Desarrollo de un software para la detección temprana de alzheimer aplicando técnicas de inteligencia artificial
DOI:
https://doi.org/10.61799/2216-0388.2011Palabras clave:
Inteligencia Artificial, Numpy, Scrum, Reconocimiento de patronesResumen
La investigación se centró en el desarrollo de un software, principalmente por la razón de permitir un análisis de datos médicos, en el que se incorporaron algoritmos de aprendizaje automático. Implementando métodos adecuados que lograron identificar patrones en los datos clínicos de los pacientes, incluidos imágenes cerebrales y pruebas cognitivas. En cuanto al tipo de investigación y su enfoque, son descriptivos y cuantitativos, lo que permite medir y analizar las variables relacionadas con la precisión del software para identificar los signos de Alzheimer. Se utilizó una metodología de desarrollo Scrum, que se manifiesta en iteraciones rápidas, retroalimentación constante y adaptación continua del software durante el desarrollo. Los resultados demuestran que el software identifica signos precoces de Alzheimer con una precisión suficiente, lo que demuestra posiblemente la eficiencia de la IA en este caso. En general, puede concluirse que el uso de la tecnología informática para mejorar el proceso de detección y el tratamiento de la enfermedad de Alzheimer es críticamente importante. Una herramienta innovadora puede facilitar la atención médica de calidad y el seguimiento de cada paciente.
Descargas
Referencias
[1] S. Pérez Martínez, “Aplicación de técnicas de Inteligencia Artificial (DL y ML) para la clasificación de lesiones cutáneas a partir de imágenes demoscópicas y datos clínicos”, tesis maestria, Universitat Politécnica de Valencia, pp. 1-107, 2024. Disponible en: https://riunet.upv.es/entities/publication/77a41425-8883-4338-abd5-27378befde39 [acceso: 18-01-25]
[2] W. S. Ucañay Barreto y M. A. Coral Ygnacio, “Sistema de diagnosis del Alzheimer basado en imágenes de resonancia magnética mediante el algoritmo VGG16”, LAJC, vol. 11, nº 1, pp. 1-8, 2024. DOI: https://doi.org/10.5281/zenodo.10402361
[3] L. I. Robles Bravo, “Detección automática de anomalías cerebro vascular a través de resonancia magnética aplicando métodos de análisis avanzados con inteligencia artificial en pacientes no diagnosticados”, tesis grado. Universidad Técnica de Babahoyo, pp. 1-52, 2024. Disponible en: https://dspace.utb.edu.ec/items/4b483ddf-b776-474b-8dfe-77e9ead69632 [acceso: 23-01-25]
[4] G. Sabina Sánchez, “Detección del deterioro cognitivo leve. Una propuesta basada en redes neuronales artificiales híbridas”, tesis Grado, Universidad de Las Palmas de Gran Canaria, pp. 1-69, 2021. Dispobible en: https://accedacris.ulpgc.es/bitstream/10553/103595/1/TFG%20Graci%20Sabina.pdf [acceso: 23-01-25]
[5] S. Firvida Ruiz, “Efermería en atención primaria: El reto de la detección precoz de la enfermedad del alzheimer”, tesis Grado, Universidad de Cantabria, pp. 1-43, 2024. Disponible en: https://repositorio.unican.es/xmlui/bitstream/handle/10902/33040/2024_FirvidaS.pdf?sequence=1&isAllowed=y [acceso: 18-01-25]
[6] R. Cid Costa, “Componentes de visualización analítica para su uso en contextos de detección temprana de demencia”, tesis Grado, Universidad Politécnica de Madrid, pp. 1-42, 2024. Disponible en: https://oa.upm.es/82701/1/TFG_RUBEN_CID_COSTA.pdf [acceso: 18-01-25]
[7] L. Cabrera Leyva, “Recolección y análisis de voz en adultos mayores para el diagnóstico de demencia,” Centro de Investigación Científica y de Educación Superior de Ensenada, baja California, CICESE, pp. 1-88, 2022. Disponible en: https://cicese.repositorioinstitucional.mx/jspui/handle/1007/3782 [acceso: 23-01-25]
[8] H. F. Abella Muñoz, “Evaluación del impacto de la inteligencia artificial en la precisión diagnóstica: Aplicaciones y desafíos en la resonancia magnética”, tesis Grado, Universidad Nacional Abierta y a Distancia UNAD, pp. 1-61, 2024. Disponible en: https://repository.unad.edu.co/bitstream/handle/10596/65539/hfabellam.pdf?sequence=3&isAllowed=y [acceso: 18-01-25]
[9] J. F. León Pastor Baak, G. A. Hernández, N. A. Cruz-Ramos, J. L. Sánchez Cervantes y L. Rodríguez Mazahua, “Análisis comparativo de técnicas de aprendizaje automático para la detección de la enfermedad de Parkinson mediante reconocimiento de voz,” Research in Computing Science, vol. 153, nº 8, pp. 49-62, 2024.
[10] J. E. Aguilar Obregón, “Algoritmo de detección temprana para la enfermedad del Alzheimer utilizando aprendizaje autónomo,” Universidad Distrital Francisco Jóse de Caldas, pp. 1-76, 2020.
[11] C. Ingino, “Innovación e Inteligencia Artificial en Medecina”, Diagnostico Journal, pp. 1-3, 2019. Disponible en: https://diagnosticojournal.com/innovacion-e-inteligencia-artificial-en-medicina/ [acceso:23-02-24] DOI: https://doi.org/10.31219/osf.io/37fn2
[12] A. B López Velasquez, A. Goncalves de Sousa, O.N. Bracho Vera, “Aplicación de chatbots de inteligencia artificial para la mejora de la atención al paciente”, Mundo Fesc,vol 13, no. 27, pp. 286-304, 2023. https://doi.org/10.61799/2216-0388.1488 DOI: https://doi.org/10.61799/2216-0388.1488
[13] D. D. Ralla, “Modelos de supervivencia e inteligencia artificial explicable en la predicción del riesgo de conversión de deterioro cognitivo leve a Alzhéimer”, tesis Grado, Universidad Zaragoza, 2024. Disponible en: https://zaguan.unizar.es/record/146602 [acceso: 17-02-25]
[14] S. Pulgarín Sánchez y S. L. Valencia Orozco, “Análisis de las técnicas de inteligencia artificial más utilizadas en la predicción del cáncer de mama a partir de mamografías”, tesis Grado, Institución Universitaria Tecnológico de Antioquia, pp. 1-80, 2020. Disponible en: https://redcol.minciencias.gov.co/Record/RepoTdea2_85f7f8529361f37c39824bf10a58a31e/Details [acceso: 19-02-25]
[15] P. Cervera López, “Explainable Boosting Machine en la predicción de la conversión desde deterioro cognitivo leve a Alzheimer usando datos longitudinales”, tesis Grado, Universidad Zaragoza, pp. 1-33, 2024. Disponible en: https://zaguan.unizar.es/record/146608?ln=es
[16] I. D. Higuera González, “Evaluación de la precisión y automatización de técnicas de machine learning en la predicción de enfermedades mediante imágenes médicas”, tesis Especializacion, Universidad Nacional Abierta y a Distancia UNAD, pp. 1-102, 2025. Disponible en: https://repository.unad.edu.co/jspui/bitstream/10596/67108/1/ihiguerag.pdf
[17] E. Castaño, L. Palmera, T.Velásquez, y D. Ríos, "Modelo de gestión de un cuadro de mando integral de servicios de TI para Empresas del sector transporte", Revista Temario Científico, 5(2). e25522, 2025. DOI: https://doi.org/10.47212/rtcAlinin.3.225.15 DOI: https://doi.org/10.47212/rtcAlinin.3.225.15
[18] G. Mousalli-Kayat, Métodos y Diseños de Investigación Cuantitativa, Mérida, pp. 1-37, 2015. DOI:10.13140/RG.2.1.2633.9446
[19] M. Rojas Cairampoma, “Tipos de investigación científica: Una simplificación de la complicada incoherente nomenclatura y clasificación”, REDVET. Revista Electrónica de Veterinaria, vol. 16, nº 1, pp. 1-15, 2015.
[20] N. J. Merchán-Narváez, E. E. Palma-Peralta y D. X. Poma-Japón, “Comparación de metodologías para el desarrollo de software”, Journal Scientific MQRInvestigar, vol. 8, nº 1, pp. 5052-5074, 2024. DOI:10.56048/MQR20225.8.1.2024.5052-5074 DOI: https://doi.org/10.56048/MQR20225.8.1.2024.5052-5074
[21] I. Xochitototl Cote, J. J. Hernández Mora, M. G. Medina Barrera, E. Cuatecontzi Cuahutle y J. Ramos Ramos, “Propuesta de una Metodología basada en DevSecIps y SCRUM para el desarrollo de software con calidad”, Revista Innovación y Software, vol. 5, nº 2, pp. 64-75, 2024. DOI: 10.48168/innosoft.s16.a176 DOI: https://doi.org/10.48168/innosoft.s16.a176
[22] M. C. Pezzini, “Inteligencia Artificial Explicable: Análisis de metodologías y aplicaciones”, tesis Especializacion, Universidad Nacional de la Plata, pp. 1-257, 2024. Disponible en: https://sedici.unlp.edu.ar/bitstream/handle/10915/174328/Documento_completo.pdf-PDFA.pdf?sequence=1&isAllowed=y [acceso:20-08-25]
[23] C. Gallego-Londoño, D. Afanador-Restrepo, M. Dávila-Castañeda, C. Bastidas-Ortega, R. Jurado-Carmona, C. Martínez-Rodríguez y S. Ramírez Gómez, “Inteligencia artificial en el diagnóstico y en el tratamiento de lesiones musculares,” Revista Iberoamericana de Ciencias de la Actividad Física y el Deporte, vol. 13, nº 3, pp. 252-273, 2024. DOI: https://doi.org/10.24310/riccafd.13.3.2024.20429 DOI: https://doi.org/10.24310/riccafd.13.3.2024.20429
[24] D. Rivera Caballero, “Análisis de características profundas mediante transferencia de aprendizaje para la detección de enfermedades Neurodegenerativas a través de imágenes OCT”, tesis Grado, Universidade Da Coruña, pp. 1-99, 2024. Disponible en: http://hdl.handle.net/2183/39307 [acceso:12-08-25]
[25] J. D. Duque Ortiz y Á. F. León Chávez, “Descripción de las herramientas de inteligencia artificial, Deep Learning y Machine Learning empleadas en el aprendizaje del diagnóstico: Un nuevo enfoque en desarrollo de la valoración de signos y síntomas desde una revisión sistemática”, tesis Grado, Universidad El Bosque, pp. 1-59, 2024. Disponible en: https://hdl.handle.net/20.500.12495/12560 [acceso: 25-08-25]
[26] D. E. Maya Portillo, “Desarrollo de un sistema de control de acceso mediante visión por computadora para la terapia cognitiva en pacientes con enfermedad de alzheimer,” Universidad de Antioquia, pp. 1-67, 2024.
[27] J. Vilas Taboada, “Sistema automático de detección y clasificación de enfermedades neurodegenerativas mediante análisis de la retina en tomografía de coherencia óptica”, tesis Grado, Uniersidade da Coruña, pp. 1-92, 2024. Disponible en: https://ruc.udc.es/entities/publication/6048e276-c148-45f8-b194-8aa72068a886 [acceso: 23-08-25]
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Mundo FESC Journal
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
