{"id":81248,"date":"2025-05-28T17:56:33","date_gmt":"2025-05-28T15:56:33","guid":{"rendered":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/?p=81248"},"modified":"2025-05-23T20:08:10","modified_gmt":"2025-05-23T18:08:10","slug":"inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales","status":"publish","type":"post","link":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/","title":{"rendered":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales"},"content":{"rendered":"

Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales<\/strong><\/p>\n

Autor principal:<\/strong> Oscar V\u00edquez Ram\u00edrez<\/p>\n

Vol. XX; n\u00ba 10; 536<\/p>\n

Artificial Intelligence in Medical Practice: Current Advances and Challenges<\/strong><\/p>\n

Fecha de recepci\u00f3n:<\/strong> 2 de mayo de 2025
\nFecha de aceptaci\u00f3n:<\/strong> 24 de mayo de 2025<\/p>\n

Incluido en Revista Electr\u00f3nica de PortalesMedicos.com, Volumen XX. N\u00famero 10 \u2013 Segunda quincena de Mayo de 2025 \u2013 P\u00e1gina inicial: Vol. XX; n\u00ba 10; 536<\/p>\n

Autores:<\/h2>\n

Oscar V\u00edquez Ramirez, Doctor en Medicina y Cirug\u00eda, investigador independiente, Universidad de Costa Rica<\/p>\n

Joseph Vidal Vargas Mar\u00edn, Doctor en Medicina y Cirug\u00eda, Msc en Trastornos psic\u00f3ticos, Bach. en psicolog\u00eda, docente universitario e investigador independiente, Universidad de Costa Rica<\/p>\n

Arturo Manc\u00eda Elizondo, Doctor en Medicina y Cirug\u00eda, investigador independiente, Universidad de Costa Rica<\/p>\n

Glen Mart\u00ednez Barboza, Doctor en Medicina y Cirug\u00eda, investigador independiente, Universidad de Costa Rica<\/p>\n

Sof\u00eda Villalobos Hern\u00e1ndez, Doctora en Medicina y Cirug\u00eda, investigadora independiente, Universidad de Costa Rica<\/p>\n

Mar\u00eda Esmeralda Morales Vargas, Doctora en Medicina y Cirug\u00eda, investigadora independiente, Universidad de Costa Rica<\/p>\n

Mar\u00eda Mej\u00edas N\u00fa\u00f1ez, Doctora en Medicina y Cirug\u00eda, investigadora independiente, Universidad de Costa Rica<\/p>\n

Resumen<\/h2>\n

La inteligencia artificial (IA) est\u00e1 transformando la pr\u00e1ctica de la medicina, con modelos destacados en funciones diagn\u00f3sticas como la radiolog\u00eda, la cardiolog\u00eda y la dermatolog\u00eda. Su capacidad para analizar grandes vol\u00famenes de datos y detectar patrones, ha permitido mejorar la precisi\u00f3n y especificidad en los diagn\u00f3sticos m\u00e9dicos. En radiolog\u00eda, los algoritmos de IA pueden identificar patrones patol\u00f3gicos con una precisi\u00f3n comparable a la de los radi\u00f3logos. En cardiolog\u00eda, la IA ha demostrado utilidad en la interpretaci\u00f3n de im\u00e1genes como el ecocardiograma y en la predicci\u00f3n de enfermedades, mientras que en la dermatolog\u00eda ha facilitado la identificaci\u00f3n de lesiones cut\u00e1neas y el diagn\u00f3stico de enfermedades como el melanoma.<\/p>\n

A pesar de sus beneficios, el uso de la IA en medicina enfrenta varios desaf\u00edos. Existen debates \u00e9ticos relacionados con la protecci\u00f3n de los datos de los pacientes, el reemplazo m\u00e9dico y la desigualdad en la atenci\u00f3n universal. Tambi\u00e9n, se reconoce la necesidad de la constante supervisi\u00f3n m\u00e9dica y \u00e9tica, ya que la IA debe considerarse una herramienta complementaria, no sustitutiva, del juicio cl\u00ednico humano. El equilibrio entre innovaci\u00f3n y cumplimiento \u00e9tico ser\u00e1 clave para garantizar un impacto positivo y seguro en la pr\u00e1ctica m\u00e9dica.<\/p>\n

Palabras clave<\/h2>\n

Inteligencia artificial, medicina, aprendizaje automatizado, aprendizaje profundo, \u00e9tica.<\/p>\n

Abstract<\/h2>\n

Artificial intelligence (AI) is transforming medical practice, with prominent models in diagnostic fields such as radiology, cardiology, and dermatology. Its ability to analyze large datasets and detect patterns has improved the accuracy and specificity of medical diagnoses. In radiology, AI algorithms can identify pathological patterns with precision comparable to that of radiologists. In cardiology, AI has proven useful for interpreting imaging studies like echocardiograms and predicting diseases, while in dermatology, it has aided in identifying skin lesions and diagnosing conditions such as melanoma.<\/p>\n

Despite its benefits, the use of AI in medicine faces several challenges. Ethical debates persist regarding patient data privacy, the potential replacement of physicians, and disparities in universal healthcare access. Additionally, the need for ongoing medical and ethical oversight is widely recognized, as AI should be considered a complementary tool, not a replacement for human clinical judgment. Striking a balance between innovation and ethical compliance will be crucial to ensuring a positive and safe impact on medical practice.<\/p>\n

Keywords<\/h2>\n

Artificial intelligence, medicine, machine learning, deep learning, ethics.<\/p>\n

1. Introducci\u00f3n<\/h2>\n

La inteligencia artificial est\u00e1 revolucionando muchas industrias de manera acelerada, el sector m\u00e9dico no es la excepci\u00f3n. La inteligencia artificial (IA) ha sido vista por muchos m\u00e9dicos como la nueva herramienta para optimizar la interpretaci\u00f3n r\u00e1pida de im\u00e1genes y diagn\u00f3sticos; pero adem\u00e1s, como un apoyo para mejorar los flujos de trabajo y reducir los errores m\u00e9dicos (1).<\/p>\n

En el pasado, modelos anteriores de IA pod\u00edan presentar resultados con un rendimiento infrahumano; sin embargo, con los nuevos modelos de aprendizaje autom\u00e1tico, cuyos algoritmos se inspiran en la red neuronal humana, logran realizar an\u00e1lisis de datos complejos. Se estima que estos nuevos modelos de IA, con algoritmos de aprendizaje profundo y autom\u00e1tico, puedan superar el rendimiento humano en tareas espec\u00edficas. Algunas de estas tareas en el \u00e1mbito de la salud contemplan el descubrimiento de nuevos f\u00e1rmacos, monitorizaci\u00f3n remota de pacientes, diagn\u00f3stico e interpretaci\u00f3n de im\u00e1genes m\u00e9dicas, gesti\u00f3n de riesgos y gesti\u00f3n hospitalaria (2).<\/p>\n

El prop\u00f3sito de esta revisi\u00f3n es analizar las aplicaciones actuales de la IA en el sector de la salud, los beneficios que ofrece y los principales desaf\u00edos que conlleva su implementaci\u00f3n. Se abordar\u00e1n disciplinas espec\u00edficas donde la IA ha demostrado un impacto importante en los \u00faltimos a\u00f1os como lo son las \u00e1reas m\u00e9dicas de radiolog\u00eda, cardiolog\u00eda, dermatolog\u00eda y oftalmolog\u00eda. Finalmente, se discutir\u00e1 los beneficios y los desaf\u00edos relacionados con la implementaci\u00f3n de la IA como herramienta de la pr\u00e1ctica m\u00e9dica.<\/p>\n

2. M\u00e9todo<\/h2>\n

Este estudio consiste en una revisi\u00f3n bibliogr\u00e1fica sistem\u00e1tica de art\u00edculos cient\u00edficos publicados a partir de 2020, sobre la aplicaci\u00f3n de la Inteligencia Artificial (IA) en la pr\u00e1ctica m\u00e9dica, con un enfoque en sus avances y limitaciones. La b\u00fasqueda se realiz\u00f3 en bases de datos acad\u00e9micas como PubMed, Nature, SciELO, Google Acad\u00e9mico y Elsevier; utilizando palabras clave en espa\u00f1ol e ingl\u00e9s: inteligencia artificial, artificial intelligence, medicina, medicine, \u00e9tica, ethics, deep learning, machine learning. Se aplicaron filtros de inclusi\u00f3n como la selecci\u00f3n \u00fanicamente de art\u00edculos en espa\u00f1ol e ingl\u00e9s y se utilizaron m\u00e9todos de exclusi\u00f3n como art\u00edculos que tuvieran patrocinio directo de empresas tecnol\u00f3gicas comerciales, con el fin de evitar sesgos de conflicto de inter\u00e9s. La selecci\u00f3n de estudios se bas\u00f3 en su relevancia tem\u00e1tica y aportaciones recientes del tema.<\/p>\n

3. Discusi\u00f3n<\/h2>\n

3.1 Definici\u00f3n y concepto general<\/h3>\n

La Inteligencia Artificial (IA), t\u00e9rmino adjudicado por McCarthy en 1956, se puede entender como aquella tecnolog\u00eda que emplea algoritmos avanzados sobre grandes bases de datos de informaci\u00f3n que permiten simular un razonamiento humano como reconocimiento de patrones, aprendizaje y resoluci\u00f3n de problemas. En el sector de la salud, existen grandes vol\u00famenes de datos m\u00e9dicos que gracias a nubes de almacenamiento ha logrado que esta tecnolog\u00eda pueda identificar patrones que permitan desarrollar modelos predictivos o de clasificaci\u00f3n, que son de herramienta para el personal de salud en sus tareas diagn\u00f3sticas, terap\u00e9uticas o administrativas; con esto se potencia la eficiencia y precisi\u00f3n de la atenci\u00f3n (1, 3).<\/p>\n

3.2 Modelos de inteligencia artificial aplicados a la medicina<\/h3>\n

El aprendizaje automatizado (ML por sus siglas en ingl\u00e9s: Machine Learning) se diferencia de la utilizada en la d\u00e9cada de los 80s y 90s que presentaban dependencia de la codificaci\u00f3n del conocimiento de expertos en el sistema; esto debido a que el ML, gracias a sus algoritmos, permite un enfoque de aprendizaje donde se producen se\u00f1ales \u00fatiles directamente de los datos. Estas se\u00f1ales \u00fatiles pueden entenderse como predicciones, clasificaciones, etc. Dentro del ML, existe la subdivisi\u00f3n de modelo de aprendizaje automatizado supervisado, no supervisado y por refuerzo.<\/p>\n

El aprendizaje supervisado se refiere al modelo donde se realizan predicciones basadas en patrones de grandes cantidades de datos de entrenamiento (4). En otras palabras, el ML supervisado tiene configurado indicadores (features) de los cuales pretende responder con valores denominados etiquetas (labels). Este tipo de modelo se utiliza para clasificaci\u00f3n, donde queremos minimizar el error para la producci\u00f3n de etiquetas sobre una base de datos (5). Por otra parte, el aprendizaje autom\u00e1tico no supervisado extrae patrones autom\u00e1ticamente sin datos de entrenamiento previamente, sin etiquetas que respondan a indicadores preestablecidos, esto permite que se puedan descubrir patrones nuevos de los datos sin tener que establecer reglas de decisi\u00f3n espec\u00edficas (4). Este tipo de modelo se utiliza m\u00e1s com\u00fanmente para reconocimiento de anomal\u00edas de la base de datos (5). En el aprendizaje por refuerzo, el algoritmo aprende de acuerdo a comandos de premio o castigo; en otras palabras se basa en el ensayo y error de forma seguida hasta que se llegue con la soluci\u00f3n (6, 7).<\/p>\n

El aprendizaje profundo (DL por sus siglas en ingl\u00e9s Deep Learning) es un modelo de inteligencia artificial donde no existe ninguna selecci\u00f3n de caracter\u00edsticas por parte del ser humano, sino que, se basa en funcionamiento del cerebro humano a trav\u00e9s del desarrollo de redes neuronales artificiales. Entendiendo por red neuronal a m\u00faltiples entradas digitales que al ser procesadas, por \u00abneuronas\u00bb o niveles, se logran detectar caracter\u00edsticas de los datos analizados, una vez realizada esta detecci\u00f3n, se avanza a la siguiente neurona o nivel hasta que finalmente se extraen los datos de salida ya analizados (6, 8).<\/p>\n

3.3 Aplicaciones en radiolog\u00eda<\/h3>\n

La IA ha transformado de forma muy significativa aspectos de la radiolog\u00eda actual como lo es el diagn\u00f3stico basado en modelos de aprendizaje autom\u00e1tico. Tambi\u00e9n ha impactado la optimizaci\u00f3n del flujo de trabajo ya que ha mejorado tareas como citas de pacientes, selecci\u00f3n de protocolos de im\u00e1gen, dosis de la radiaci\u00f3n, optimizaci\u00f3n de la reconstrucci\u00f3n de la imagen, detecci\u00f3n de alteraciones o lesiones, entre otras (7). Adem\u00e1s, para muchos radi\u00f3logos utilizar herramientas de IA les permite enfocarse creativamente en el ejercicio m\u00e9dico, sin tener que invertir todo su tiempo en procesos repetitivos que pueden ser realizados por modelos de automatizaci\u00f3n de procesos (9). Ejemplo de lo anterior es la optimizaci\u00f3n del flujo de trabajo al tener recolectado datos de anamnesis como creatinina, atopias, antecedentes, procedimientos previos y datos patrones, que son de relevancia para la escogencia del tipo de estudio y el protocolo del mismo; la IA analiza estos datos y ofrece la selecci\u00f3n del estudio radiol\u00f3gico id\u00f3neo, lo que en cuesti\u00f3n de segundos optimiza el trabajo del radi\u00f3logo (3).<\/p>\n

El empleo de modelos de IA tambi\u00e9n brinda seguridad al personal de radiolog\u00eda ya que se pueden implementar herramientas que monitorizan en tiempo real la posici\u00f3n del paciente y brinda indicaciones o correcciones de posici\u00f3n al paciente sin requerir que el personal m\u00e9dico ingrese a la sala y se exponga a niveles de radiaci\u00f3n (9)<\/p>\n

Las radiograf\u00edas constituyen una de las principales herramientas de im\u00e1genes utilizadas en el \u00e1mbito m\u00e9dico. El uso de la inteligencia artificial permite la evaluaci\u00f3n diagn\u00f3stica automatizada de ciertas condiciones de imagen como una cardiomegalia, con la utilizaci\u00f3n de una unidad de procesamiento gr\u00e1fico, con valores de confiabilidad elevados (9). Adem\u00e1s, gracias a la incorporaci\u00f3n de la IA, se han desarrollado nuevas \u00e1reas como la radi\u00f3mica, en la cual se utilizan algoritmos que correlacionan e integran datos radiol\u00f3gicos, patol\u00f3gicos y de gen\u00f3mica (10). Muchos avances en el an\u00e1lisis con tomograf\u00edas computarizadas (TC) se han desarrollado gracias al uso del modelo de IA de aprendizaje profundo (DL). Por ejemplo, para la evaluaci\u00f3n de la fibrosis hep\u00e1tica se utiliz\u00f3 en estudios m\u00faltiples TC en fase venosa portal, que a trav\u00e9s del DL alcanz\u00f3 una precisi\u00f3n para el diagn\u00f3stico de un \u00e1rea bajo la curva de 0,95-0,97 (9). La incorporaci\u00f3n del deep learning en el an\u00e1lisis de TC, permite tambi\u00e9n utilizar equipo de baja resoluci\u00f3n para obtener im\u00e1genes mejoradas, lo que lleva a exponer al paciente a la menor radiaci\u00f3n posible (3).<\/p>\n

Si bien, la IA no es utilizada para el diagn\u00f3stico de enfermedades de la m\u00e9dula espinal, s\u00ed ha sido de utilidad como herramienta para el neurorradi\u00f3logo para establecer el diagn\u00f3stico. Lo cual es particularmente \u00fatil para la clasificaci\u00f3n de tumores intramedulares y lesiones desmielinizantes; donde la especificidad llega a ser confiable, en ocasiones superando la detecci\u00f3n por neuroradi\u00f3logos experimentados (9). Adem\u00e1s, gracias al DL, se pueden utilizar modelos predictivos que permitan mejorar la calidad de imagen, reduciendo el tiempo del paciente en el resonador (3).<\/p>\n

3.4 Aplicaciones en cardiolog\u00eda<\/h3>\n

El desarrollo tecnol\u00f3gico en cardiolog\u00eda gracias a la IA, no solo se encuentra a nivel de equipo m\u00e9dico hospitalario, sino tambi\u00e9n en prendas y dispositivos que pueden utilizar los pacientes en su rutina diaria. Se han desarrollado monitores inal\u00e1mbricos port\u00e1tiles que permiten detectar y analizar datos cardiomec\u00e1nicos que permiten emplearse en funciones espec\u00edficas como la clasificaci\u00f3n de estenosis a\u00f3rtica (10). El desarrollo de prendas y dispositivos inteligentes, a trav\u00e9s de modelos de predicci\u00f3n, permiten realizar detecci\u00f3n de alteraci\u00f3n del ritmo cardiaco como una fibrilaci\u00f3n arterial u otras arritmias (11, 12).<\/p>\n

En cuanto al an\u00e1lisis de im\u00e1genes m\u00e9dicas, el aprendizaje profundo (DL) permite la identificaci\u00f3n, segmentaci\u00f3n de estructuras anat\u00f3micas, identificaci\u00f3n de lesiones y procesos de clasificaci\u00f3n (10,13). En el caso de la ecocardiograf\u00eda, esta tiene un componente dependiente del operador, por lo que, pueden existir variaciones de los reportes de ecocardiogr\u00e1ficas en distintos centros para un mismo paciente. La IA permite mejorar la capacidad diagn\u00f3stica, ya que detecta los vol\u00famenes de las c\u00e1maras del coraz\u00f3n, anomal\u00edas de movilidad de c\u00e1maras, anomal\u00edas de las v\u00e1lvulas, entre otros (13).<\/p>\n

3.5 Aplicaciones en dermatolog\u00eda<\/h3>\n

En el campo de la dermatolog\u00eda la inteligencia artificial ha mejorado la eficiencia y la exactitud del diagn\u00f3stico que contemplan examen general con dermatoscopio y an\u00e1lisis de biopsia. Se han realizado estudios que determinan que el diagn\u00f3stico de la IA tiende a ser m\u00e1s preciso que el diagn\u00f3stico realizado por los mismos dermat\u00f3logos (10). Un gran enfoque en la dermatolog\u00eda es la detecci\u00f3n del c\u00e1ncer de piel; es por esto que se han desarrollado algoritmos que permiten procesar im\u00e1genes para detecci\u00f3n de melanoma, esto a trav\u00e9s de la detecci\u00f3n de la metodolog\u00eda del ABCDE para tamizaje por melanoma. Estas caracter\u00edsticas incluyen valoraciones de la forma de los bordes, coloraci\u00f3n, di\u00e1metro, entre otros. Gracias a la IA se ha logrado establecer aplicaciones que permitan resaltar y evidenciar con mayor detalle alteraciones que a simple vista no se perciben (14). Sin embargo, utilizando mecanismos similares en los algoritmos para procesamiento de im\u00e1genes, tambi\u00e9n ser\u00eda una gran herramienta para diagn\u00f3stico de otras enfermedades de la piel como la queratosis seborreica y psoriasis (10,14).<\/p>\n

La IA puede brindar mayor accesibilidad a la poblaci\u00f3n y reducir listas de espera gracias a la teledermatolog\u00eda. Cada vez aumenta la demanda de la poblaci\u00f3n en la b\u00fasqueda de la atenci\u00f3n, con la ayuda de dispositivos inteligentes como tel\u00e9fonos celulares, es posible obtener fotograf\u00edas de las lesiones cut\u00e1neas. Sin embargo, la precisi\u00f3n del diagn\u00f3stico en estudios comparativos demuestran que el diagn\u00f3stico presencial supera a la teledermatolog\u00eda. Se estima que la precisi\u00f3n del empleo del DL en el diagn\u00f3stico con teledermatolog\u00eda fue de un 67%, la cual super\u00f3 la precisi\u00f3n realizada por m\u00e9dicos de atenci\u00f3n primaria con un 45%, para un estudio con 26 enfermedades de la piel (15).<\/p>\n

3.6 Aplicaciones en oftalmolog\u00eda<\/h3>\n

En la oftalmolog\u00eda diversos modelos de IA se han empezado a implementar para el diagn\u00f3stico de enfermedades como el glaucoma, la retinopat\u00eda diab\u00e9tica, degeneraci\u00f3n macular, queratocono y cataratas (16). Se puede emplear gran cantidad de im\u00e1genes como la fotograf\u00eda de fondo de ojo en color, tomograf\u00eda \u00f3ptica y pruebas de campo visual computarizado, que permiten crear bases de datos para el desarrollo de algoritmos (17).<\/p>\n

Este tipo de modelos ya han contado con la aprobaci\u00f3n en pa\u00edses como Estados Unidos (EEUU), con la aprobaci\u00f3n de la Administraci\u00f3n de Alimentos y Medicamentos de los Estados Unidos (FDA) para el diagn\u00f3stico precoz de la retinopat\u00eda diab\u00e9tica, donde permiten el empleo del modelo de algoritmos de IA denominado IDx-DR para este diagn\u00f3stico (16). Este tipo de modelo present\u00f3 una sensibilidad y especificidad del 87,4% y el 89,5% respectivamente (17).<\/p>\n

Mediante fotograf\u00edas de fondos de ojo y modelos de aprendizaje autom\u00e1tico, se han desarrollado herramientas de diagn\u00f3stico temprano para la degeneraci\u00f3n macular, que se estima que vaya en aumento debido a la creciente esperanza de vida de las personas. Diversos estudios han determinado una precisi\u00f3n entre el 84,2%-91,6% para detecci\u00f3n de la enfermedad, pero una precisi\u00f3n del 94,3% para identificar sujetos sanos (17).<\/p>\n

El glaucoma como causa de p\u00e9rdida de la visi\u00f3n mantiene una importancia significativa, que refuerza la necesidad de un diagn\u00f3stico temprano. Modelos de DL han desarrollado algoritmos de detecci\u00f3n con sensibilidad de 96,4 % y especificidad de 87,2%, tomando como base de datos una gran cantidad de fotograf\u00edas de fondos de ojo (17).<\/p>\n

3.7 Beneficios de la IA en la pr\u00e1ctica m\u00e9dica<\/h3>\n

La IA ofrece una gran cantidad de oportunidades de desarrollo y beneficios en la pr\u00e1ctica m\u00e9dica que han permitido una mejora en la atenci\u00f3n para el paciente y herramientas que facilitan el trabajo para el m\u00e9dico. El tiempo neto estimado del cual el m\u00e9dico tiene contacto con el paciente es un 12%, el otro 88% se relaciona con la atenci\u00f3n de demandas administrativas. La IA como herramienta de trabajo, permite abarcar estas tareas repetitivas como realizar notas m\u00e9dicas, solicitar y revisar estudios de imagen o laboratorios y prescripci\u00f3n de medicamentos. De esta manera le permite al m\u00e9dico enfocarse en mayor medida a la atenci\u00f3n del paciente, mejorando de esta manera la relaci\u00f3n m\u00e9dico-paciente, as\u00ed como permitirle enfocarse en tareas m\u00e1s complejas (10).<\/p>\n

Prevenir enfermedades es un objetivo fundamental en la pr\u00e1ctica m\u00e9dica. Modelos de aprendizaje autom\u00e1ticos pueden analizar las bases de datos con la informaci\u00f3n registrada de los pacientes y brindar, gracias a algoritmos estad\u00edsticos, el riesgo que presenta un paciente para determinada enfermedad (18). Lo anterior, conlleva a una intervenci\u00f3n temprana y por ende, se podr\u00eda reducir costos m\u00e9dicos por atenci\u00f3n de urgencias m\u00e9dicas e internamientos.<\/p>\n

La educaci\u00f3n m\u00e9dica puede incorporar la IA para el desarrollo de un aprendizaje personalizado y eficaz en la medicina. Permite determinar las fortalezas y oportunidades de mejora de cada estudiante y ofrecer estilos de aprendizaje que se ajusten a cada uno; lo anterior incluye personalizar el material de estudio enfocado a lo que el estudiante necesita reforzar y a un nivel de comprensi\u00f3n adecuado. Se pueden utilizar herramientas como simulaciones cl\u00ednicas con un alto componente realista que le permitan al estudiante adquirir las destrezas en un ambiente seguro (19).<\/p>\n

La tercera causa de muerte en el mundo en los EEUU est\u00e1 representada por errores m\u00e9dicos de alguna manera directa o indirectamente; por tanto, el empleo de la IA como herramienta para diagn\u00f3stico y manejo de pacientes, permite proporcionar mayor seguridad del paciente al contar con un sistema de algoritmos para la detecci\u00f3n de errores, una sistema de clasificaci\u00f3n de pacientes, as\u00ed como de un manejo adecuado de medicamentos (10).<\/p>\n

3.8 Limitaciones y desaf\u00edos de la IA en la pr\u00e1ctica m\u00e9dica<\/h3>\n

Existe el desaf\u00edo de llevar a cabo una transformaci\u00f3n de \u00e1reas m\u00e9dicas, donde el avance tecnol\u00f3gico lleva a que tareas repetitivas pasen a ser tareas automatizadas por la IA, llevando al riesgo de reemplazar al m\u00e9dico para dichas funciones. Especialidades con un gran componente repetitivo son oftalmolog\u00eda, radiolog\u00eda y dermatolog\u00eda; por lo que el desaf\u00edo en dichas \u00e1reas ser\u00e1 el desarrollo de tareas creativas (10) y pr\u00e1cticas que atiendan las necesidades del paciente, ofreciendo oportunidad de mejora en la atenci\u00f3n especializada, en la cual la IA no pueda desempe\u00f1arse.<\/p>\n

El debate \u00e9tico principal que se desarrolla al contemplar las herramientas de IA en la atenci\u00f3n a pacientes, se centra en el principio de privacidad de datos. El desaf\u00edo es garantizar la privacidad de los datos de pacientes utilizados en el an\u00e1lisis para los algoritmos tecnol\u00f3gicos de distintas plataformas (19).<\/p>\n

Otra limitaci\u00f3n a considerar del desarrollo de la IA en el \u00e1mbito de la medicina es la desigualdad que pueda existir para la atenci\u00f3n, donde el acceso a estas tecnolog\u00edas sea condicionada por aspectos socioecon\u00f3micos (20), lo que lleva al desaf\u00edo de procurar la universalizaci\u00f3n de la salud, pese a los avances tecnol\u00f3gicos que surjan. As\u00ed mismo, es importante mantener una supervisi\u00f3n \u00e9tica constante donde se eval\u00fae como objetivo principal el bienestar del paciente, manteniendo la IA como una herramienta que mejore la atenci\u00f3n m\u00e9dica y no como una sustituci\u00f3n del juicio cl\u00ednico (20).<\/p>\n

4. Conclusiones<\/h2>\n

La IA ha surgido como una herramienta con alto potencial para la medicina, especialmente en \u00e1reas diagn\u00f3sticas como la radiolog\u00eda, la cardiolog\u00eda y la dermatolog\u00eda. Su capacidad para analizar grandes vol\u00famenes de datos y detectar patrones en ellos, ha permitido mejorar la precisi\u00f3n diagn\u00f3stica y optimizar el manejo cl\u00ednico. Estos modelos han demostrado que la IA puede complementar eficazmente la pr\u00e1ctica m\u00e9dica.<\/p>\n

Sin embargo, a pesar de sus m\u00faltiples beneficios, el uso de la IA en medicina tambi\u00e9n conlleva desaf\u00edos importantes. Aspectos como la protecci\u00f3n de los datos de los pacientes, la desigualdad de acceso a estas herramientas, la necesidad de una supervisi\u00f3n \u00e9tica constante son aspectos clave a considerar. Por ello, es fundamental continuar evaluando estas tecnolog\u00edas, garantizando que su utilizaci\u00f3n se enfoque en mejorar la atenci\u00f3n al paciente, que sea una herramienta y no una sustituci\u00f3n del juicio cl\u00ednico m\u00e9dico; adem\u00e1s de que el uso de la misma tenga respaldo de seguridad en la protecci\u00f3n de datos sensibles de cada paciente y siempre buscar la innovaci\u00f3n creativa de la atenci\u00f3n especializada en cada \u00e1mbito de la pr\u00e1ctica m\u00e9dica.<\/p>\n

Referencias bibliogr\u00e1ficas<\/h2>\n

1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038\/s41591-018-0300-7.<\/p>\n

2. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-510.<\/p>\n

3. Aguirre F, Carballo L, Gonzalez X, Gigirey V. Inteligencia artificial aplicada a la imagen m\u00e9dica. Revista de Diagn\u00f3stico por Im\u00e1genes. 2021;5(1):25-30.<\/p>\n

4. Chu A, Mathews LR, Yu KH. Artificial intelligence in health care: past and present. Artificial Intelligence, Machine Learning, and Deep Learning in Precision Medicine in Liver Diseases: Concept, Technology, Application and Perspectives. 2023 Jan 1;3\u201317.<\/p>\n

5. Esquerda M, Pifarr\u00e9-Esquerda F. Inteligencia artificial en medicina: aspectos \u00e9ticos, deontol\u00f3gicos y el impacto en la relaci\u00f3n m\u00e9dico-paciente. Med Clin (Barc). 2024;163(3):e44-e48. doi:10.1016\/j.medcli.2024.03.003<\/p>\n

6. Jim\u00e9nez et al. La era de la inteligencia artificial radiol\u00f3gica. Scientific & Education Medical Journal. 2022;5(2):85-100.<\/p>\n

7. P\u00e9rez del Barrio A, Men\u00e9ndez Fern\u00e1ndez-Miranda P, Sanz Bell\u00f3n P, Lloret Iglesias L, Rodr\u00edguez Gonz\u00e1lez D. Inteligencia artificial en Radiolog\u00eda: introducci\u00f3n a los conceptos m\u00e1s importantes. Radiolog\u00eda. 2022 May 1;64(3):228\u201336.<\/p>\n

8. Cheng PM, Montagnon E, Yamashita R, Pan I, Cadrin-Ch\u00eanevert A, Perdig\u00f3n Romero F, et al. Deep Learning: An Update for Radiologists. RadiographicS. 2021; 41(5):1427-45.<\/p>\n

9. Impacto de la Inteligencia Artificial en la Radiolog\u00eda. SciELO Cuba. 2023;17(1):13-20.<\/p>\n

10. Lanzagorta-Ortega Dioselina, Carrillo-P\u00e9rez Diego L., Carrillo-Esper Ra\u00fal. Inteligencia artificial en medicina: presente y futuro. Gac. M\u00e9d. M\u00e9x. 2022; 158(Suppl 1): 17-21.<\/p>\n

11. Garzona-Navas Andr\u00e9s. Inteligencia Artificial en Cardiolog\u00eda. Rev. costarric. cardiol. 2022 Dec;24(2): 3-5.<\/p>\n

12. Lopez-Jimenez F, Attia Z, Arruda-Olson AM, Carter R, Chareonthaitawee P, Jouni H, et al. Artificial Intelligence in Cardiology: Present and Future. Mayo Clinic proceedings. 2020 May 1; 95(5):1015\u201339.<\/p>\n

13. Gupta MD, Kunal S, Girish MP, Gupta A, Yadav R. Artificial intelligence in cardiology: The past, present and future. Indian Heart Journal [Internet]. 2022 Jul 1; 74(4):265.<\/p>\n

14. M\u00e1rquez D\u00edaz JE, M\u00e1rquez D\u00edaz JE. Visi\u00f3n artificial profunda aplicada a la identificaci\u00f3n temprana de c\u00e1ncer no melanoma y queratosis act\u00ednica. Computaci\u00f3n y Sistemas [Internet]. 2020; 24(2):751\u201366.<\/p>\n

15. Young AT, Xiong M, Pfau J, Keiser MJ, Wei ML. Artificial intelligence in dermatology: a primer. J Invest Dermatol. 2020;140:1504-12.<\/p>\n

16. Hern\u00e1ndez L\u00f3pez Iv\u00e1n. La inteligencia artificial y su impacto en la atenci\u00f3n oftalmol\u00f3gica. Rev Cubana Oftalmol. 2024 JUL; 37.<\/p>\n

17. Keskinbora K, G\u00fcven F. Artificial intelligence and ophthalmology. Turk J Ophthalmol. 2020;50:37-43.<\/p>\n

18. Galarza Medina KX, Maldonado Coronel K, Herrera Guanopatin MS. Beneficios y Riesgos de la Implementaci\u00f3n de Inteligencia Artificial en los Procesos de Diagn\u00f3stico M\u00e9dico en el Ecuador. Ciencia Latina Revista Cient\u00edfica Multidisciplinar. 2024 Jan 22;7(6):7276\u201399.<\/p>\n

19. Gual Arcadi. La inteligencia artificial y la educaci\u00f3n m\u00e9dica (II): el bienestar del paciente. FEM (Ed. impresa). 2024; 27(5): 171-178.<\/p>\n

20. Albisua J, Pacheco P. Ethical Considerations About Artificial Inteligence (AI) Use in Medical Practice. Open Respiratory Archives. 2025 Jan 1;7(1).<\/p>\n

Declaraci\u00f3n de buenas pr\u00e1cticas:<\/strong>
\nLos autores de este manuscrito declaran que:
\nTodos ellos han participado en su elaboraci\u00f3n y no tienen conflictos de intereses.
\nLa investigaci\u00f3n se ha realizado siguiendo las Pautas \u00e9ticas internacionales para la investigaci\u00f3n relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias M\u00e9dicas (CIOMS) en colaboraci\u00f3n con la Organizaci\u00f3n Mundial de la Salud (OMS).
\nEl manuscrito es original y no contiene plagio.
\nEl manuscrito no ha sido publicado en ning\u00fan medio y no est\u00e1 en proceso de revisi\u00f3n en otra revista.
\nHan obtenido los permisos necesarios para las im\u00e1genes y gr\u00e1ficos utilizados.
\nHan preservado las identidades de los pacientes.<\/p>\n","protected":false},"excerpt":{"rendered":"

Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales Autor principal: Oscar V\u00edquez Ram\u00edrez Vol. XX; n\u00ba 10; 536<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[43,71,114,172,195],"tags":[],"class_list":["post-81248","post","type-post","status-publish","format-standard","hentry","category-cardiologia","category-dermatologia-venereologia","category-informatica-medica","category-oftalmologia","category-radiodiagnostico-radioterapia","no-featured-image-padding"],"acf":[],"yoast_head":"\nInteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales<\/title>\n<meta name=\"description\" content=\"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales Autor principal: Oscar V\u00edquez Ram\u00edrez Vol. XX; n\u00ba 10; 536 Artificial Intelligence\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Redacci\u00f3n Revista\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"19 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"ScholarlyArticle\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/\"},\"author\":{\"name\":\"Redacci\u00f3n Revista\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e\"},\"headline\":\"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales\",\"datePublished\":\"2025-05-28T15:56:33+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/\"},\"wordCount\":4323,\"publisher\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization\"},\"articleSection\":[\"Cardiolog\u00eda\",\"Dermatolog\u00eda y Venereolog\u00eda\",\"Inform\u00e1tica M\u00e9dica\",\"Oftalmolog\u00eda\",\"Radiodiagn\u00f3stico y Radioterapia\"],\"inLanguage\":\"es\"},{\"@type\":[\"WebPage\",\"ItemPage\"],\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/\",\"name\":\"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales\",\"isPartOf\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website\"},\"datePublished\":\"2025-05-28T15:56:33+00:00\",\"description\":\"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales Autor principal: Oscar V\u00edquez Ram\u00edrez Vol. XX; n\u00ba 10; 536 Artificial Intelligence\",\"breadcrumb\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Inicio\",\"item\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cardiolog\u00eda\",\"item\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/publicaciones\/cardiologia\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/\",\"name\":\"Revista Electr\u00f3nica de PortalesMedicos.com\",\"description\":\"ISSN 1886-8924 - Publicaci\u00f3n de art\u00edculos, casos cl\u00ednicos, etc. de Medicina, Enfermer\u00eda y Ciencias de la Salud\",\"publisher\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization\"},\"alternateName\":\"Revista de PortalesMedicos\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization\",\"name\":\"Revista Electr\u00f3nica de Portales Medicos.com\",\"alternateName\":\"Revista de PortalesMedicos\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg\",\"contentUrl\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg\",\"width\":199,\"height\":65,\"caption\":\"Revista Electr\u00f3nica de Portales Medicos.com\"},\"image\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e\",\"name\":\"Redacci\u00f3n Revista\",\"sameAs\":[\"https:\/\/x.com\/portalesmedicos\"],\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/author\/pmedadmin\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales","description":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales Autor principal: Oscar V\u00edquez Ram\u00edrez Vol. XX; n\u00ba 10; 536 Artificial Intelligence","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/","twitter_misc":{"Escrito por":"Redacci\u00f3n Revista","Tiempo de lectura":"19 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"ScholarlyArticle","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/#article","isPartOf":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/"},"author":{"name":"Redacci\u00f3n Revista","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e"},"headline":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales","datePublished":"2025-05-28T15:56:33+00:00","mainEntityOfPage":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/"},"wordCount":4323,"publisher":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization"},"articleSection":["Cardiolog\u00eda","Dermatolog\u00eda y Venereolog\u00eda","Inform\u00e1tica M\u00e9dica","Oftalmolog\u00eda","Radiodiagn\u00f3stico y Radioterapia"],"inLanguage":"es"},{"@type":["WebPage","ItemPage"],"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/","name":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales","isPartOf":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website"},"datePublished":"2025-05-28T15:56:33+00:00","description":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales Autor principal: Oscar V\u00edquez Ram\u00edrez Vol. XX; n\u00ba 10; 536 Artificial Intelligence","breadcrumb":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/inteligencia-artificial-en-la-practica-medica-avances-y-retos-actuales\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Inicio","item":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/"},{"@type":"ListItem","position":2,"name":"Cardiolog\u00eda","item":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/publicaciones\/cardiologia\/"},{"@type":"ListItem","position":3,"name":"Inteligencia Artificial en la Pr\u00e1ctica M\u00e9dica: Avances y Retos Actuales"}]},{"@type":"WebSite","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/","name":"Revista Electr\u00f3nica de PortalesMedicos.com","description":"ISSN 1886-8924 - Publicaci\u00f3n de art\u00edculos, casos cl\u00ednicos, etc. de Medicina, Enfermer\u00eda y Ciencias de la Salud","publisher":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization"},"alternateName":"Revista de PortalesMedicos","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization","name":"Revista Electr\u00f3nica de Portales Medicos.com","alternateName":"Revista de PortalesMedicos","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg","contentUrl":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg","width":199,"height":65,"caption":"Revista Electr\u00f3nica de Portales Medicos.com"},"image":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e","name":"Redacci\u00f3n Revista","sameAs":["https:\/\/x.com\/portalesmedicos"],"url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/author\/pmedadmin\/"}]}},"views":2006,"_links":{"self":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts\/81248","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/comments?post=81248"}],"version-history":[{"count":1,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts\/81248\/revisions"}],"predecessor-version":[{"id":81251,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts\/81248\/revisions\/81251"}],"wp:attachment":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/media?parent=81248"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/categories?post=81248"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/tags?post=81248"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}