Página | 301
Revista Científica Zambos
ISSN: 3028-8843
Vol. 5 - Núm. 2 / Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Optimización de los procesos diagnósticos por imagen
mediante la integración de algoritmos de inteligencia
artificial
Optimizing diagnostic imaging processes through the integration of
artificial intelligence algorithms
Moreira-Rodríguez, Jorge Roberto
1
Panchi-Rocha, Dayana Mishell
2
https://orcid.org/0009-0006-9620-4148
https://orcid.org/0009-0000-3748-7172
robertomoreirar@gmail.com
dayanamishell807@gmail.com
Ecuador, Guayaquil, Universidad de Guayaquil.
Ecuador, Latacunga, Investigador Independiente.
Zambrano-Cabrera, Dayan Leiner
3
Hidalgo-Zambrano, Ángel Fabián
4
https://orcid.org/0000-0002-6553-253X
https://orcid.org/0009-0004-7895-5373
d.ayanzambrano@hotmail.com
Fabian.hidalgo.m06@gmail.com
Ecuador, Machala, Hospital General IESS Machala.
Ecuador, Manta, Universidad Laica Eloy Alfaro de
Manabí.
Zambrano-Zambrano, Johan
5
https://orcid.org/0009-0005-6890-9784
johandaroniz@gmail.com
Ecuador, Manta, Universidad Laica Eloy Alfaro de
Manabí.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.69484/rcz/v5/n2/192
Resumen: La sobrecarga de datos en imagenología supera
la capacidad de procesamiento de los especialistas, elevando
el riesgo de errores diagnósticos por fatiga cognitiva. Evaluar
la efectividad y precisión de las herramientas de inteligencia
artificial (IA) frente al diagnóstico clínico convencional.
Metodología: Revisión sistemática integrativa bajo el
protocolo PRISMA de investigaciones (2020-2025) en
repositorios científicos como PubMed, SciELO, LILACS y la
Revista Científica Zambos. Los modelos de Deep Learning
demostraron una precisión diagnóstica superior al 90% de
AUROC, reduciendo significativamente los tiempos de lectura
y la carga operativa hasta en un 70%. Aunque la precisión
algorítmica supera a los clínicos en tareas específicas,
persisten sesgos de representatividad en los datos y
limitaciones severas en la interpretabilidad del modelo ("caja
negra"), exigiendo validaciones clínicas externas. Conclusión:
La IA no sustituye al médico; se consolida como un soporte
indispensable de "hetero-inteligencia" cooperativa que
incrementa drásticamente la seguridad del paciente y
consolida la medicina de precisión.
Palabras clave: diagnóstico por imagen; inteligencia artificial;
aprendizaje profundo; precisión diagnóstica; radiología.
Research Article
Recibido: 06/Abr/2026
Aceptado: 05/May/2026
Publicado: 31/May/2026
Cita: Moreira-Rodríguez, J. R., Panchi-Rocha, D. M.,
Zambrano-Cabrera, D. L., Hidalgo-Zambrano, Ángel
F., & Zambrano-Zambrano, J. (2026). Optimización de
los procesos diagnósticos por imagen mediante la
integración de algoritmos de inteligencia
artificial. Revista Científica Zambos, 5(2), 301-
310. https://doi.org/10.69484/rcz/v5/n2/192
Ecuador, Santo Domingo, La Concordia
Universidad Técnica Luis Vargas Torres de
Esmeraldas – Sede Santo Domingo
Revista Científica Zambos (RCZ)
https://revistaczambos.utelvtsd.edu.ec
Este artículo es un documento de acceso abierto
distribuido bajo los términos y condiciones de la
Licencia Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Página | 302
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Abstract:
The data overload in medical imaging exceeds specialists’ processing capacity,
increasing the risk of diagnostic errors due to cognitive fatigue. To evaluate the
effectiveness and accuracy of artificial intelligence (AI) tools compared to conventional
clinical diagnosis. Methodology: Integrative systematic review following the PRISMA
research protocol (2020–2025) in scientific repositories such as PubMed, SciELO,
LILACS, and the Zambos Scientific Journal. Deep learning models demonstrated
diagnostic accuracy exceeding 90% AUROC, significantly reducing reading times and
operational workload by up to 70%. Although algorithmic accuracy surpasses that of
clinicians in specific tasks, representational biases in the data and severe limitations
in model interpretability (“black box”) persist, requiring external clinical validation.
Conclusion: AI does not replace the physician; it establishes itself as an indispensable
support for cooperative “hetero-intelligence” that drastically increases patient safety
and strengthens precision medicine.
Keywords: medical imaging; artificial intelligence; deep learning; diagnostic accuracy;
radiology.
1. Introducción
En la práctica clínica contemporánea, el volumen de datos generado por las
modalidades de imagenología médica incluyendo la tomografía computarizada (TC),
la resonancia magnética (RM) y la radiografía digital— ha superado la capacidad de
procesamiento manual de los especialistas. Como investigadores médicos,
observamos con preocupación cómo la sobrecarga de trabajo y la fatiga cognitiva se
convierten en factores determinantes que aumentan la probabilidad de errores
diagnósticos.
En este contexto, la inteligencia artificial (IA) surge no sólo como un complemento
tecnológico, sino como una necesidad estructural para garantizar la seguridad del
paciente y la eficiencia de los sistemas de salud. La transición hacia un modelo
asistido por algoritmos marca una diferencia fundamental entre los estudios previos,
limitados por la subjetividad visual, y los actuales, fundamentados en la extracción de
biomarcadores digitales imperceptibles al ojo humano.
El estado actual del campo revela que la IA se define como un sistema capaz de
ejecutar tareas además de derivar conocimientos a partir de algoritmos y la captación
de datos brutos, esto incluye el análisis de pixeles de imágenes digitales. Esta
capacidad de procesamiento masivo es lo que permite que los sistemas actuales
superen las limitaciones de la radiología convencional.
De hecho, Marti-Bonmatí (2024) nos indica que la inteligencia artificial (IA) es ya una
realidad en la práctica médica habitual, y su integración es particularmente crítica en
Página | 303
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
entornos de alta demanda como las Unidades de Cuidados Intensivos (UCI), donde la
rapidez en la toma de decisiones es vital. Diversas investigaciones publicadas en la
Revista Científica Zambos como la de Borja-Aguilar et al. (2025) nos indican que la
implementación de inteligencia artificial en las unidades de cuidados intensivos (UCI)
marcan, uno de los mayores y más radicales avances en la medicina actual.
La importancia de realizar un análisis profundo sobre esta materia radica en la
necesidad de comprender cómo las arquitecturas neuronales están redefiniendo la
visualización anatómica y el pronóstico clínico. Mientras que los métodos tradicionales
dependen de la experiencia acumulada del facultativo, los modelos actuales poseen
según Aslan et al. (2023) una habilidad para detectar cambios minúsculos en grandes
bases de datos con una alta eficiencia, lo que ha llevado a mejoras significativas en el
rendimiento diagnóstico.
Esta revisión se sitúa en la frontera del conocimiento médico-tecnológico para evaluar
el rendimiento de herramientas como las redes neuronales convolucionales (CNN) y
arquitecturas específicas como U-Net, analizando su impacto en la precisión
diagnóstica y la optimización de los flujos de trabajo en el periodo 2020-2025.
2. Metodología
Para la ejecución de esta investigación, se aplicó un diseño de revisión sistemática
integrativa de la literatura científica, siguiendo las directrices del protocolo PRISMA
(Preferred Reporting Items for Systematic Reviews and Meta-Analyses). La búsqueda
de información se centró en artículos publicados entre 2020 y 2025 en bases de datos
como PubMed, SciELO, LILACS, MEDES y Trip Database, complementada con una
búsqueda dirigida en la Revista Científica Zambos para incorporar la perspectiva
regional.
El proceso de selección sistemática se rigió por las cuatro fases del método PRISMA
para garantizar la transparencia de la recolección de evidencia, en la fase de
identificación se realizó una búsqueda estructurada en las bases de datos utilizado
palabras clave específicas combinadas con operadores booleanos. Se identificaron
un total de 1273 registros iniciales. Tras la aplicación de herramientas de gestión
bibliográfica para la remoción de duplicados, se obtuvieron registros únicos para su
posterior análisis.
Al realizar el cribado en el que se realizó una evaluación independiente por parte de
los investigadores de los títulos y resúmenes de los registros recuperados. Se
aplicaron criterios de exclusión rápidos para clasificar la pertinencia del material
utilizado. Los artículos preseleccionados fueron sometidos a una lectura crítica
minuciosa a texto completo. Se evaluó si los informes describían detalladamente las
arquitecturas algorítmicas, los sets de entrenamiento y los estándares de referencia
clínica.
Página | 304
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Finalmente se realizó en una fase de inclusión donde se consolidaron los estudios que
cumplieron rigurosamente con todos los criterios de calidad y que aportaron datos
cuantitativos de alta relevancia para el análisis integrativo para el estudio. Para el
proceso de selección priorizó estudios que validaran el rendimiento de algoritmos de
Deep Learning en contextos clínicos reales. Los materiales analizados incluyen
descripciones técnicas de arquitecturas neuronales.
La arquitectura U-Net se describe técnicamente como una red totalmente
convolucional (Fully Convolutional Network, por sus siglas en inglés FCN) que
consiste en una arquitectura codificador-decodificador con conexiones de salto para
conservar la resolución espacial, como nos los indica Spatharou et al. (2025). Esta
estructura es ideal para los procesos en los que se realiza segmentación de
estructuras anatómicas pequeñas y complejas.
La metodología permitió contrastar la eficiencia de los sistemas tradicionales frente a
los modernos. Además se consideraron estudios con grandes volúmenes de datos;
por ejemplo, investigaciones sobre calcificaciones aórticas que utilizaron redes
neuronales convolucionales (CNN) entrenadas con 2,7 millones de imágenes. La
calidad metodológica de los artículos seleccionados fue evaluada mediante
herramientas QUADAS-2.
Se utilizó la herramienta QUADAS-2 (Quality Assessment of Diagnostic Accuracy
Studies 2), al estar enfocada en la selección de pacientes, el estándar de referencia y
el flujo temporal del estudio. Según Londoño-Puentes (2024), el método QUADAS-2
asegura que el análisis de estos datos va a proporcionar al médico un amplio abanico
de potenciales diagnósticos diferenciales. Para estructurar con precisión los límites
del estudio, se aplicó una matriz de criterios de selección que se detalla en la Tabla 1.
Tabla 1
Criterios de Inclusión y Exclusión Seleccionados para la Revisión Sistemática.
Criterio
Inclusión
Exclusión
Temporalidad.
Artículos publicados entre
enero de 2020 y octubre de
2025.
Publicaciones anteriores a
enero de 2020 o posteriores a
octubre de 2025.
Tipo de estudio
Artículos de investigación
originales, revisiones
sistemáticas y ensayos clínicos
con revisión por pares.
Editoriales, cartas al editor,
notas de opinión o resúmenes
de congresos sin datos
empíricos demostrables.
Población e intervención
Modelos de IA (CNN, U-Net,
ResNet) aplicados a imágenes
diagnósticas (TC, RM,
radiografía) en adultos.
Modelos de IA aplicados a
registros no imagenológicos o
estudios experimentales
preclínicos in vitro.
Comparador y variables
Estudios que contrasten la
precisión diagnóstica de la IA
frente al dictamen de radiólogos
experimentados.
Estudios sin grupo comparador
o que omitan métricas
estadísticas como sensibilidad,
especificidad o AUROC.
Nota: Elaboración propia basada en las directrices de validez diagnóstica del protocolo QUADAS-2 y
las directrices metodológicas PRISMA (Autores, 2026).
Página | 305
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
3. Resultados
Los resultados obtenidos a través de la revisión literaria evidenciaron un salto
cualitativo en la precisión de los diagnósticos asistidos por IA. En la esfera de la
imagen torácica, se analizaron estudios retrospectivos de gran escala que emplearon
redes neuronales convolucionales entrenadas con más de 2,7 millones de imágenes
para la identificación de calcificaciones en el arco aórtico (AAC) en radiografías de
tórax.
Los datos reportados fueron consistentes en señalar que los modelos demostraron
una alta taza de discriminación diagnóstica (AUROC 0.81-0.99), aunque las
estimaciones fueron atenuadas en cohortes externos como lo indica Spatharou et al.
(2025). Este hallazgo es fundamental, pues confirma que la IA puede actuar como una
herramienta de cribado oportunista para el riesgo cardiovascular en estudios
radiológicos rutinarios.
En el ámbito de la medicina intensiva y la cardiología, la Revista Científica Zambos
aportó evidencia significativa sobre el impacto de los algoritmos en el monitoreo en
tiempo real. Según Borja-Aguilar et al. (2025) se verificó que el algoritmo de IA
utilizado en los ECGs ha mejorado en sobremanera la detección de disfunción
ventricular en pacientes con enfermedades cardiacas, logrando una precisión similar
a la ecocardiografía convencional.
Asimismo, se constató que el rendimiento general de los sistemas de IA está, en
muchas tareas, al nivel de radiólogos experimentados. Un ejemplo notable es el
manejo del pie diabético, Como lo indica Sánchez Bernal (2024) donde se describió
que la arquitectura "VGG19 tiene el potencial para ser la base de un sistema de
diagnóstico de heridas, esto basado en IA más completo y detallado. Estos sistemas
no solo mejoran la detección, sino que actúan como herramientas para mejorar la
precisión diagnóstica, optimizar los flujos de trabajo y expandir el acceso a las
imágenes.
Esta mejora en la detección temprana permite intervenciones agresivas y precisas,
reduciendo complicaciones graves. Además, en el diagnóstico de neumonías, la IA ha
demostrado actuar al mismo nivel de radiólogos experimentados en este tipo de
patologías, lo que refuerza su valor en escenarios de alta presión asistencial donde la
rapidez de interpretación es crucial para el inicio de la terapia antibiótica.
A continuación, se presenta la Tabla 2, la cual resume las métricas de rendimiento
comparativo según la literatura revisada.
Página | 306
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Tabla 2
Métricas de Rendimiento y Aplicación de Arquitecturas de IA en Diagnóstico por
Imagen
Aplicación clínica
Arquitectura
predominante
Métrica
AUROC/Precisión
Beneficio clínico
detectado
Calcificación del arco
aórtico
CNN (Deep Learning)
0.81 - 0.99
Estratificación de
riesgo cardiovascular
Cáncer de Mama
DLA (Varios)
> 90.0%
Supera rendimiento de
radiólogos en cribado
Diagnóstico de pie
diabético
VGG19 (Termografía)
97.0%
Evaluación remota y
detección precoz
Neumonía en UCI
Redes
Convolucionales
Nivel Experto
Rapidez en inicio de
terapia antibiótica
Detección de Nódulos
CNN / U-Net
92.3%
Identificación de
lesiones de 3-5 mm
Disfunción Ventricular
Algoritmo ECG-IA
Alta
Mejora el monitoreo en
tiempo real
Nota: Adaptado de "Impacto de la inteligencia artificial y nuevas tecnologías de imagen" (Comité
Editorial revista Ocronos, 2025) e "Inteligencia artificial para identificar estructuras anatómicas"
La investigación también profundizó en el área de la oftalmología y el manejo de
enfermedades crónicas. Se constató que los algoritmos de IA han demostrado ser una
solución eficiente para tareas relacionadas con el procesamiento de imágenes
retinianas, permitiendo diagnósticos rápidos y con tasas de fiabilidad satisfactorias en
patologías como el glaucoma y la degeneración macular asociada a la edad. De
manera complementaria, en la patología del pie diabético, la aplicación de modelos
de aprendizaje profundo sobre termo gramas alcanzó una precisión del 97%,
demostrando que la evaluación remota puede ser tan efectiva como la realizada de
forma presencial por un profesional sanitario.
Un aspecto técnico relevante fue la comparación entre arquitecturas de red. Aslan et
al. en su estudio observó que los DLA han demostrado consistentemente un
rendimiento superior, estos en comparación con los métodos tradicionales y los
radiólogos humanos, en tareas específicas como la detección de cáncer de mama.
Arquitecturas innovadoras como las Redes Mamba han comenzado a desplazar a los
modelos tradicionales debido a su eficiencia de memoria y capacidad de
procesamiento en tiempo real para la segmentación de órganos y detección de
tumores.
Se ha documentado que la IA demostrado efectividad a través de todos los ámbitos
sanitarios, incluyendo detección temprana de enfermedad, descubrimiento de
medicamentos, optimización de tratamientos, diagnóstico y como herramienta de
soporte para la toma de decisiones. En cuanto a la eficiencia operativa, el uso de
asistentes de reporte basados en IA ha permitido que los especialistas reduzcan el
tiempo de lectura. Se reporta en su estudio que la IA puede mejorar el flujo de trabajo
operativo acortando el tiempo, que los clínicos dedican en tareas administrativas
repetitivas hasta en un 70%.
No obstante, investigaciones específicas como la de Liu et al. (2025) sobre nódulos
pulmonares, advierten que la precisión de los sistemas con IA en identificación y
Página | 307
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
medidas de nódulos en tórax a través de escaneo con tomografía computarizada (TC)
se mantiene sin estar clara, lo que exige una validación prospectiva continua, para
lograr tener una validez aceptable para el campo médico.
Finalmente, en cuanto a la reconstrucción de imágenes, los resultados mostraron que
los algoritmos actuales mejoran sustancialmente la calidad y claridad de estudios
como los ultrasonidos renales, permitiendo la visualización de estructuras anatómicas
que anteriormente resultaban difíciles de distinguir para el ojo humano. Este avance
es vital en la planificación quirúrgica y en la medicina de precisión, donde el modelado
cardíaco volumétrico y la segmentación avanzada para terapias guiadas están
redefiniendo los estándares de cuidado.
4. Discusión
La valoración crítica de los resultados indica que la medicina está atravesando una
transición paradigmática de una "medicina basada en la experiencia" hacia una
"medicina impulsada por datos". Como se discutió en el III Congreso Internacional
AITEC 2025, Jimenez-Tuza (2025) nos indica que la inteligencia artificial ya no es una
promesa a futuro, es una realidad actual que está transformando y revolucionando
profundamente la forma en que trabajamos el personal de salud.
Sin embargo, la implementación las nuevas tecnologías no está exenta de retos. En
la literatura de la Revista Científica Zambos, Borja-Aguilar et al. (2025) nos enfatiza
que todavía es necesario mejorar las diversas capacitaciones a los profesionales y
formular marcos éticos y legales definitivos para la integración segura y efectiva de
estas tecnologías en el cuidado de pacientes críticos.
Al comparar los estudios previos con la evidencia actual, se observa que la principal
diferencia radica en la capacidad de la IA para integrar y analizar volúmenes masivos
de información de manera multivariada. No obstante, como investigadores, debemos
ser cautelosos: a pesar de la alta precisión alcanzada, el "black box" o la falta de
interpretabilidad de los modelos de aprendizaje profundo sigue siendo una de las
mayores limitaciones para la aceptación clínica plena. Los médicos necesitamos
entender no solo qué detectó el algoritmo, sino por qué llegó a esa conclusión.
En este sentido, aún es fundamental fortalecer la formación profesional y establecer
marcos éticos y legales claros para la incorporación segura y eficaz de estas
tecnologías en la atención crítica. La discusión actual en publicaciones de la Revista
Científica Zambos subraya que el sesgo en los datos de entrenamiento puede llevar
a juicios clínicos incorrectos si los modelos no son representativos de la diversidad
poblacional. Por tanto, la validación clínica externa es un paso ineludible. Aunque los
sistemas de IA pueden procesar grandes volúmenes de datos y detectar patrones
sutiles, la generalización de estos resultados a diferentes emplazamientos
hospitalarios sigue presentando retos de confiabilidad y precisión.
Página | 308
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Un concepto que emerge con fuerza en la literatura analizada es el de la "hetero-
inteligencia". Según Buitrago-Esquinas et al. (2024) nos propone que la hetero-
inteligencia podría entenderse como una capacidad de mezclar la inteligencia humana
y la inteligencia artificial, que, al unirse, podrían permitir predecir cambios.
En lugar de ver a la IA como un reemplazo, debemos entenderla como un catalizador
que permite al médico liberarse de tareas repetitivas y administrativas que pueden
consumir hasta el 70% de su tiempo para enfocarse en el razonamiento clínico
complejo y la humanización de la atención. Como Borja-Aguilar lo indican, se ha
recalcado en diversos foros académicos, que el uso de la IA en medicina es para
ayudar y mejorar el esfuerzo humano en lugar de reemplazarlo.
Por otro lado, el alcance de los resultados presentados se ve limitado por la
heterogeneidad en las definiciones de tareas de IA y los estándares de referencia
utilizados en los estudios originales. La mayoría de las investigaciones sobre
detección de calcificaciones aórticas son de carácter retrospectivo, lo que subraya la
necesidad de ensayos prospectivos aleatorizados para confirmar el impacto real en
los resultados de salud a largo plazo.
Asimismo, Borja-Aguilar et al. (2025) sugiere en realizar una amplia verificación
clínica, formar al personal de salud y establecer una legislación que permita un uso
seguro y ético de la IA. Además, Según Martí-Bonmatí (2024) se debe considerar que
la IA aplicada a la imagen médica es un proceso de enorme transformación y retos,
donde la representatividad de los datos es clave para evitar sesgos algorítmicos que
afecten a poblaciones vulnerables. Villa-Feijoó (2022) deja claro que el objetivo final
debe ser que la tecnología genere mejoras cuantificables en la equidad y la eficiencia
de la atención médica regional (Villa-Feijoó & Zapata Velasco, 2025).
5. Conclusiones
La realización de esta investigación permite concluir con firmeza que el mejoramiento
de los diagnósticos por imagen mediante inteligencia artificial constituye un pilar
fundamental de la medicina del futuro. Los resultados analizados demuestran que la
integración de algoritmos de aprendizaje profundo no solo incrementa la precisión
diagnóstica en patologías críticas alcanzando precisiones de hasta el 97% en casos
como el pie diabético o el cribado cardiovascular, sino que también optimiza la
eficiencia de los servicios de salud al reducir la carga cognitiva del personal médico.
La diferencia sustancial entre la era pre-IA y la actual es la capacidad de convertir la
imagen médica en un conjunto de biomarcadores cuantitativos que permiten una
estratificación de riesgo más exacta y temprana. La evidencia analizada confirma que
los sistemas actuales, basados en redes neuronales profundas, superan las
limitaciones de los métodos tradicionales al ofrecer una capacidad analítica
cuantitativa que iguala o sobrepasa el desempeño de especialistas humanos en tareas
de cribado y segmentación.
Página | 309
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
El aporte principal de este estudio a la ciencia es la validación de la IA como un
componente estructural de la medicina de precisión, capaz de reducir el error
diagnóstico y optimizar los flujos de trabajo hasta en un 70%. El aporte más
significativo de este análisis a la ciencia médica es la ratificación de que la IA actúa
como un soporte indispensable para la seguridad del paciente, especialmente en
entornos de cuidado crítico donde el tiempo es el factor más limitante.
Se ha demostrado que herramientas como las redes neuronales convolucionales y
arquitecturas de segmentación como U-Net son capaces de igualar o superar el
rendimiento de expertos humanos en tareas de alta complejidad, mitigando el riesgo
de errores derivados de la fatiga. No obstante, se concluye que la implementación
exitosa de estas tecnologías depende intrínsecamente de la resolución de los dilemas
éticos y de la transparencia de los modelos (XAI), asegurando que el médico
mantenga siempre el control final del juicio clínico.
Finalmente, este estudio subraya la importancia de fomentar una cultura de "hetero-
inteligencia" en los sistemas de salud. La IA debe ser adoptada como un aliado
estratégico que potencia las capacidades humanas, permitiendo que el médico se
centre en la toma de decisiones complejas y el cuidado directo del paciente.
La evidencia recolectada de repositorios como la Revista Científica Zambos y PubMed
señala que la formación continua del personal sanitario en estas nuevas herramientas
es imperativa. El cumplimiento de los objetivos de esta investigación demuestra que
el camino hacia una medicina de precisión pasa, necesariamente, por la integración
armoniosa y ética de la inteligencia artificial en el diagnóstico por imagen, lo que
representa un aporte invaluable a la evolución de la ciencia médica contemporánea.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Aslan, A. T., Permana, B., Harris, P. N. A., Dondorp, A. M., Schlapbach, L. J., &
Sweeney, T. E. (2023). The opportunities and challenges for artificial
intelligence to improve sepsis outcomes in the paediatric intensive care unit.
Current Infectious Disease Reports, 25, 243–253.
https://doi.org/10.1007/s11908-023-00818-4
Borja-Aguilar, M. N., Trejo-Carvajal, L. A., & Cambizaca-Mora, G. (2025). Enfermería
e inteligencia artificial en la Unidad de Cuidados Intensivos: Revisión
sistemática integrativa. Revista Científica Zambos, 4(2), 54–70.
https://doi.org/10.69484/rcz/v4/n2/108
Buitrago-Esquinas, E. M., Yñiguez-Ovando, R., Puig-Cabrera, M., Custódio-Santos,
M. M., & Santos, J. A. C. (2024). Artificial intelligence and sustainable tourism
Página | 310
Research Article
Mayo – Agosto 2026
Revista Científica Zambos / Vol. 05 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
planning: A hetero-intelligence methodology proposal. Tourism & Management
Studies, 20(SI), 45–59. https://doi.org/10.18089/tms.2024.20SI04
Comité Editorial Revista Ocronos. (2025, 20 de abril). Impacto de la inteligencia
artificial y nuevas tecnologías de imagen en el diagnóstico médico. Revista
Médica Ocronos. https://revistamedica.com/nuevas-tecnologias-imagen-
diagnostico-medico/
Jiménez-Tuza, S. B. (2025). Uso de la inteligencia artificial en la dirección de centros
educativos. Revista Científica Zambos, 4(1), 191–204.
https://doi.org/10.69484/rcz/v4/n1/86
Kobayashi, N., Watanabe, K., Murakami, H., & Yamauchi, M. (2023). Continuous
visualization and validation of pain in critically ill patients using artificial
intelligence: A retrospective observational study. Scientific Reports, 13, Artículo
17479. https://doi.org/10.1038/s41598-023-44970-2
Liu, W., Wang, J., Zhang, Y., & Luo, X. (2025). Enhancing diagnostic accuracy of lung
nodules in chest CT scans with artificial intelligence: Comparative study. Journal
of Medical Internet Research, 27, Article e64649. https://doi.org/10.2196/64649
Londoño-Puentes, J. C. (2024). Análisis de la interoperabilidad de los sistemas de
información en el sector de la salud. Innova Science Journal, 2(3), 39–52.
https://doi.org/10.63618/omd/isj/v2/n3/42
Martí-Bonmatí, L. (2024). Inteligencia artificial en imagen médica. Anales de la Real
Academia Nacional de Medicina, 141(2), 111–118.
https://doi.org/10.32440/ar.2024.141.02.rev02
Sánchez Bernal, M. (2024). Revisión bibliográfica: Podología e inteligencia artificial
aplicada al pie diabético [Trabajo de fin de grado, Universidad Miguel
Hernández]. Repositorio Institucional UMH. https://hdl.handle.net/11000/33402
Spatharou, A., Hieronimus, S., & Jenkins, J. (2025). Transforming healthcare with AI:
The impact on the workforce and organizations. McKinsey & Company.
https://www.mckinsey.com/industries/healthcare/our-insights/transforming-
healthcare-with-ai
Villa-Feijoó, A. L. (2022). Estrategias de promoción de la salud y prevención de
enfermedades desde la perspectiva de la enfermería en Ecuador. Revista
Científica Zambos, 1(3), 1–14. https://doi.org/10.69484/rcz/v1/n3/29
Villa-Feijoó, A. L., & Zapata Velasco, E. K. (2025). Aplicaciones de la inteligencia
artificial en el diagnóstico médico basado en datos. Innova Science Journal,
3(1), 16–30. https://doi.org/10.63618/omd/isj/v3/n1/2
