Inge CuC

Mapeo Sistemático de un Proceso para Soportar MLOps en las Pequeñas y Medianas Empresas de Desarrollo de Software

2024-08-26T05:10:44+00:00

Introducción: Actualmente las empresas de desarrollo de software han empezado a incluir Machine Learning dentro de sus proyectos, lo que ha permitido que los modelos de Machine Learning pasen de la etapa de experimentación a la etapa de producción, aquí surge Machine Learning Operations con el objetivo de disminuir la brecha entre los equipos de operaciones, desarrollo y de ciencia de datos.

Objetivo: Realizar la investigación acerca del estado actual del conocimiento sobre la adopción de MLOps en las EDS por medio de un mapeo sistemático de la literatura, con el objetivo de estudiar, identificar y entender las iniciativas, soluciones y problemáticas de trabajos relacionados en el área.

Metodología: Se realizo un mapeo sistemático de la literatura con un protocolo definido, que contempla la elaboración de preguntas de investigación y la implementación de una estrategia de búsqueda en seis bases de datos. Tras ello, se seleccionan los artículos primarios en función de criterios de inclusión y exclusión establecidos previamente. A partir de los resultados obtenidos, se abordan las preguntas de investigación, lo que permite clasificar y caracterizar los hallazgos. Finalmente, se analizan los resultados y se exponen las conclusiones correspondientes.

Resultados: Los hallazgos de este articulo reflejan los esfuerzos de la comunidad científica para definir los principios, roles, artefactos, tecnologías, desafios y factores cruciales para la implementación de Machile Learning Operations en las empresas de desarrollo de Software.

Conclusiones: Se contestan las preguntas de investigación en las cuales nos arrojan los retos principales a la hora de implementar Machine Learning.

Protocolo reproducible de gráficos acíclicos dirigidos por capas para estudios con datos secundarios

2026-02-11T14:12:41+00:00

Introducción/Contexto: Los estudios con datos secundarios (registros clínicos, administrativos o de sensores) incorporan procesos de selección, medición y datos faltantes que a menudo se tratan como “preprocesamiento”, dejando supuestos implícitos y sesgos difíciles de auditar.

Objetivo: Proponer un protocolo reproducible para explicitar, documentar y auditar supuestos causales en estudios con datos secundarios mediante gráficos acíclicos dirigidos por capas.

Metodología: El protocolo separa un sistema causal material (exposición→resultado) y tres capas adicionales: (i) selección/observabilidad, (ii) medición u operacionalización (constructos vs. proxies registrados) y (iii) mecanismos de datos faltantes. Incluye alineación temporal del estimando, reglas de extracción y construcción de cohortes, y control de calidad basado en código fuente del gráfico y trazabilidad de figuras.

Resultados: Se entregan una lista de verificación de reporte (Tabla 1), un mapeo decisión→amenaza→firma en el gráfico con mitigaciones condicionales (Tabla 2), una síntesis de trabajo relacionado y brecha (Tabla 3), ejemplos de gráficos por capas (Figuras 1–9) y evaluaciones reproducibles que cuantifican sesgos típicos y sensibilidad a faltantes (Tablas 4–7).

Conclusiones: El enfoque por capas hace explícitos los supuestos de selección, medición y faltantes; aumenta la replicabilidad al exigir trazabilidad entre código, figura y texto; y operacionaliza la alineación entre decisiones de diseño/análisis y el estimando, limitando inferencias que exceden la evidencia. Un caso aplicado mínimo ilustra que decisiones sobre observación/faltantes pueden cambiar de forma material la magnitud del estimando, por lo que debe reportarse sensibilidad (Δestimación) y denominadores.

Uso de la Inteligencia Artificial para la gestión de la salud de los pacientes, en instituciones prestadoras de salud. Beneficios y riesgos

2025-03-24T19:22:18+00:00

Introducción: La inteligencia artificial (IA) en el sector salud promete grandes impactos, que permitan enfrentar desafíos como la detección temprana de enfermedades, diagnósticos precisos, personalización de tratamientos, y optimización de procesos en las entidades prestadoras del servicio de salud.

Objetivo: Examinar la literatura reciente sobre las implicaciones del uso de IA en la gestión de la salud, explorando tanto sus beneficios como las preocupaciones asociadas.

Metodología: La investigación es descriptiva basada en análisis documental de artículos publicados entre 01/01/2018 y 30/06/2024, en inglés y español, en bases de datos como Scopus y Web of Science.

Resultados: Dentro de los principales hallazgos muestran el potencial para mejorar la precisión en diagnósticos, una mayor personalización en el tratamiento y reducir errores médicos, actuando como un asistente cognitivo y de apoyo en procesos clínicos. Sin embargo, se identifican retos como referentes a la ética, privacidad, seguridad de datos y regulación de su uso.

Conclusiones: Si bien la IA presenta una oportunidad importante de transformación digital para mejorar la gestión de la salud en las personas y en las entidades prestadoras de la salud, su implementación responsable demanda marcos regulatorios claros y estrategias centradas en las personas (paciente y profesional de la salud). De este modo, se busca aprovechar sus beneficios, mitigando riesgos y promoviendo una atención médica confiable, equitativa y eficiente. Por lo tanto, esta revisión es importante para conocer diversas posturas, y continuar con la valoración de los impactos e investigación en temas específicos.

Marcos científicos de implementación para evaluar las intervenciones de atención primaria de salud en países de ingresos bajos y medios: una revisión exploratoria

2025-12-15T04:32:08+00:00

La Atención Primaria de Salud (APS) se entiende y se operacionaliza de múltiples maneras, y esta variabilidad complica la evaluación de la implementación en los países de ingresos bajos y medianos (PBMIs). Se realizó una revisión de alcance con el objetivo de mapear cómo las intervenciones orientadas a la APS en PBMIs han sido evaluadas utilizando el marco RE-AIM (Alcance, Efectividad, Adopción, Implementación y Mantenimiento) y otros enfoques de la ciencia de la implementación. Se incluyeron dieciocho artículos elegibles. Las intervenciones abarcaron la prevención, la detección temprana y el manejo de enfermedades crónicas transmisibles y no transmisibles, así como la salud materna, infantil y mental. La mayoría de los estudios reflejaron modelos selectivos de APS, y África aportó la mayor proporción de publicaciones. El marco RE-AIM fue aplicado explícitamente en siete estudios; los artículos restantes utilizaron otros marcos de ciencia de la implementación, con mayor frecuencia dentro de diseños de métodos mixtos. En general, los hallazgos fueron coherentes con los diseños de estudio declarados y siguieron, en términos generales, prácticas adecuadas de reporte. Esta revisión ofrece un mapa pragmático de cómo los marcos de la ciencia de la implementación están siendo utilizados para evaluar intervenciones de APS en contextos de PBMIs.