar la atención

• Aprendizaje por refuerzo:Este modelo se basa en un agente que aprende a tomar decisiones mediante prueba y error, reci­ biendo recompensas o penalizaciones según sus acciones Figura 12. Veamos un ejemplo simple de aprendizaje reforzado que ilustra los conceptos básicos de esta.

Figura 12. Aprendizaje reforzado técnica de aprendizaje automático. Imagi­ nemos un robot aspirador que debe limpiar una habitación. El robot no tiene instruc­ ciones explícitas sobre cómo limpiar la habi­ tación, sino que debe aprender por sí mismo cómo hacerlo. El robot comienza por explo­ rar la habitación y recopilando información sobre el entorno. Luego, el robot comienza a tomar acciones, como mover sus ruedas y su cepillo. El robot recibe una recompensa cuando limpia una zona de la habitación y una penalización cuando se atasca o choca con un obstáculo: un valor numérico posi­ tivo o negativo. A medida que el robot toma más acciones, aprende a limpiar la habita­ ción de manera más eficiente. El robot aprende a evitar obstáculos, a limpiar todas las zonas de la habitación y a terminar su trabajo en el menor tiempo posible. Imagina que el robot está en una habitación y encuen­ tra una zona sucia. Si se mueve hacia esa zona y la limpia, recibirá una recompensa alta. Esta recompensa positiva reforzará la acción de moverse hacia zonas sucias. Por el contrario, si choca con una pared, recibirá

-Subtipos de la IAuna recompensa negativa, lo que le enseñará a evitar los obstáculos. Otro ejemplo muy práctico de aprendizaje reforzado es un coche autónomo que debe conducir por una carretera. El coche no tiene instrucciones explícitas sobre cómo condu­ cir, sino que debe aprender por sí mismo cómo hacerlo. El coche utiliza sensores para recopilar información sobre el entorno, como la posición de otros vehículos, las señales de tráfico y las condiciones de la carretera. Luego, el coche utiliza esta información para tomar decisiones sobre cómo conducir, como acelerar, frenar o girar. El coche recibe una recompensa cuando conduce de manera segura y eficiente y una penalización cuando se produce un accidente o cuando se incum­ plen las normas de tráfico. A medida que el coche toma más decisiones, aprende a conducir de manera más segura y eficiente. El coche aprende a evitar otros vehículos, a seguir las señales de tráfico y a adaptarse a las condiciones de la carretera. Así que, en el aprendizaje por refuerzo, el agente no solo toma decisiones, sino que

aprende de sus errores mediante un proceso de prueba y error. En el caso del triaje en urgencias, cuando el sistema prioriza mal a un paciente (por ejemplo, atendiendo pri­ mero al paciente con fractura en lugar del que tiene dolor torácico agudo), recibe una recompensa negativa o penalización basada en los resultados clínicos adversos, como empeoramiento o mayor tiempo de espera para casos urgentes. Entonces, el agente ajusta su política para evitar repetir ese error en el futuro, «volviendo» a probar nuevas acciones y estrategias hasta optimizar la toma de decisiones. Este ciclo de ensayo, error y ajuste es fundamental en aprendizaje por refuerzo y permite que el sistema mejore continuamente, aprendiendo a priorizar correctamente.

2.2MODELOS DE APRENDIZAJE PROFUNDO (DEEP LEARNING): REDES NEURONALES ARTIFICIALES

El Aprendizaje Profundo (DL) es una rama de la inteligencia artificial que utiliza redes neuronales para imitar la forma en que el cere­ bro humano aprende y procesa información [1]. El DL es un tipo de Machine Learning

supervisado, donde el modelo aprende patro­ nes a partir de grandes volúmenes de datos etiquetados, es decir,se le proporciona tanto la entrada como la salida esperada. Por ejemplo, para entrenar una red neuronal a reconocer cáncer de pulmón en imágenes, se le muestran miles de fotos de entrada, junto con la etiqueta correspondiente conocida (cáncer sí, o cáncer no) como salida. Con el tiempo, la red aprende a identificar cáncer de pulmón por sí sola en nuevas imágenes. Las neuronas artificiales son iguales que las biológicas Figura 13. Se llaman perceptrón y son unidades matemáticas: reciben, proce­ san y envían la información a otras neuronas formando una gran red. Cada neurona recibe entradas, realiza cálculos y produce una salida. Estas salidas se transmiten a través de las cone­ xiones a otras neuronas y así sucesivamente, hasta obtener una salida final. Cada neurona procesa una tarea especifica y envía sus resul­ tados a las otras neuronas de su red para tra­ bajar juntas. Cuantas más capas más problemas complejos podrá resolver Una neurona artificial (o perceptrón) es una unidad matemática. Podemos imaginar que una red neuronal es una hoja de cálculo gigante con miles de fórmulas interconectadas: cada celda es como una neurona que calcula algo,

Figura 13. Conexiones y redes neuronales

pasa el resultado a otra, y así se construye una cadena de decisiones. Las neuronas artificia­ les no existen físicamente como elementos separados, sino que son estructuras lógicas dentro de un programa de ordenador. Están almacenadas como números en la memoria del ordenador.

2.2.1Cómo funcionan las redes neuronales

Como ya hemos comentado, las redes neu­ ronales son un tipo de algoritmo de aprendi­ zaje automático que se inspira en el cerebro humano. Aunque pueden parecer complejas, las redes neuronales se componen de estruc­ turas y componentes básicos que trabajan juntos para procesar información y producir una salida.

2.2.1.1 Estructura y componentes básicos de una red neuronal

La estructura básica de una red neuronal consta de capas de neuronas interconecta­ das. La capa de entrada recibe los datos y los envía a través de la red, mientras que la capa de salida produce la salida final. Entre la capa de entrada y la capa de salida, hay una o más capas ocultas que procesan la información. Cada neurona en la red neuronal está conec­ tada a otras neuronas a través de conexiones que, al igual que en el mundo biológico, son conocidas como sinapsis. Cada sinapsis tiene un peso asociado que determina la fuerza de la conexión, (lo veremos en la práctica más ade­ lante) y durante el proceso de entrenamiento, estos pesos se ajustan mediante el aprendizaje para mejorar la precisión y el resultado de la salida de la red.

2.2.1.2 Proceso de entrenamiento y ajuste de pesos

El proceso de entrenamiento de una red neu­ ronal implica proporcionarle datos de entrada y esperar una salida ya conocida. Si la salida no coincide con la salida deseada, retrocede

-Subtipos de la IAy ajusta los pesos de las conexiones en la red para mejorar la precisión. Este proceso se repite muchas veces hasta que la red aprende a producir la salida deseada. Hay varios algo­ ritmos de entrenamiento utilizados en las redes neuronales, incluyendo el algoritmo de retropropagación. En este algoritmo, se calcula el error de la salida de la red en comparación con la salida deseada y se ajustan los pesos de las conexiones para minimizar ese error.

2.2.1.3 Funciones de activación y su importancia

Las funciones de activación son una parte fundamental de cómo funcionan las redes neuronales. Cada neurona en la red neuro­ nal utiliza una función de activación para determinar su salida en función de la entrada que recibe.Las funciones de activación pue­ den ser lineales o no lineales. Las funciones lineales simplemente multiplican la entrada por un peso y agregan un término de sesgo. Las funciones no lineales, por otro lado, son más complejas y permiten a la red modelar relaciones no lineales en los datos.La elección de la función de activación puede tener un impacto significativo en la capacidad de la red para aprender y generalizar a nuevos datos. Algunas funciones de activación comunes incluyen la función sigmoide, la función ReLU y la función tangente hiperbólica.

2.2.2Ejemplos de funcionamiento de redes

neuronales Figura 14

Las neuronas funcionan de la siguiente manera: En primer lugar, tienen datos de entrada y cada uno tiene un peso w que significa la importancia de este dato. Por ejemplo, la edad tendrá un peso de gran valor porque es muy importante en el cálculo de la supervivencia mientras que por ejemplo los hábitos de lectura no lo serán tanto. Luego estos datos y sus pesos se multiplican y se suman en el cuerpo de la neurona o perceptrón. Después, el resultado de ese cálculo se pasa por

una función matemática de activación que da el dato de salida. Y como vemos en la siguiente Figura 15,ese dato Y de salida es el dato de entrada de una o más neuronas en la red. Las redes neuronales son aprendizaje super­ visado. Es decir, reciben una serie de datos de entrenamiento y sus respectivos valores de salida correctos, lo que significa que ya conocemos cuales son las respuestas. Con estos datos, el sistema intenta calcular los pesos y aplica la función de activación al resultado. La salida se compara con el resultado real, el que conocemos de antemano y se encuentra el error promedio, es decir la diferencia con el resultado que ya conocíamos. Con ese error promedio se regresa hacia atrás a través de

Figura 14. Funcionamiento de red neuronal

Figura 15. El dato de salida es el dato e entrada de una o más neuronas en la red todas las capas de la red (back) para ajustar los pesos. Con los pesos ajustados, se vuel­ ven a hacer todos los cálculos (forward) y se vuelve a comparar la salida con el resultado de entrenamiento, se calcula el error y de nuevo se vuelve hacia atrás. Este proceso de ajustar, volver a encontrar lo errores, volver a ajustar y en cada vuelta volver a hacerlo mejor se repite varias veces hasta que el error de 0 o lo más cercano a 0. Es por eso por lo que decimos que los modelos se perfeccionan a sí mismo sin intervención humana. Cada uno de estos pesos son ajustados en cada vuelta o época y cada uno de ellos se conoce como parámetro. Como ejemplo, Chat GPT tiene 175 millones de parámetros. Veamos ejemplos

Figura 16. Predicción de calorías quemadas

Ejemplo 1: Predicción de calorías quemadas

Figura 16

Datos de entrada: •Minutos de ejercicio: 45 •Tipo de actividad (codificado): 2 (por ejem­ plo, 1=caminata, 2=correr, 3=bicicleta) •Edad del usuario: 28

Fórmuladel perceptrón (neurona):

n = (45 × w₁) + (2 × w₂) + (28 × w₃) Los pesos w₁, w₂, w₃ son los que la red debe aprender automáticamente para predecir bien.

Proceso: 1.Se hace el cálculo con pesos iniciales al azar (Feed Forward).

2.Se obtiene un resultado: por ejemplo, 320 calorías.

3.Se compara con el valor real que conoce­ mos por estudios previos en esas condicio­ nes exactas: por ejemplo, 280 calorías.

4.Se mide el error.

5.Se vuelve atrás y se reajustan los pesos para mejorar (esto se llama Backpropagation).

6.Se repite el proceso hasta que el error sea muy pequeño.

-Subtipos de la IAResultado: La red aprende a predecir, con buena precisión, cuántas calorías quema una persona según su tiempo de ejercicio, tipo de actividad y edad. Ejemplo 2: préstamo Figura 17 Imaginemos que somos un banco y quere­ mos decidir si otorgar o no un préstamo a un cliente. Tradicionalmente, esta decisión se basaba en un conjunto de reglas establecidas (edad, ingresos, historial crediticio, etc.). Sin embargo, con el aprendizaje profundo, pode­ mos analizar una cantidad mucho mayor de datos y de una manera más compleja.

¿Cómo funciona?

A. Recopilación de datos:El banco recopila una gran cantidad de información sobre sus clientes, como: 1.Datos demográficos (edad, sexo, ubica­ ción)

2.Historial financiero (ingresos, deudas, pagos)

3.Comportamiento en línea (interacciones con la app, búsquedas)

4.Datos socioeconómicos (nivel educativo, ocupación)

5.Y muchos más…

B. Creación de un modelo:Se crea un modelo de aprendizaje profundo (una red neuronal) que aprende a identificar patrones en estos datos. Estos patrones pueden ser muy com­ plejos y difíciles de detectar por un humano.

C. Entrenamiento del modelo:El modelo se entrena con una gran cantidad de datos históricos de clientes a los que se les otorgó un préstamo y sabemos si lo pagaron o no. De esta manera, el modelo aprende a asociar ciertas características de los clientes con una mayor o menor probabilidad de impago.

D. Predicción:Una vez entrenado, el modelo puede analizar los datos de un nuevo cliente y predecir la probabilidad de que pague el préstamo.

Supongamos que el modelo identifica que los clientes con un historial de pagos puntuales en servicios públicos, un alto nivel de educación y una búsqueda frecuente de productos finan­ cieros en línea tienen una probabilidad muy baja de impago. Si un nuevo cliente cumple con estas características, el modelo recomendará otorgarle el préstamo

Figura 17. Ejemplo de concesión de préstamo

Ejemplo 3: ¿será contratado un candidato?

Figura 18 En este ejemplo, los datos de entrada son los años de experiencia, el nivel de inglés y el número de certificaciones de un candidato. Pero todas estas entradas no tienen la misma importancia. Cada dato se multiplica por un peso que representa su importancia (por ejemplo, las certificaciones pesan más que el inglés). Luego, todos los resultados se suman en una «neurona» y se aplica una función de activación que decide si el valor total supera un umbral. Si lo supera, la red responde «Sí» (será contratado); si no, responde «No». Así, la red aprende a tomar decisiones evaluando múltiples factores a la vez. Entradas (características del candidato): •Años de experiencia: 5 •Nivel de inglés (0 a 10): 7 •Número de certificaciones: 2 Pesos asignados (importancia de cada carac­ terística): •Experiencia × 2 •Inglés × 1 •Certificaciones × 3 Cálculo del perceptrón (n):

n = (Experiencia × 2) + (inglés × 1) + (Certi­ ficaciones × 3) n = (5 × 2) + (7 × 1) + (2 × 3) n = 10 + 7 + 6 = 23 Función de activación: •Si n ≥ 20 →Sí (1): será contratado •Si n < 20 →No (0): no será contratado Resultado final: •n = 23 →Sí (1) → El candidato es contratado

Ejemplo 4: predicción del riesgo de diabetes

Figura 19 Una red neuronal puede predecir el riesgo de diabetes tipo 2 analizando variables clínicas como: -Subtipos de la IA- Figura 18. Ejemplo de contratación de un candidato

Figura 19. Red neuronal para predicción de riesgo de diabetes

•Edad •IMC •Nivel de glucosa en ayunas •Actividad física •Historial familiar •Presión arterial Cada valor se pondera con un peso aprendido y se combina en una neurona. La función de activación transforma el total en una predicción: 0 = bajo riesgo, 1 = alto riesgo. El sistema ajusta sus pesos comparando la pre­ dicción con la realidad que conocemos basados

en miles de casos registrados, mejorando con cada nuevo ejemplo analizado. Ejemplo 5 Triaje en Urgencias Figura 20

• Datos de entrada:Se incluyen variables clíni­ cas relevantes como signos vitales, síntomas, dolor torácico, disnea, antecedentes y edad. Estos datos son los que habitualmente reco­ pila el personal de triaje y constituyen la base para la toma de decisiones automatizada.
• Datos de salida conocidos:Riesgo alto o bajo según la realidad previa de miles de casos.
• Red Neuronal (n):Representa el nodo o neurona artificial que recibe los datos pon­ derados (w) y aplica una función de activa­ ción (f(n)) para generar una salida. El proceso de «feed forward» implica calcular la salida a partir de los datos y los pesos actuales de la red.
• Backpropagation:Es el mecanismo de aprendizaje supervisado mediante el cual la red ajusta sus pesos en función del error cometido, (por ejemplo, calculó inicial­ mente riesgo bajo cuando en base a los datos conocidos con experiencia práctica anterior introducida en el sistema a ese paciente le corresponde riesgo alto) optimizando así la.

precisión en la clasificación de los niveles de urgencia.

• Salida Nivel de Urgencia:La red neuronal clasifica a los pacientes en niveles de urgen­ cia: bajo, medio o alto. Esta categorización es fundamental para priorizar la atención en situaciones de saturación y mejorar la gestión de los recursos disponibles.

2.2.3Aplicaciones de Aprendizaje profundo (DL)

2.2.3.1 Vision artificial

La visión artificial entrena a las computado­ ras para «ver» y entender imágenes o videos mediante algoritmos, cámaras y datos, repli­ cando aspectos de la visión humana. A dife­ rencia de los humanos, que usamos retinas y el cerebro, las máquinas usan sensores (como cámaras), bases de datos y redes neuronales para procesar información visual. Se apoya principalmente en algoritmos de aprendizaje profundo (Deep Learning), sobre todo en redes neuronales convolucionales (CNNs), que están especialmente diseñadas para identificar patrones espaciales (como bordes, formas, colores y texturas) en imá­ genes [2][3].

Figura 20. Red neuronal para triaje en urgencias

2.2.3.1.1 Pixeles

Los píxeles son la base de las imágenes digi­ tales. Cada imagen se descompone en una cuadrícula de píxeles, que son pequeños pun­ tos con valores numéricos Figura 21que representan: •Intensidad de color: En imágenes en escala de grises, cada píxel tiene un valor entre 0 (negro) y 255 (blanco). En imágenes a color, los píxeles se dividen en canales RGB (rojo, verde, azul), donde cada canal tiene un valor de 0 a 255, combinándose para formar colores.

•Información espacial: Los píxeles están organizados en una matriz (por ejemplo, 1920×1080 píxeles), lo que permite a los algoritmos analizar patrones espaciales.

Como vemos la imagen se reduce a una matriz numérica donde cada píxel describe un frag­ mento de la imagen. Los algoritmos de visión artificial analizan estos números para identi­ ficar formas, bordes o patrones.

-Subtipos de la IACada píxel de una imagen a color se representa por tres números (RGB: rojo, verde y azul), cada uno con un valor entre 0 y 255. Estos números determinan la intensidad de cada color primario en ese píxel, y al combinarlos obtenemos la amplia gama de colores que vemos en las imágenes digitales

2.2.3.1.2 Fases del funcionamiento de la visión artificial

( Tabla 1)

Su funcionamiento se organiza en una serie de fases secuenciales que permiten transfor­ mar una imagen en información útil para la toma de decisiones automatizadas. Estas fases comienzan con la adquisición de la imagen mediante cámaras o sensores, seguida del preprocesamiento, donde se mejora la calidad visual para facilitar el análisis. Poste­ riormente, se realiza la segmentación de la imagen en regiones relevantes, y la extracción de características para identificar patrones visuales significativos. A continuación, se pro­ cede a la clasificación o reconocimiento de objetos mediante algoritmos de aprendizaje

Figura 21. Matriz numérica donde cada píxel describe un fragmento de la imagen.

2.2.3.1.3. Aplicación de la visión artificial en Medicina

La IA está transformando el análisis de imá­ genes médicas. Gracias a técnicas como el aprendizaje profundo, hoy es posible automa­ tizar la detección de alteraciones en estudios como ecografías, tomografías y biopsias digita­ lizadas. Estas herramientas no solo aumentan la precisión diagnóstica, sino que también reducen el tiempo de interpretación y facili­ tan la identificación de patrones sutiles que pueden pasar desapercibidos al ojo humano. La IA representa, así, un aliado prometedor

Tabla 1.Fases del funcionamiento de la visión artificial

Detección de melanoma cutáneo con visión artificial

1.Se toman miles de fotos de lunares benignos y malignos ya clasificados por dermatólogos.

2.Se entrena una red neuronal convolucional con estas imágenes.

3.El sistema aprende a distinguir característi­ cas sutiles: forma irregular, bordes borrosos, variación de color.

4.Cuando se le da una imagen nueva, el sis­ tema compara y predice si se parece más a un melanoma o no.

5.Resultado»Probabilidad de melanoma: 87% – Requiere derivación a dermatología urgente «

Este tipo de sistemas, entrenados adecuada­ mente, han demostrado en algunos estudios igualar o superar la precisión de dermatólogos humanos en la detección temprana de cáncer de piel [4].

Detección de neumonía con IA en un depar­ tamento de urgencias[5]

En la Tabla 2 podemos ver el flujo diagnós­ tico de detección de neumonía. Una explicación más desarrollada `puede encontrarla el lector en el capitulo La Inteligen­ cia Artificial en la Imagen Medica (radiología e Histopatologia ) en el libro Artificial La nueva Inteligencia y su aplicación en Nefrologia[1].

El Procesamiento del Lenguaje Natural (PLN), o Natural Language Processing (NLP), es una rama de la inteligencia artificial que permite a las máquinas comprender, interpretar, gene­ rar y responder al lenguaje humano, ya sea en formato oral o escrito [6] A diferencia de entradas más estructuradas como imágenes o datos numéricos, el lenguaje humano es inhe­ rentemente complejo debido a su ambigüedad, contexto, emociones, errores gramaticales y matices culturales. El PLN busca que los sistemas informáticos procesen este tipo de información de manera similar a como lo hace un ser humano, pero claro existen limitaciones

Tabla 2.Detección de neumonía con IA en un departamento de urgencias

por ejemplo en la interpretación de contextos altamente subjetivos o especiales de culturas diferentes

2.2.3.2.1 Funcionamiento del PLN

El PLN se basa en múltiples niveles de análisis lingüístico y etapas técnicas que permiten descomponer y procesar el lenguaje humano

Análisis semántico Ángel Luis Martín de Francisco Hernández

de manera sistemática. Estas etapas y niveles se detallan en las Tabla 3 y Tabla 4.

Tareas del PLN

El PLN abarca una amplia variedad de tareas que permiten a los sistemas interpretar, generar y analizar lenguaje humano. Estas tareas tienen aplicaciones prácticas en diversos sectores, desde el comercio hasta la medicina Tabla 5.

Tabla 3.Niveles de análisis lingüístico en PLN

Tabla 4.Procesamiento técnico en PLN

En resumen, el funcionamiento del PLN se basa en los siguientes pasos: Preentrenamiento:Antes de ser utilizado en conversaciones en tiempo real, el modelo es entrenado en grandes cantidades de texto de diferentes fuentes, como libros, artículos y sitios web. Durante este proceso, el modelo aprende a entender el lenguaje y a predecir la siguiente palabra en una oración dada su comprensión del contexto.

Procesamiento del texto de entrada:Cuando proporcionas una consulta o una pregunta, el modelo analiza y procesa cada palabra y su relación con las palabras circundantes. Utiliza técnicas avanzadas de procesamiento del lenguaje natural para comprender la semántica y el contexto de la consulta.

Generación de respuesta:Después de com­ prender la entrada, el modelo utiliza su conocimiento previo para predecir y gene­ rar una respuesta coherente y relevante. La

-Subtipos de la IA- Tabla 5.Tipos de tareas del PLN

respuesta se forma en función de patrones y estructuras lingüísticas aprendidas durante el entrenamiento, y el modelo intenta gene­ rar una respuesta que sea apropiada y con­ textualmente relevante.

Optimización del texto de salida:Antes de proporcionar la respuesta final, el modelo verifica y ajusta la coherencia y la gramá­ tica de la respuesta generada. Esto implica asegurarse de que la respuesta sea lógica, coherente y esté bien redactada.

Entrega de la respuesta:Finalmente, el modelo proporciona la respuesta generada en función de la entrada original, intentando proporcio­ nar una solución completa y comprensible.

2.2.3.2.2 Herramientas comerciales de PLN (julio 2025)

El ecosistema del PLN en julio de 2025 está dominado por herramientas comerciales avanzadas que integran capacidades multimo­ dales, búsqueda inteligente y automatización de tareas Tabla 6.

2.2.3.2.3 Ejemplo de Aplicación de PLN: Detección de Testimonios Verdaderos o Falsos en declaraciones policiales

En el ámbito judicial, el procesamiento del len­ guaje natural (PLN) se está utilizando como herramienta de apoyo para analizar declaraciones de testigos y acusados, con el fin de identificar

Tabla 6.Herramientas comerciales de PLN (julio 2025)

posibles indicios de veracidad o falsedad. Durante un juicio por fraude financiero, los investigadores recopilan las transcripciones de los interroga­ torios de varios implicados. Un sistema basado en PLN analiza estas declaraciones en busca de patrones lingüísticos que históricamente se han asociado con el engaño o la verdad.

1. Análisis lingüístico:El sistema analiza ele­ mentos como la longitud de las respuestas, el uso de evasivas, contradicciones grama­ ticales, cambios repentinos de tiempo ver­ bal, exceso de detalles irrelevantes o el uso repetido de negaciones («yo no hice nada», «nunca supe nada»).
2. Modelos entrenados en patrones de engaño: Se utilizan modelos entrenados previamente con corpus de declaraciones clasificadas como verdaderas o falsas (por ejemplo, estu­ dios psicológicos, bases de datos forenses). Estos modelos aprenden a reconocer señales sutiles en el lenguaje que podrían ser indi­ cadores de mentira.
3. Análisis de sentimientos y emociones:El sistema también evalúa la carga emocional del discurso. Por ejemplo, un testigo que muestra emociones inconsistentes con la situación descrita (frialdad al relatar un crimen violento) puede despertar sospechas.
4. Detección de entidades y hechos clave:El modelo extrae nombres, fechas y lugares, y compara estos datos con otras evidencias del caso (como registros telefónicos o cámaras de seguridad), para detectar posibles incon­ gruencias.

Un estudio reciente presenta un dataset especí­ fico para analizar declaraciones dadas durante entrevistas policiales. Utiliza un modelo basado en DistilBERT, entrenado para dis­ tinguir declaraciones verdaderas de falsas, logrando una precisión del 86 % [7]. El PLN no sustituye al juez ni al perito, pero entrega un informe con indicadores de posible engaño, lo que permite enfocar mejor las preguntas y cruzar los datos más críticos. Esto mejora la eficiencia y calidad del proceso judicial.

-Subtipos de la IA- 2.2.3.2.4 Ejemplo de aplicación del PLN en medicina

de urgencias

En el contexto de la medicina de urgencias, el PLN tiene un potencial transformador al pro­ cesar grandes volúmenes de datos no estructu­ rados, como notas clínicas, informes de triaje o registros de pacientes, para mejorar la toma de decisiones y optimizar los flujos de trabajo. Un ejemplo concreto es el uso del PLN para la clasificación automática de la gravedad en el triaje de urgencias. Imaginemos un hospital que recibe a un paciente con dolor torácico. El médico registra una nota clínica inicial: «Paciente de 55 años, dolor torá­ cico opresivo de inicio súbito, acompañado de disnea y sudoración». Un sistema basado en PLN, como los integrados en herramientas como Chat GPT, Microsoft 365 Copilot, Gemini, Grok 3…etc puede procesar esta nota en tiempo real mediante las siguientes etapas: •Tokenización y lematización: El sistema descompone la nota en palabras clave como «dolor torácico», «opresivo», «súbito», «disnea» y «diaforesis».

•Etiquetado gramatical y análisis sintáctico: Identifica que «dolor torácico» es el sujeto principal y que términos como «opresivo» y «súbito» son descriptores clave.

•Análisis semántico y reconocimiento de entidades: Reconoce que «dolor torácico opresivo» y «disnea» son síntomas asociados con condiciones graves como el infarto de miocardio.

•Clasificación de texto: Utilizando modelos entrenados, el sistema clasifica la nota como de alta prioridad, sugiriendo un triaje de nivel 1 o 2 según escalas como el Sistema de Triaje de Emergencia (ETS).

•Generación de texto: El sistema puede gene­ rar una alerta automática para el equipo médico, como: «Paciente con posible evento cardiovascular agudo, requiere evaluación inmediata».

Este proceso, que combina varias tareas del PLN (clasificación de texto, reconocimiento de entidades y generación de texto), permite priorizar casos críticos en segundos, redu­ ciendo el tiempo de respuesta en un entorno de alta presión como las urgencias. Estudios han demostrado que el uso de PLN en triaje puede mejorar la precisión en la clasificación de pacientes hasta en un 20% en comparación con métodos manuales [8]

2.2.3.2.5 Aplicaciones potenciales en el día a día del uso de PLN en Medicina

El PLN tiene varias aplicaciones potenciales en el día a día de un médico, que pueden ayudar en la toma de decisiones clínicas, la educación de los pacientes y la gestión de la carga de trabajo. Algunos ejemplos de casos de uso de utilización son:

1.Asistencia en la toma de decisiones clínicas:

• Diagnóstico diferencial: Un médico puede utilizar el chat GPT para generar una lista inicial de posibles diagnósticos en fun­ ción de los síntomas y la historia clínica proporcionada por el paciente.
• Revisión de literatura: El médico puede solicitar al chat GPT que resuma los últi­ mos estudios médicos relevantes sobre un tema específico para estar al día con las últimas investigaciones. Ejemplo:«¿Cuáles son las últimas inves­ tigaciones sobre el tratamiento de la dia­ betes tipo 2?»

2.Educación de pacientes::

• Explicación de condiciones médicas: El médico puede generar descripciones fáciles de entender sobre condiciones médicas, procedimientos o tratamientos para compartir con los pacientes. Ejemplo:«Explícame en términos senci­ llos qué es la hipertensión y cómo puedo controlarla.».

• Consejos de salud: Proporcionar reco­ mendaciones generales sobre la dieta, el ejercicio y el estilo de vida saludable. Ejemplo:«¿Cuáles son algunos consejos para mantener un corazón saludable?».

3.Documentación médica y notas clínicas::

• Transcripción de notas clínicas: El chat GPT puede ayudar a los médicos a trans­ cribir notas clínicas dictadas durante las consultas. Ejemplo: «Por favor, transcribe las notas de la consulta de hoy con el paciente X.».

4.Resolución de dudas rápidas::

• Respuestas a preguntas frecuentes: Los médicos pueden utilizar el PLN para obtener respuestas rápidas a preguntas comunes sobre medicamentos, dosis recomendadas, interacciones medica­ mentosas, etc.

Ejemplo:«¿Cuál es la dosis recomendada de ibuprofeno para un adulto?»

5.Planificación de la atención al paciente::

• Generación de planes de tratamiento preliminares: Ayuda en la creación de planes de tratamiento iniciales antes de la consulta con el paciente. Ejemplo:«Crea un plan de tratamiento inicial para un paciente con diabetes tipo 1 recién diagnosticado.».

6.Investigación clínica::

• Análisis de datos médicos: El PLN puede ayudar a analizar datos clínicos, identifi­ car tendencias y generar informes preli­ minares [9] Ejemplo:«Analiza los datos de los pacien­ tes en el último ensayo clínico y resalta las tendencias más relevantes».

7.Gestión del tiempo::

• Gestión de citas y recordatorios: El chat GPT puede ayudar a programar citas, enviar recordatorios a pacientes y gestio­ nar la agenda del médico.

Ejemplo:«Programa una cita con el paciente Y para la próxima semana y envía un recordatorio.

2.2.3.3 Inteligencia artificial multimodal

Es un tipo de inteligencia artificial genera­ tiva capaz de procesar y combinar diferentes tipos de datos, como texto, imágenes, audio y video, para generar respuestas más completas y sofisticadas. A diferencia de los modelos tradicionales, que se enfocan en un solo tipo de entrada (por ejemplo, solo texto o solo imágenes), los modelos multimodales integran múltiples fuentes de información para mejorar su comprensión y generación de contenido Figura 22.

Figura 22. IA generativa multimodal

Las ventajas de la IA multimodal son que puede interpretar imágenes y texto al mismo tiempo, y permite la comunicación con texto, voz e imágenes. La IA multimodal representa un gran avance en la inteligencia artificial, ya que permite una comprensión más parecida a la humana de la información. En la Tabla 6 pue­ den verse algunos ejemplos de IA multimodal.

-Subtipos de la IAAplicaciones de la IA multimodal

Con la IA multimodal se abre un amplio aba­ nico de posibilidades en sectores como el de la salud, la automoción, la educación o en cues­ tiones como la accesibilidad. A continuación, desgranamos algunas de sus aplicaciones en estos ámbitos:

• Asistencia sanitaria:Permitirá mejorar el diagnóstico y ajustar el tratamiento de cada paciente, a través de la combinación de dife­ rentes datos como imágenes médicas, el his­ torial del paciente o los proporcionados por sensores médicos portátiles (ritmo cardiaco, presión arterial, glucosa, etc.).
• Automoción:Potenciará la seguridad vial mediante la fusión de datos procedentes de cámaras o radares.
• Educación:Analizará textos, vídeos de impartición de clases y exámenes para adap­ tar los contenidos y hacerlos más atractivos para el alumnado, ofreciendo una experien­ cia pedagógica personalizada en las aulas.
• Accesibilidad:Permitirá tener una comuni­ cación más natural con la tecnología a las personas con discapacidad, por ejemplo, mediante la traducción del lenguaje oral al escrito o la manipulación de imágenes y vídeos a través de instrucciones habladas, lo que supondrá un gran avance para este colectivo.

2.3ÉTICA Y PELIGROS DE LA UTILIZACIÓN DE PLN EN MEDICINA

En general, el uso de PLN en Medicina ofrece muchas oportunidades emocionantes, pero también plantea importantes desafíos éticos y de seguridad [10]. Es importante abordar estos desafíos de manera proactiva para garan­ tizar que el uso de ChatGPT en la atención médica sea seguro, justo y beneficioso para los pacientes.

Preguntando a ChatGPT3 [11] cuales son en su consideración esos peligros nos resume así: 1.Privacidad y seguridad de los datos: El uso de ChatGPT en Medicina puede involu­ crar el manejo de información médica sen­ sible, como historiales médicos, registros de diagnóstico y otras formas de datos de salud privados. Es crucial garantizar que esta información esté protegida adecuadamente y que se cumplan los estándares de privacidad y seguridad de los datos.

2.Sesgo y discriminación: Como modelo entre­ nado en grandes cantidades de datos, Chat­ GPT puede reflejar y amplificar los prejuicios y estereotipos presentes en los datos de entrena­ miento. Esto puede llevar a respuestas inexac­ tas, incompletas o incluso perjudiciales para ciertos grupos de pacientes. Es importante garantizar que ChatGPT sea entrenado y uti­ lizado de manera justa y equitativa, sin perpe­ tuar o amplificar la discriminación existente.

3.Responsabilidad y responsabilidad legal: Cuando se usa ChatGPT en el diagnóstico o tratamiento de pacientes, es importante que los médicos y otros profesionales de la salud sean responsables de las decisiones y acciones que toman en función de la información pro­ porcionada por el modelo. Esto puede plan­ tear cuestiones legales y de responsabilidad en caso de que las decisiones médicas resulten en daño o perjuicio para los pacientes.

4.Confianza y comprensión: Los pacientes pueden confiar demasiado en las respuestas proporcionadas por ChatGPT, sin compren­ der completamente la base de las recomen­ daciones y el proceso de toma de decisiones detrás de ellas. Es importante garantizar que los pacientes comprendan adecuadamente la información proporcionada por ChatGPT y que se fomente una relación sólida y clara entre el paciente y el médico.

5.Falta de regulación y estándares claros tam­ bién es una preocupación importante en

relación con el uso de ChatGPT en medicina. En muchos casos, no hay pautas o regula­ ciones específicas que se apliquen al uso de modelos de lenguaje en la atención médica, lo que puede dar lugar a prácticas inconsistentes y potencialmente peligrosas.

La falta de regulación también puede dificul­ tar la evaluación y comparación de diferentes modelos de lenguaje, lo que hace difícil deter­ minar cuáles son los modelos más precisos, confiables y seguros para su uso en la atención médica. Además, los estándares y regulaciones claros también son importantes para garantizar que los modelos de lenguaje se desarrollen y utilicen de manera ética y responsable. Por lo tanto, es importante que los reguladores y las autoridades de salud trabajen para estable­ cer pautas claras y estándares de calidad para el uso de modelos de lenguaje en la atención médica. Esto puede incluir el establecimiento de estándares para la recopilación y uso de datos, la evaluación de la precisión y seguridad de los modelos de lenguaje, y la implementación de prácticas y políticas éticas para garantizar que los modelos se utilicen de manera justa y equitativa.

2.4PLATAFORMAS Y WEBS ESPECIALIZADAS EN IA MÉDICA

En los últimos años, el escenario de la Inteligen­ cia Artificial Médica ha crecido exponencial­ mente, abarcando desde el análisis de imágenes y la documentación clínica automatizada, hasta la investigación farmacéutica y la personali­ zación de tratamientos. A continuación, se presenta una tabla con una selección de pla­ taformas y webs especializadas en IA médica. Estas herramientas ilustran la diversidad de enfoques actuales -clínicos, operativos, de investigación y tecnológicosque impulsan la transformación digital en la práctica sanitaria.

Análisis predictivo BioMorph molecular -Subtipos de la IA- Tabla 7.

(continúa)

Referencias 1

De Francisco ALM. Artificial. La Nueva Inteligencia y su Aplicación en Nefrología. En Lorenzo V, López Gómez JM (Eds). Nefrología al Día. ISBN 978-84-127624-1-9.

Szeliski R.Computer Vision: Algorithms and Applications[Internet]. 2nd ed. Cham: Springer; 2022. Disponible en:http://szeliski. org/Book

Goodfellow I, Bengio Y, Courville A.Deep Learning[Internet]. Cambridge, MA: MIT Press; 2016 [citado 2025 Jun 27]. Disponible en:https://www.deeplearningbook.org

Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks.Nature. 2017 Feb 2;542(7639):115-8. DOI:10.1038/nature21056.

Rajpurkar P, Irvin J, Zhu K, Yang B, Mehta H, Duan T, et al. CheXNet: Radiolo­ gist-level pneumonia detection on chest

(continuación)

X-rays with deep learning.arXiv[preprint]. 2017. Disponible en :https://arxiv.org/ abs/1711.05225

Chowdhury GG. Natural language processing. Annu Rev Inf Sci Technol. 2003;37(1):51-89. DOI:10.1002/aris.1440370103.

Spyridis Y, Younes JP, Deeb H, Argyriou V. Empowering prior to court legal analysis: A transparent and accessible dataset for defensive statement classification and interpretation. arXiv[Preprint]. 2024 May 17 [cited 2025 Aug 10]; Available from:arXiv:2405.10702

Levin S, Toerper M, Hamrock E, Hinson JS, Barnes S, Gardner H, et al. Machinelearning-based electronic triaje more accu­ rately differentiates patients with respect to clinical outcomes compared with the emergency severity index.Ann Emerg Med. 2018;71(5):565-74.DOI:10.1016/j. annemergmed.2017.08.005.

Van Dis EAM, Bollen J, van Rooij R, Zuidema W, Bockting CL. ChatGPT: five priorities for research.Nature. 2023 Feb 9;614(7947):224-6. DOI:10.1038/d41586-023-00288-7.

10 Fernandes AC, Souto MEVC. Benefits, limits, and risks of GPT-4 as an AI chatbot for medi­

-Subtipos de la IAcine.N Engl J Med. 2023 Jun 22;388(25):2399400.DOI:10.1056/NEJMp2303819.

11 OpenAI. ChatGPT: desafíos éticos y de segu­ ridad del ChatGPT-3 [Internet]. San Francisco (CA): OpenAI; [cited 2025 Aug 8]. Available from:https://chat.openai.com/