Redes neuronales mejoran detección temprana de enfermedades

La aplicación de redes neuronales artificiales (RNA) en el diagnóstico médico logró avances significativos en la detección temprana de enfermedades complejas y en la reducción de errores asociados a factores humanos, de acuerdo con un estudio realizado por investigadores del Tecnológico Nacional de México (TecNM), campus Pánuco, y la Universidad Autónoma de Tamaulipas (UAT).

El trabajo, publicado en la Revista de Investigación Educativa bajo el título “Diagnóstico médico con redes neuronales”, documenta que los modelos desarrollados mostraron una “notable habilidad para detectar patrones sutiles y relaciones no lineales” que no son evidentes mediante enfoques convencionales, especialmente en patologías como enfermedades cardiovasculares, diabetes y diversos tipos de cáncer.

Los autores, María de los Ángeles Ahumada Cervantes, Guadalupe Esmeralda Rivera García, Juan Carlos Ramírez Vázquez y Miriam Janet Cervantes López, aplicaron una metodología estructurada que incluye recopilación multimodal de datos clínicos, preprocesamiento, selección de características y entrenamiento de arquitecturas neuronales específicas —convolucionales para imágenes médicas y recurrentes para series temporales—, con validación cruzada y monitoreo continuo.

Precisión diagnóstica y estratificación de riesgo

Uno de los hallazgos centrales del estudio es la capacidad de las RNA para integrar simultáneamente información clínica, demográfica, biomolecular y genómica, lo que permitió una estratificación del riesgo más precisa y la orientación de intervenciones preventivas tempranas. Los investigadores señalan que este enfoque integrador “constituye uno de los principales aportes de la inteligencia artificial al diagnóstico médico, al superar las limitaciones de modelos basados en reglas predefinidas o análisis univariados”.

En términos de impacto clínico, los modelos implementados demostraron ser útiles como herramienta de apoyo a la toma de decisiones, sin sustituir el juicio del profesional. La investigación cita que el uso de RNA “permitió reforzar la consistencia diagnóstica mediante un segundo nivel de análisis”, reduciendo la variabilidad interobservador y mitigando sesgos cognitivos y fatiga del personal sanitario.

Optimización de recursos y personalización terapéutica

Desde una perspectiva operativa, el estudio destaca que la implementación de estos sistemas contribuye a una asignación más eficiente de recursos humanos y tecnológicos. “La posibilidad de priorizar casos en función del nivel de riesgo estimado contribuyó a una asignación más eficiente de los recursos”, señala el artículo, lo que resulta especialmente relevante en sistemas de salud con alta demanda asistencial.

Además, los autores subrayan que las RNA favorecen la personalización de tratamientos, al generar recomendaciones ajustadas a perfiles individuales, lo que potencialmente se traduce en “una mayor eficacia clínica y en la reducción de efectos adversos asociados a tratamientos generalizados”.

Desafíos éticos y técnicos pendientes

Pese a los resultados positivos, el estudio advierte sobre limitaciones sustanciales que deben abordarse antes de una implementación generalizada. Entre ellas, la dependencia de conjuntos de datos extensos y de alta calidad, las dificultades para garantizar la generalización de los modelos en distintos contextos poblacionales, y la opacidad de los procesos decisionales algorítmicos.

Los investigadores enfatizan que “la opacidad de los procesos decisionales algorítmicos” y “las preocupaciones relativas a la privacidad y seguridad de la información clínica” continúan siendo obstáculos relevantes. Por ello, subrayan la necesidad de desarrollar enfoques de inteligencia artificial explicable que “incrementen la transparencia y la confianza clínica en los sistemas de apoyo diagnóstico”.

Telemedicina y acceso equitativo

El trabajo también analiza la integración de las RNA con plataformas de telemedicina, señalando que esta convergencia “se perfila como una estrategia clave para reducir desigualdades en el acceso a la atención y optimizar la asignación de recursos clínicos”, particularmente en regiones con limitaciones de infraestructura sanitaria y escasez de personal especializado.

La investigación fue financiada por el TecNM y la UAT, y contó con la participación de investigadores adscritos al Instituto Tecnológico Superior de Pánuco y a la Facultad de Medicina de Tampico.

El artículo completo está disponible en el volumen 2, número 1 de la Revista de Investigación Educativa, correspondiente a abril de 2026.