ISBN
Formato digital
978-84-10215-89-4
Fecha de publicación
14-11-2024
Licencia
D. R. © copyright 2024; José Antonio García Macías, Isaac de Jesús Palazuelos Rojo y Diego Alfredo Pérez Rivas.
Jessica Beltrán Márquez
Centro de Investigación en Matemáticas Aplicadas de la Universidad Autónoma de Coahuila
0000-0002-2992-3365
Acerca de
Un componente especialmente destacado en la transformación tecnológica de los últimos años es la inteligencia artificial (IA), cuyos avances han convertido en realidad lo que hace poco tan solo era parte de la imaginación. Estos progresos han dejado su huella en diversos aspectos de nuestras vidas, incluyendo la esfera crucial de la salud. Resulta fascinante y, a la vez, asombroso constatar que hoy en día existen individuos que nacieron en una época en la que las vacunas para enfermedades como la polio o el sarampión aún no eran una realidad y que, gracias a avances multidisciplinarios, entre ellos la IA, estas personas han sido testigos de avances impresionantes, como un rápido desarrollo que condujo a la creación de una vacuna contra el covid-19, poniendo fin a una amenaza pandémica que afectaba a la sociedad e incluso otros avances que parecen sacados de la ciencia ficción.
No pasará mucho tiempo antes de que sea considerado común el uso de dispositivos con algoritmos de IA dedicados a diagnosticar o prevenir enfermedades, o que las personas reciban tratamientos y terapias personalizadas según sus rutinas, complexión, información genética, capacidades, entre otros factores. Todo esto ocurrirá mientras se analizan grandes cantidades de datos de diversas personas para identificar patrones y estrategias adecuadas. Estos avances prometen una revolución en la forma en que abordamos la salud, proporcionando soluciones más precisas y personali-zadas para mejorar la calidad de vida.
Referencias
Adir, O., Poley, M., Chen, G., Froim, S., Krinsky, N., Shklover, J., Shainsky-Roitman, J., Lammers, T. y Schroeder, A. (2020). Integrating Artificial Intelligence and Nanotechnology for Precision Cancer Medicine. En Advanced Materials, 32(13). Wiley-VCH Verlag. https://doi.org/10.1002/adma.201901989
Alcañiz, M., Chicchi-Giglioli, I. A., Carrasco-Ribelles, L. A., Marín-Morales, J., Minissi, M. E., Teruel-García, G., Sirera, M., & Abad, L. (2022). Eye gaze as a biomarker in the recognition of autism spectrum disorder using virtual reality and machine learning: A proof of concept for diagnosis. Autism Research, 15(1), 131-145. https://doi.org/10.1002/aur.2636
Apell, P., & Eriksson, H. (2023). Artificial intelligence (AI) healthcare technology innovations: the current state and challenges from a life science industry perspective.
Technology Analysis and Strategic Management, 35(2), 179–193. https://doi.org/10.1080/09537325.2021.1971188
Bakator, M., & Radosav, D. (2018). Deep learning and medical diagnosis: A review of literature. In Multimodal Technologies and Interaction, 2(3). MDPI AG. https://doi.org/10.3390/mti2030047
Beltrán, J., García-Vázquez, M. S., Benois-Pineau, J., Gutierrez-Robledo, L. M., & Dartigues, J. F. (2018). Computational Techniques for Eye Movements Analysis towards Supporting Early Diagnosis of Alzheimer’s Disease: A Review. En Computational and Mathematical Methods in Medicine (Vol. 2018). Hindawi Limited. https://doi.org/10.1155/2018/2676409
Buchanan, B. G., & Feigenbaum, E. A. (1978). Dendral and Meta-Dendral: Their Applications Dimension. Artificial Intelligence, 11(1), 5-24. https://doi.org/https://doi.org/10.1016/0004-3702(78)90010-3
Das, D., Biswas, S. K., & Bandyopadhyay, S. (2022). A critical review on diagnosis of diabetic retinopathy using machine learning and deep learning. Multimedia Tools and Applications, 81(18), 25613-25655. https://doi.org/10.1007/s11042-022-12642-4
Fatima, N., Liu, L., Hong, S., & Ahmed, H. (2020). Prediction of Breast Cancer, Comparative Review of Machine Learning Techniques, and Their Analysis. In IEEE Access, 8, 150360–150376. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ACCESS.2020.3016715
Gonem, S., Janssens, W., Das, N., & Topalovic, M. (2020). Applications of artificial intelligence and machine learning in respiratory medicine. In Thorax, 75(8), 695-701). BMJ Publishing Group. https://doi.org/10.1136/thoraxjnl-2020-214556
Jacobson, N. C., & Bhattacharya, S. (2022). Digital biomarkers of anxiety disorder symptom changes: Personalized deep learning models using smartphone sensors accurately predict anxiety symptoms from ecological momentary assessments. Behaviour Research and Therapy, 149. https://doi.org/10.1016/j.brat.2021.104013
Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H., & Wang, Y. (2017). Artificial intelligence in healthcare: Past, present and future. In Stroke and Vascular Neurology (Vol. 2, Issue 4, pp. 230–243). BMJ Publishing Group. https://doi.org/10.1136/svn-2017-000101
Jiménez, S., Favela, J., Quezada, A., Ramachandran, R., & Juárez-Ramírez, R. (2022). Towards Conversational Agents to support Informal Caregivers of People with Dementia: Challenges and Opportunities. Programming and Computer Software, 48(8), 606–613. https://doi.org/10.1134/S036176882208014X
Kaul, V., Enslin, S., & Gross, S. A. (2020). History of artificial intelligence in medicine. En Gastrointestinal Endoscopy (Vol. 92, Issue 4, pp. 807–812). Mosby Inc. https://doi.org/10.1016/j.gie.2020.06.040
Kim, K., Jang, J., Park, H., Jeong, J., Shin, D., & Shin, D. (2023). Detecting Abnormal Behaviors in Dementia Patients Using Lifelog Data: A Machine Learning Approach. Information (Switzerland), 14(8). https://doi.org/10.3390/info14080433
Kourou, K., Exarchos, K. P., Papaloukas, C., Sakaloglou, P., Exarchos, T., & Fotiadis, D. I. (2021). Applied machine learning in cancer research: A systematic review for patient diagnosis, classification and prognosis. In Computational and Structural Biotechnology Journal (Vol. 19, pp. 5546-5555). Elsevier B.V. https://doi.org/10.1016/j.csbj.2021.10.006
Lekshmy, H. O., Panickar, D., & Harikumar, S. (2022). Comparative analysis of multiple machine learning algorithms for epileptic seizure prediction. Journal of Physics: Conference Series, 2161(1). https://doi.org/10.1088/1742-6596/2161/1/012055
Malik, S., Muhammad, K., & Waheed, Y. (2023). Emerging Applications of Nanotechnology in Healthcare and Medicine. In Molecules, 28(18). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/molecules28186624
Sarkar, A., Singh, A., & Chakraborty, R. (2022). A deep learning-based comparative study to track mental depression from EEG data. Neuroscience Informatics, 2(4), 100039. https://doi.org/10.1016/j.neuri.2022.100039
Silva, A., Metrôlho, J., Ribeiro, F., Fidalgo, F., Santos, O., & Dionisio, R. (2022). A Review of Intelligent Sensor-Based Systems for Pressure Ulcer Prevention. In Computers (Vol. 11, Issue 1). MDPI. https://doi.org/10.3390/computers11010006
Xie, M., Haellman, V., & Fussenegger, M. (2016). Synthetic biology – application-oriented cell engineering. In Current Opinion in Biotechnology (Vol. 40, pp. 139–148). Elsevier Ltd. https://doi.org/10.1016/j.copbio.2016.04.005
Zhao, N., Song, Y., Xie, X., Zhu, Z., Duan, C., Nong, C., Wang, H., & Bao, R. (2023). Synthetic biology-inspired cell engineering in diagnosis, treatment, and drug development. In Signal Transduction and Targeted Therapy (Vol. 8, Issue 1). Springer Nature. https://doi.org/10.1038/s41392-023-01375-x