Descripción sugerida: Este documento analiza el impacto presente y potencial de las nuevas, Apuntes de Medicina

¡Descarga Descripción sugerida: Este documento analiza el impacto presente y potencial de las nuevas y más Apuntes en PDF de Medicina solo en Docsity!

EVALUACIÓN DE

IMPACTO Y FUTURO

DE LA TECNOLOGÍA

BIOMÉDICA

HUAMANÍ OBREGÓN CLARA CARMEN

LEÓN SINCHE LUIS ANTONIO

PRADO QUISPE AYMÉ TERESA

SAAVEDRA AYBAR CAMILA

TORRES LÁZARO SONILÍ JAMILE

MD7N5-PRÁC 30

1.-Indica 03 tecnologías biomédicas que esperas se1.-Indica 03 tecnologías biomédicas que esperas se

apliquen en el sistema de salud de Perú, en losapliquen en el sistema de salud de Perú, en los

próximos 05 añospróximos 05 años

Aplicación esperada: Fabricación rápida y económica de prótesis

personalizadas o réplicas anatómicas para cirugía.

Ventaja para Perú: Reduce costos y tiempos de espera, especialmente

útil en rehabilitación y hospitales regionales.

Impresión 3D de prótesis y modelos anatómicos

Nanotecnología aplicada al tratamiento del cáncer

Dispositivos portátiles de monitoreo continuo (wearables)

Aplicación esperada: Monitoreo en tiempo real de signos vitales en

pacientes con enfermedades crónicas (diabetes, hipertensión).

Ventaja para Perú: Disminuye hospitalizaciones y permite intervenciones

tempranas, incluso en pacientes sin acceso diario a un centro de salud.

Ejemplo: Sensores de glucosa que se sincronizan con apps móviles para

alertar al usuario o al personal médico.

Aplicación esperada: Liberación dirigida de fármacos en células

tumorales, reduciendo efectos secundarios.

Ventaja para Perú: Mejora la efectividad del tratamiento

oncológico, especialmente en centros especializados como el INEN.

Ejemplo: Nanopartículas que transportan quimioterapia solo a

tejidos cancerosos.

Mejora del Diagnóstico

El ML puede analizar imágenes médicas (radiografías, resonancias magnéticas) para buscar patrones que indiquen una enfermedad específica. Esto puede ayudar a los médicos a realizar diagnósticos más rápidos y precisos, lo que se traduce en mejores resultados para los pacientes. Ejemplo del artículo: Algoritmos de ML para analizar imágenes médicas y detectar patrones que indiquen enfermedades.

3.-Menciona 03 beneficios y 03 limitaciones de la aplicación del machine

learning en la atención hospitalaria

Desarrollo de Nuevos Tratamientos / Descubrimiento de Fármacos / Ensayos Clínicos

El ML puede identificar información relevante en los datos que podría conducir al descubrimiento de fármacos y nuevos tratamientos para enfermedades. El ML puede analizar datos e investigaciones médicas de ensayos clínicos y detectar efectos secundarios previamente desconocidos de los fármacos. Ejemplo del artículo: Uso del ML para analizar datos de ensayos clínicos y detectar efectos secundarios de fármacos.

Reducción de Costos

El ML puede mejorar la eficiencia de la atención médica, lo que podría generar ahorros. El ML puede desarrollar mejores algoritmos para la gestión de historiales clínicos o la programación de citas. Esto puede ayudar a reducir el tiempo y los recursos que se desperdician en tareas repetitivas en el sistema sanitario.

BENEFICIOS

Barth S. Aprendizaje automático en la atención médica: Guía de aplicaciones y beneficios [Internet]. ForeSee Medical. 2025 [citado el 30 de junio de 2025]. Disponible en: https://www.foreseemed.com/blog/machine-learning-in-healthcare Scielo.cl. [citado el 30 de junio de 2025]. Disponible en: https://www.scielo.cl/scielo.php?pid=S0034-98872021000200248&script=sci_arttext

Calidad y disponibilidad de los datos clínicos

Los modelos de ML requieren grandes cantidades de datos precisos y bien estructurados para entrenarse. Sin embargo, en muchos hospitales, los datos pueden estar incompletos, desorganizados, en formatos diferentes (como papel o sistemas antiguos), o contener errores humanos. Esto puede generar modelos poco confiables o sesgados, afectando directamente la seguridad del paciente.

3.-Menciona 03 beneficios y 03 limitaciones de la aplicación del machine

learning en la atención hospitalaria

Falta de explicabilidad y confianza clínica

Muchos algoritmos de ML (especialmente los de deep learning) son como una “caja negra”: ofrecen resultados sin explicar cómo llegaron a ellos. Esta falta de transparencia limita su aceptación por parte del personal médico, que necesita justificar sus decisiones ante los pacientes y en contextos legales. La confianza clínica se ve afectada si el modelo no puede ser interpretado de forma comprensible.

Problemas éticos y de privacidad

El uso de datos de pacientes requiere cumplir con normas estrictas de confidencialidad (como la Ley General de Protección de Datos en muchos países). Existen riesgos de filtración de información, uso indebido de los datos, o sesgos que podrían discriminar a ciertos grupos (por ejemplo, por raza o edad). Además, si un modelo automatiza decisiones sin supervisión, se pueden vulnerar derechos de los pacientes.

LIMITACIONES

Barth S. Aprendizaje automático en la atención médica: Guía de aplicaciones y beneficios [Internet]. ForeSee Medical. 2025 [citado el 30 de junio de 2025]. Disponible en: https://www.foreseemed.com/blog/machine-learning-in- healthcare