FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

“SISTEMA BASADO EN REDES NEURONALES ARTIFICIALES PARA EL

DIAGNÓSTICO INTELIGENTE DE ENFERMEDADES RESPIRATORIAS EN LA
CLÍNICA BELÉN” PIURA, 2023.

AUTORES:

Araujo Pérez, Juan José (Orcid: 0000-0002-6615-8906)

Cubas Córdova, Franco Jesús (Orcid: 0000-0001-9283-1159)

Mendoza Nima, Johan Marquiño (Orcid: 0000-0002-4096-8302)

Martínez Chunga Jesús Junior (Orcid: 0000-0003-1821-8617)

Plaza Ipanaque Hellen Dayana (Orcid: 0000-0001-5486-4873)

Rivera Alvarez, Cielo Shanday (Orcid: 0000-0001-8688-3219)

DOCENTE:

Mgtr. Jaramillo Atoche, Javier Eduardo (Orcid: 0000-0002-9843-7416)

LÍNEA DE INVESTIGACIÓN:

Sistema de Información y Comunicaciones

LÍNEA DE RESPONSABILIDAD SOCIAL UNIVERSITARIA:

Innovación tecnológica y desarrollo sostenible

PIURA- PERÚ

2023

1
 ÍNDICE

I. INTRODUCCIÓN...................................................................................................... 4
II. DESCRIPCIÓN DEL PROYECTO........................................................................... 6
2.1. Descripción del lugar de realización del proyecto.................................... 6
2.1.1. Razón Social:......................................................................................... 6
2.1.2. RUC:........................................................................................................6
2.1.3. Departamento:....................................................................................... 6
2.1.4. Provincia:............................................................................................... 6
2.1.5. Nombre de la Institución:..................................................................... 6
2.1.6. Tipo de Empresa:.................................................................................. 6
2.1.7. Rubro:.....................................................................................................6
2.1.8. Ubicación geográfica:...........................................................................6
III. SITUACIÓN PROBLEMÁTICA...............................................................................8
3.1. Descripción de la situación problemática................................................... 8
IV. OBJETIVOS Y JUSTIFICACIÓN DEL PROYECTO.............................................10
4.1. Objetivo General:......................................................................................... 10
4.2. Objetivos Específicos:.................................................................................10
4.3. Justificación:................................................................................................ 10
V. MARCO TEÓRICO................................................................................................ 11
5.1 Antecedentes................................................................................................ 11
5.1.1. Internacionales.................................................................................... 11
5.1.2. Nacionales............................................................................................12
5.1.3. Locales................................................................................................. 13
5.2. Bases Teóricas.............................................................................................15
5.2.1. Deep Learning......................................................................................15
5.1.2. Definición Python................................................................................ 16
5.1.3. Definición de Redes Neuronales Artificiales.................................... 16
5.2.3.1. Clasificación de las Redes Neuronales Artificiales................. 17
5.2.3.2. Importancia de las Redes Neuronales Artificiales...................18
5.2.3.3. Redes Neuronales en la Medicina............................................. 21
5.2.4. Tecnología Digital................................................................................ 21
5.2.5. Inteligencia Artificial............................................................................21
5.3. Herramientas para el desarrollo del sistema.............................................21
5.3.1. Visual Code.......................................................................................... 21
5.3.2. Xampp................................................................................................... 22
5.3.3. MySQL.................................................................................................. 23
5.3.4. Lenguajes de Programación...............................................................23
5.3.4.1. Python.......................................................................................... 23
5.3.4.2. HTML5.......................................................................................... 24
5.3.4.3. Bootstrap..................................................................................... 24

2
 5.4. Librerías........................................................................................................ 24
5.4.1. Numpy...................................................................................................25
5.4.2. Tensorflow............................................................................................25
5.4.3. Matplotlib..............................................................................................25
5.4.4. Pickle.................................................................................................... 25
5.4.5.Scikit-learn............................................................................................ 26
VI. PLANIFICACIÒN DEL PROYECTO.................................................................... 27
VII. METODOLOGÍA..................................................................................................28
7.1. Planificación.................................................................................................28
7.2. Inicialización................................................................................................ 28
7.2.1. VISIÒN GENERAL DEL SISTEMA................................................... 28
7.2.2. REQUISITOS FUNCIONALES........................................................... 29
7.2.3. REQUISITOS NO FUNCIONALES.....................................................31
7.2.4. STAKEHOLDERS...............................................................................32
7.2.5. CASO DE USO................................................................................... 33
7.2.6. DOCUMENTACIÓN DEL CASO DE USO..........................................34
7.2.7. DIAGRAMA DE SECUENCIA............................................................ 36
7.2.8. DIAGRAMA DE ACTIVIDADES......................................................... 38
7.2.9. MODELO CANVAS DE LA CLÍNICA................................................. 40
7.3. Desarrollo del sistema................................................................................ 41
7.3.1. ESTRUCTURA E IMPLEMENTACIÓN.............................................. 41
7.3.2. Implementación del Sistema........................................................... 41
7.3.3. INTERFACES..................................................................................... 42
VIII. CONCLUSIONES…………………………...........................................................48
IX. RECOMENDACIONES….....................................................................................49

REFERENCIAS BIBLIOGRÁFICAS.......................................................................... 50

3
I. INTRODUCCIÓN

Muchos de los desarrollos del hombre se deben a su capacidad para explicar

y emular funciones que son realizadas por seres vivos , por ejemplo, se
puede citar el radar, el cual surge como una emulación de la forma como un
murciélago es capaz de detectar los objetos que están en su camino, sin
necesidad de verlos, gracias a la emisión de una onda ultrasónica, su
posterior recepción de la señal de eco y procesamiento, con el fin de detectar
obstáculos en su vuelo con una rapidez y precisión sorprendentes. Como el
mencionado, existen muchos ejemplos más en la naturaleza que han
inspirado diversos inventos: el helicóptero, helicóptero, el avión, el submarino,
para citar algunos. A pesar de estos logros, el deseo de comprender y simular
el cerebro humano, considerado la "máquina perfecta", ha sido un objetivo
constante a lo largo de la historia (Eduardo, Jesus, 2009).

Las redes neuronales artificiales (RNA) surgen como un intento para emular
el funcionamiento de las neuronas de nuestro cerebro. En este sentido las
RNA siguen una tendencia diferente a los enfoques clásicos de la inteligencia
artificial que tratan de modelar la inteligencia humana buscando imitar los
procesos de razonamiento que ocurren en nuestro cerebro.

Las enfermedades respiratorias representan una preocupación creciente en el

ámbito de la salud a nivel mundial. La continua exposición a factores
ambientales adversos, la evolución de patógenos respiratorios y los cambios
en los estilos de vida de la población han contribuido a un aumento constante
en la prevalencia de afecciones como el asma, la bronquitis crónica, la
neumonía y, más recientemente, la COVID-19. Estas enfermedades no solo
generan una carga significativa en el sistema de atención médica, sino que
también afectan profundamente la calidad de vida de los pacientes y sus
familias.

En este contexto, las redes neuronales artificiales, han demostrado un

potencial prometedor para revolucionar el diagnóstico de enfermedades
respiratorias. La capacidad de estas redes para aprender y adaptarse a partir

4
de datos médicos complejos, así como para identificar patrones sutiles e
interacciones multifactoriales, abre nuevas posibilidades en la detección
temprana.

Estos sistemas en salud representan una oportunidad en el desarrollo de las

investigaciones; amplían los métodos para recoger, procesar y analizar los
datos en el contexto de la salud y, según algunos autores, apuntan a la
producción de nuevas formas de participación ciudadana en la ciencia. Estos
sistemas en salud facilitan el autocuidado y ayudan a mejorar la calidad de
vida de las personas con enfermedades respiratorias; sin embargo, son pocos
los hallazgos focalizados en este tema.

Por lo tanto, el presente proyecto de investigación se centra en el desarrollo

de un "Sistema Basado en Redes Neuronales Artificiales para el Diagnóstico
Inteligente de Enfermedades Respiratorias en la Clínica Belén, Piura". La
Clínica Belén, en la región de Piura.

5
II. DESCRIPCIÓN DEL PROYECTO

2.1. Descripción del lugar de realización del proyecto

2.1.1. Razón Social:

● Clinica Belen S.A.

2.1.2. RUC:

● 20197599899

2.1.3. Departamento:

● Piura

2.1.4. Provincia:

● Piura

2.1.5. Nombre de la Institución:

● SANNA \Clínica Belén

2.1.6. Tipo de Empresa:

● Sociedad Anónima

2.1.7. Rubro:

● Salud Humana

2.1.8. Ubicación geográfica:

● Se encuentra ubicada en las coordenadas -5.185416770008877,

-80.62781607888381 en la Calle San Cristobal 267 Urb. El
Chipe

6
Ilustración 1: Ubicación Geográfica. - Fuente: Google Maps

Ilustración 2: Clínica Belén. - Fuente: Google Maps

7
III. SITUACIÓN PROBLEMÁTICA

3.1. Descripción de la situación problemática

Sanna Clínica Belén es una institución de salud fundada 1993 con la razón
social Clínica Roma, cambiando de razón social el año 2010, tiempo durante
el cual le ha permitido ganar experiencia y clientes fidelizados con la atención
en la clínica. En la ciudad de Piura, esta clínica brinda servicios de salud;
donde se recibe a un gran número de clientes, con enfermedades
respiratorias, como el asma, la enfermedad pulmonar obstructiva crónica
(EPOC) y la neumonía. El personal médico se ve abrumado por la cantidad
de pacientes y las complejidades involucradas en el diagnóstico y el
tratamiento de estas afecciones. Además, la disponibilidad de especialistas
en enfermedades respiratorias es limitada, lo que retrasa aún más la atención
adecuada.

Dada esta situación, la Clínica Belén busca una solución que permita un
diagnóstico más rápido y preciso de las enfermedades respiratorias, además
de optimizar el uso de los recursos médicos disponibles. Se ha propuesto
implementar un sistema basado en Redes Neuronales Artificiales (RNA) para
el diagnóstico inteligente de enfermedades respiratorias. Sin embargo, esta
iniciativa presenta varios desafíos:

Escasez de datos etiquetados: Para entrenar una red neuronal eficiente, se

necesita una gran cantidad de datos etiquetados, que incluyan información
clínica detallada, resultados de pruebas de laboratorio, imágenes de
radiografías y datos de seguimiento. Obtener suficientes datos de alta calidad
puede ser un desafío, especialmente en un entorno con recursos limitados.

Interoperabilidad de sistemas de información: Integrar el sistema de RNA en

el flujo de trabajo del hospital requiere una interoperabilidad eficiente con el
sistema de registro médico electrónico existente y otros dispositivos médicos,
como equipos de imagenología y espirometría.

Entrenamiento y aceptación del personal médico: El personal médico debe

estar dispuesto a adoptar y confiar en el sistema de RNA como una

8
herramienta complementaria en el proceso de diagnóstico. La capacitación y
la aceptación por parte del personal son aspectos cruciales.

Privacidad y seguridad de los datos: La gestión de datos médicos

confidenciales es esencial para garantizar la privacidad y la seguridad de los
pacientes. El sistema de RNA debe cumplir con las normativas de protección
de datos y garantizar que la información sensible esté protegida de forma
adecuada.

Superar estos desafíos y desarrollar un sistema basado en Redes Neuronales

Artificiales para el diagnóstico inteligente de enfermedades respiratorias
puede mejorar significativamente la atención médica en el hospital.

9
IV. OBJETIVOS Y JUSTIFICACIÓN DEL PROYECTO

4.1. Objetivo General:

Desarrollar un sistema basado en redes neuronales artificiales para el

diagnóstico inteligente de enfermedades respiratorias en la Clínica Belén,
Piura, 2023.

4.2. Objetivos Específicos:

● Diseñar y construir una red neuronal artificial que pueda identificar y

clasificar enfermedades respiratorias basándose en los datos de los
pacientes.
● Diseñar una interfaz de fácil uso para que los usuarios finales puedan
manejar el sistema con gran facilidad.
● Evaluar la eficacia del sistema de diagnóstico inteligente en términos de
precisión, sensibilidad y especificidad en el diagnóstico de enfermedades
respiratorias.

4.3. Justificación:

Las enfermedades respiratorias representan una de las principales causas de

morbilidad y mortalidad en todo el mundo. La detección temprana y precisa de
estas enfermedades puede mejorar significativamente los resultados del
tratamiento y la calidad de vida de los pacientes. Sin embargo, el diagnóstico de
estas enfermedades puede ser un desafío debido a la similitud de los síntomas
entre diferentes enfermedades respiratorias y la variabilidad en la presentación
de los síntomas entre los pacientes.

En este contexto, el desarrollo de un sistema basado en redes neuronales

artificiales para el diagnóstico inteligente de enfermedades respiratorias puede
ser una herramienta valiosa. Este sistema puede aprender a identificar patrones
complejos en los datos de los pacientes y utilizar estos patrones para identificar
y clasificar con precisión las enfermedades respiratorias.

Además, este proyecto también tiene como objetivo validar la precisión y

fiabilidad de la red neuronal artificial a través de una serie de pruebas.

10
V. MARCO TEÓRICO

5.1 Antecedentes

5.1.1. Internacionales

Según (CASTRO, et al. 2020) en la investigación titulada ”Detección

temprana de la enfermedad causada por el virus de Hepatitis C usando redes
neuronales artificiales”, en donde se desarrolló una herramienta basada en
Redes Neuronales Artificiales (RNA) que puede realizar una clasificación
entre pacientes sanos y los que padecen la enfermedad de la Hepatitis C, a
través de características biométricas del paciente. La herramienta fue capaz
de ayudar a los médicos a detectar de forma temprana, diagnósticos precisos
a pacientes que padezcan algún indicio de esta enfermedad ya que, dentro
del análisis de los resultados, a pesar de que la cantidad de muestras de
pacientes sanos superaba a los pacientes enfermos, el modelo pudo
diferenciarlos satisfactoriamente. El estudio busca seguir evaluando estás
técnicas de Inteligencia Artificial con el objetivo de perfeccionar sus
capacidades y ser usado de forma segura en un entorno médico.

(ALLAHYARI Y ROOSTAEI, 2022) en su investigación Applying artificial

neural-network model to predict psychiatric symptoms traducido como
Aplicación de un modelo de red neuronal artificial para la predicción de
síntomas psiquiátricos que tiene como objetivo de determinar la importancia
de diferentes factores del individuo como género, empleo, educación, lugar de
residencia y edad para la predicción de trastornos mentales a través de
modelos de redes neuronales artificiales de retropropagación multicapa con
cinco entradas y 10 salidas. Se evaluó el rendimiento de las redes con
diferentes algoritmos y números de neuronas en la capa oculta. Analizando
datos de 380 personas de entre 10 y 82 años, resultando un modelo de red
neuronal óptimo y eficaz para la predicción de trastornos con una tasa de
precisión del 92,2%.

(NANDY, et al., 2023) En la investigación titulada An intelligent heart disease

prediction system based on swarm-artificial neural network, traducida Un
Sistema inteligente de predicción de enfermedades cardíacas basado en una

11
red neuronal artificial de enjambre, aquí se presenta un enfoque inteligente en
el ámbito de la atención médica que se centra en predecir enfermedades
cardiovasculares. Este enfoque se basa en Swarm-Artificial Neural
Network(Swarm-ANN) la cual opera generando un conjunto aleatorio de redes
neuronales predefinidas para entrenar y evaluar la calidad de la solución.
Luego, pasan por dos etapas de ajuste de peso, donde se modifican los
valores de los pesos de las neuronas. Finalmente, se realiza una modificación
adicional en los pesos de las neuronas al compartir el peso global más óptimo
con otras neuronas. Respecto a los resultados obtenidos con la estrategia
Swarm-ANN se logró una precisión del 95.78% al predecir enfermedades
cardiovasculares utilizando un conjunto de datos de referencia. Las
simulaciones demuestran que la estrategia supera a las técnicas de
aprendizaje convencionales en términos de diversas métricas de rendimiento.

5.1.2. Nacionales

De acuerdo a (LUNA y VARGAS 2022) en su Tesis para optar el título

Profesional de Médico Cirujano “Uso de inteligencia artificial para el
diagnóstico de Covid-19 a través de radiografía de tórax en el Hospital
Nacional Adolfo Guevara Velasco, Hospital Regional y Hospital Antonio
Lorena, Cusco-Perú, periodo 2020-2021” la cual tiene como objetivo
determinar la sensibilidad y la especificidad de la inteligencia artificial para el
diagnóstico de COVID 19. La metodología que se usó fue la cuantitativa que
permitió mediante el análisis y demostración de hipótesis planteadas,
concluyendo que a la precisión del examen por modelo de IA es del 83.98% y
el área bajo la curva(AUC) es de 0.85 lo que significa que es un método de
diagnóstico no invasivo, que se caracteriza por un alto valor predictivo
negativo, lo que permite discriminar a pacientes que no tienen la enfermedad.

Según (ALEJANDRO, 2020) en su trabajo de suficiencia profesional “Modelo

De Red Neuronal Artificial Para El Pronóstico Del Crecimiento De Contagios
Por Covid19 En El Distrito De San Juan De Miraflores” que tiene como
objetivo principal el Pronosticar con la red neuronal artificial el crecimiento de
contagios por Covid-19 en el Distrito de San Juan de Miraflores. La
metodología usada para el trabajo está basada en la investigación de Kaastra

12
y Boyd en 1996, con una variable cuantitativa que representa la cantidad de
personas infectadas semanalmente. Los datos fueron proporcionados por el
Ministerio de Salud, los cuales se agruparon por semana, obteniendo 24
semanas, con 200 iteraciones para el entrenamiento de la red neuronal,
utilizando las herramientas Google Colab, Python y las librerías Numpy y
Keras construyendo la arquitectura del sistema compuesta por una primera
capa con dos neuronas en la entrada, la cual corresponde a las dos semanas
posteriores, una capa oculta compuesta por cuatro neuronas y una capa de
salida compuesta por una neurona. La estandarización de los datos para la
mejora en la obtención de los resultados en la red de neuronas artificiales.

Según (Pocco,2022 ) en su artículo titulado “Un sistema experto para el

diagnóstico del trastorno depresivo basado en redes neuronales”, Tiene como
objetivo proponer la implementación de un sistema experto basado en redes
neuronales a fin de optimizar el proceso de diagnóstico orientado al trastorno
depresivo en el área de psicología de este Centro de Salud. La metodología
que se utilizó fue cuantitativa ya que se identificó que en el área de psicología
del Centro de Salud Juan Pablo II, se realiza una atención basada en el
llenado de cuestionarios. Debido a ello, la evaluación que se requiere para
realizar un diagnóstico eficiente, ya que son usados en el campo de la
medicina debido a que utilizan técnicas que procesan información, por lo que
son entrenados a partir de un determinado conjunto de datos de entrada.

5.1.3. Locales

Según (Giorzinio, Renzo, 2020) en su Tesis para optar el título Profesional

Ingeniero de Sistemas e Informática “Arquitectura de Red Neuronal
Convolucional para Diagnóstico de Cáncer de Piel” el cual tiene como objetivo
principal proponer una red neuronal Deep Learning para la detección de
cáncer de piel. La metodología que utilizaron fue cuantitativa ya que les
permitió mediante el análisis y demostración indicar que el número de casos
de cáncer de piel se ha incrementado a nivel poblacional. Se observa que a
mayor edad es mayor el número de casos atendidos; así, el 1,5% de los
casos de cáncer de piel atendidos en el INEN entre los periodos 2000 y 2011

13
son pacientes menores de 20 años, el 7,7% tuvieron entre 20 y 39 años, el
26,8% entre 40 y 59 años y el 63,8% fueron personas de 60 años y más.

Según el autor (Jean. E, 2023) en su tesis para obtener el título de ingeniería

de sistemas y computo, “Sistema inteligente basado en redes neuronales
para apoyar el control de plagas en cultivos de caña de azúcar de
Lambayeque” el objetivo principal es desarrollo de un sistema experto como
posible solución, teniendo como elemento diferenciador, el uso del proceso de
jerarquía analítica (AHP), el cual permite la medición a través de
comparaciones por pares y se basa en los juicios de expertos para derivar
escalas de prioridad. La metodología es cuantitativa ya que se puso a prueba
implementándolo en la organización azucarera, teniendo como principales
resultados: un aumentó del 0.4% en la precisión al momento de evaluar el
grado de infestación de la plaga y una reducción del 48% en las liberaciones
adicionales para el tratamiento de la plaga de estudio, ahorrándole 6 720
soles a la empresa azucarera.

(Diaz H, y Romario V, 2021) en su tesis para optar el título de Ingeniería en

Sistemas e Informática, “Aplicativo móvil para la detección de la enfermedad
del mosaico común en la yuca (MANIHOT ESCULENTA) utilizando redes
neuronales convencionales, 2021” la cual tiene como objetivo implementar un
Aplicativo Móvil que utilice una Red Neuronal Convolucional, para mejorar el
proceso de detección de la enfermedad del mosaico, en la asociación civil
“Unidos Tres Estrellas”. La metodología que se utilizó fue cuantitativa ya que
hoy en día es más común la presencia de enfermedades en los cultivos de
yuca. En ese sentido, la enfermedad del mosaico se convierte en una gran
amenaza, puesto que es una de las enfermedades más respetadas entre las
enfermedades que atacan a la yuca, ya que esta enfermedad baja los
rendimientos de manera considerable.

14
5.2. Bases Teóricas

5.2.1. Deep Learning

Las Redes Neuronales Artificiales han evolucionado considerablemente

desde su primera conceptualización. La RNA original, propuesta por Mc
Culloch y Pitts, fue un modelo computacional simplificado que intentaba imitar
cómo las neuronas biológicas en los cerebros de animales podrían colaborar
para llevar a cabo tareas de computación complejas basadas en lógica
proposicional. A medida que avanzó el tiempo, las RNA se diversificaron en
términos de tipos y arquitecturas, y se ampliaron las aplicaciones que podían
abordar.

En la actualidad, uno de los desarrollos más notables son las Redes

Neuronales Profundas (RNA de Aprendizaje Profundo), que se distinguen de
las RNA convencionales por su mayor número de capas ocultas. Mientras que
una RNA típica puede tener una o unas pocas capas ocultas, una RNA de
Aprendizaje Profundo puede albergar cientos de estas capas, cada una con
múltiples unidades de procesamiento (neuronas). Esto ha ampliado
significativamente la capacidad de las RNA para resolver una variedad de
problemas, como la clasificación de datos, la visión por computadora, el
procesamiento de lenguaje natural, el análisis de patrones en datos, la
detección de objetos y el reconocimiento de caracteres, entre otros.

Las aplicaciones de las RNA de Aprendizaje Profundo se extienden a áreas,

como la minería, la agricultura, la economía, el cambio climático y la
educación. Entre las arquitecturas más utilizadas en la actualidad se
encuentran el Perceptrón Multicapa, las Redes Neuronales Convolucionales
(CovNet), las Redes Neuronales Recurrentes y las Redes Generativas
Antagónicas.

En particular, las CovNet han experimentado un auge significativo, en gran

parte gracias al trabajo destacado de Yann LeCun, Yoshua Bengio y Geoffrey
Hinton, quienes fueron galardonados con el Premio Turing en 2018. Además
de los avances en las arquitecturas de RNA, otro factor crucial en este
progreso ha sido el acceso a recursos de cómputo de alto rendimiento, como

15
las Unidades de Procesamiento Gráfico (GPUs), que han acelerado el
entrenamiento de modelos de aprendizaje profundo.

Además, se ha facilitado el acceso a herramientas de cómputo en la nube,

como Google Colab y Azure Microsoft, permitiendo a un mayor número de
investigadores y desarrolladores trabajar en proyectos de Aprendizaje
Profundo de manera colaborativa y eficiente. Esto ha contribuido a un rápido
avance en el campo y a la creación de soluciones innovadoras en una amplia
gama de disciplinas.

5.1.2. Definición Python

Python cuenta con facilidades para la programación orientada a objetos,

imperativa y funcional, por lo que se considera un lenguaje multiparadigmas.
Fue basado en el lenguaje ABC. Es un lenguaje de alto nivel ya que contiene
implícitas algunas estructuras de datos como listas, diccionarios, conjuntos y
tuplas, que permiten realizar algunas tareas complejas en pocas líneas de
código y de manera legible. (Ivet; Yanet y Roberto, 2014).

Python se destaca por su facilidad de uso y una amplia biblioteca estándar

que proporciona herramientas y módulos para simplificar el desarrollo de
software. Es un lenguaje interpretado, lo que significa que el código se
ejecuta línea por línea en tiempo real, y tiene una comunidad activa de
desarrolladores que contribuyen con bibliotecas y marcos de trabajo, lo que lo
convierte en una opción popular para programadores de todos los niveles de
experiencia.

5.1.3. Redes Neuronales Artificiales

Las redes neuronales artificiales son un método utilizado en la inteligencia

artificial (IA) para simular en las computadoras el procesamiento de datos,
comportándose de forma análoga a las neuronas. Debido a que intenta imitar
las funciones elementales en cuanto al comportamiento del cerebro humano,
estas son algunas de sus características: Aprenden de la experiencia, es
decir, son capaces de retroalimentarse y actuar en base a su entorno;
generalizan de ejemplos anteriores a los ejemplos nuevos, las redes

16
neuronales son idóneas para el reconocimiento de patrones siempre y cuando
estén muy bien entrenadas y por último abstracción de la esencia de
entradas, algunas de estas son capaces de abstraer información de un
conjunto de datos, quiere decir que si se entrena a la red con un conjunto o
secuencia de patrones distorsionados de una letra, cuando la red se
encuentre correctamente entrenada será capaz de poder emitir un resultado
correcto ante una entrada distorsionada, aprendiendo así algo que nunca
había visto.

5.2.3.1. Clasificación de las Redes Neuronales Artificiales

Las RNA se pueden clasificar según su arquitectura, el tipo de aprendizaje y

según sus aplicaciones. (Charytoniuk. 2000)

Según su arquitectura:

Las neuronas de una RNA están distribuidas en niveles o capas que están
unidas entre sí por conexiones llamadas sinapsis; dependiendo del sentido de
sus conexiones pueden ser recurrentes y no recurrentes. (Charytoniuk. 2000).

Con Conexiones hacia Adelante (No Recurrentes o Feedforward)

Son aquellas cuyas conexiones son hacia adelante y en una sola dirección.
Según el número de capas que posean pueden ser Monocapas o Multicapas.

Monocapa: Redes neuronales simples, cuentan con una capa de

neuronas que proyectan entradas y una capa de neuronas que
proyectan salidas.

Multicapa: Posee una estructura similar a la monocapa, existiendo un

conjunto de capas intermedias o capas ocultas.

Con Conexiones hacia Atrás (Recurrentes o Feedback)

Se caracterizan por la existencia de conexiones de retorno entre neuronas de

una determinada capa con otras de capas anteriores, conexiones entre
neuronas una misma capa o conexiones de una neurona consigo misma.

17
Según su aprendizaje:

Aprendizaje No Supervisado (Sin Maestro): Contiene datos sin etiquetar que

el algoritmo debe intentar entender por sí mismo, es decir, no requiere
influencia externa.

Aprendizaje Supervisado (con Maestro): Contiene datos etiquetados para

permitir a la máquina medir su precisión y que tenga una clave de respuestas.

Según su aplicación:

● Redes de Reconocimiento de Patrones: son del tipo no recurrente y

con aprendizaje supervisado.
● Redes de Clasificación: hacen uso del aprendizaje no supervisado
para obtener características de clasificación a base de las entradas
del problema.
● Redes de Predicción: tienen como objetivo modelar una función no
lineal.
● Redes de Mapeo de Características

5.2.3.2. Importancia de las Redes Neuronales Artificiales

Las redes neuronales artificiales (RNA) tienen un papel relevante en la

actualidad, diversas áreas aplican esta técnica por las ventajas que presentan
para resolver problemas complejos con muchas restricciones en comparación
con los métodos tradicionales, que están quedando desfasados. Se encontró
que las RNA son utilizadas para predecir o pronosticar variables asociadas a
los campos de estudio de la ingeniería civil.

Valderrama-Purizaca et al. (2021) destacan la importancia de las redes

neuronales artificiales en la ingeniería civil. Este estudio demuestra cómo las
técnicas de inteligencia artificial pueden ser aplicadas en campos
tradicionalmente no asociados con la tecnología, abriendo nuevas
posibilidades para la resolución de problemas complejos.

18
Según Juan y Mario (2011) La prevalencia de las redes neuronales en el
ámbito del procesamiento de imágenes ha llevado a la revisión de 200
estudios que documentan algoritmos que emplean diversas arquitecturas de
redes neuronales para tareas como la clasificación, reconocimiento y
segmentación en imágenes digitales. Esta revisión destaca los diferentes
modelos de redes, sus modificaciones y sus aplicaciones en el procesamiento
de imágenes. Además, se detallan aspectos de las nuevas redes neuronales,
incluyendo los modelos pulsantes. El análisis de los trabajos revisados se
organiza según el tipo de procesamiento realizado por las redes neuronales y
se concluye con un resumen de los hallazgos del estudio. Las redes
neuronales artificiales son importantes por varias razones:

Simulación del comportamiento humano: Las redes neuronales artificiales son

un modelo computacional que permite simular el comportamiento del cerebro
humano. Esto significa que pueden aprender de una manera similar a como lo
hace nuestro cerebro.

Resolución de problemas complejos: Su objetivo es buscar modelos que

solucionen problemas difíciles de resolver mediante técnicas algorítmicas
convencionales. Esto las hace muy útiles en una variedad de campos, desde
la ingeniería hasta la medicina.

Procesamiento de grandes cantidades de datos: Las redes neuronales

artificiales tienen el potencial de procesar grandes cantidades de datos de
manera rápida y eficiente. Esto es especialmente útil en la era actual, donde
los datos se generan a un ritmo sin precedentes.

Reconocimiento de patrones y toma de decisiones: Las redes neuronales

artificiales son capaces de crear patrones, reconocer información o resolver
enigmas complejos. Esto las hace valiosas para tareas como el
reconocimiento de imágenes, el procesamiento del lenguaje natural y la toma
de decisiones con asistencia humana limitada.

Aplicaciones prácticas: Las redes neuronales artificiales tienen una amplia

gama de aplicaciones prácticas, desde la detección y reconocimiento de
plagas en cultivos hasta el desarrollo de sistemas de visión computacional.

19
5.2.3.3. Redes Neuronales en la Medicina

Las redes neuronales en el campo de la medicina han revolucionado los

diferentes métodos, estudios y diagnósticos de tratamiento hacia el enfermo,
y por las redes neuronales consiguiente contiene un subconjunto de
algoritmos de aprendizaje profundo inspirados en las funciones del ser
humano. Según, Avila-Tomás, J. F., Mayer-Pujadas, M. A., Quesada-Varela,
V. J. (2020). La tecnología y la medicina siguen un camino paralelo durante
las últimas décadas. Los avances tecnológicos van modificando el concepto
de salud y las necesidades sanitarias están influyendo en el desarrollo de la
tecnología.

Diagnóstico de enfermedades

Aplicación más importante y prometedora para el sector de salud debido a

que se presenta un amplio análisis de variables médicas que ayude a
identificar las enfermedades de forma precisa.

Analisis de imagenes medicas

Una de las aplicaciones de la inteligencia artificial es el procesamiento de

imágenes en el cual, aplicado al sector de la medicina ayuda con las
radiografías, tomografías, resonancias magnéticas y ecografías. Las redes
convencionales son las más apropiadas para la detección de patrones y
características específicas en las imágenes.

Predicciones de enfermedades

La redes neuronales con modelo de aprendizaje automático es eficiente para

el diagnóstico de enfermedades que descubre patrones complejos y no
lineales.

Los desafíos presentes en la predicción de enfermedades destacan los datos

de entrenamiento y la interpretación de modelos sin perder la ética.

Descubrimiento de fármacos

20
El descubrimiento de fármacos es un proceso que demanda mucho esfuerzo
debido a la naturaleza que implica, ello permite acelerar el proceso y evitar
posibles escollos.

5.2.4. Tecnología Digital

La definición de tecnología digital incluye todas las herramientas electrónicas,

sistemas automáticos, dispositivos y recursos tecnológicos que generan,
procesan o almacenan información.
Gracias a ella podemos comprimir grandes cantidades de información en
pequeños dispositivos de almacenamiento que pueden conservarse y
transportarse fácilmente con el móvil, tablet, laptop, etc.
Además, también permite acelerar procesos, cálculos o generar nuevas
formas y métodos de manipular la información para mejorar la productividad
de los individuos.

5.2.5. Inteligencia Artificial.

La Inteligencia Artificial (IA) es la combinación de algoritmos planteados con

el propósito de crear máquinas que presenten las mismas capacidades que el
ser humano. Una tecnología que todavía nos resulta lejana y misteriosa, pero
que desde hace unos años está presente en la detección facial de los
móviles, en los asistentes virtuales de voz como Siri de Apple, Alexa de
Amazon o Cortana de Microsoft y está integrada en nuestros dispositivos
cotidianos a través de bots (abreviatura de robots) o aplicaciones para móvil.

5.3. Herramientas para el desarrollo del sistema

5.3.1. Visual Studio

Es una plataforma de lanzamiento creativa que se puede utilizar para editar,

depurar y compilar código y, finalmente, publicar una aplicación. Además del
editor y depurador estándar que ofrecen la mayoría de IDE, Visual Studio
incluye compiladores, herramientas de completado de código, diseñadores
gráficos y muchas más funciones para mejorar el proceso de desarrollo de
software.

21
(CHOWDHURY, 2017) Visual Studio no solo se enfoca en construcción de
aplicaciones para la plataforma de Microsoft, sino también puede ser usada
para la construcción de aplicaciones usando C++ , Python o cualquier otra
plataforma, convirtiéndose en la IDE ideal para un desarrollador que necesite
construir app en cualquier plataforma, ayudando a ahorrar tiempo y esfuerzo
en todas las tareas que se necesita realizar con el código, ya sea en
navegación a través del código, refactorizar, arreglos de código, depuración o
pruebas unitarias de módulos. No solo desde la perspectiva del código, ya
que también agiliza la validación de dependencias de arquitectura en tiempo
real, brindando un soporte sólido para la integración de repositorios (Team
Fundation Server o Git)

5.3.2. Xampp

(BATISTA, 2023) XAMPP es un servidor autónomo de código abierto y

multiplataforma que incluye principalmente la base de datos MySQL, el
servidor web Apache y los intérpretes para los lenguajes de script PHP y Perl.
Su nombre se deriva del acrónimo de X (para cualquier sistema operativo),
Apache, MySQL, PHP y Perl. El programa opera bajo la licencia GNU y
funciona como un servidor web libre, de uso sencillo y con la capacidad de
interpretar páginas dinámicas.
Xampp es un servidor web local multiplataforma que permite la creación y
prueba de páginas web u otros elementos de programación. Sin embargo,
Xampp integra una serie de herramientas que potencian y facilitan la
experiencia al desarrollador.
Es decir, Xampp en sí mismo no es un programa, sino un paquete de
programas o software que contiene herramientas de gestión de base de
datos.

22
5.3.3. MySQL

Según el autor Ángel.R(2018), MySQL es un sistema de gestión de bases de

datos relacionales o SGBD basado en SQL. En la actualidad, este software
de código abierto forma parte de Oracle, la empresa que también desarrolló el
lenguaje de programación Java.

MySQL almacena, gestiona y muestra datos en tablas. Funciona como un

sistema cliente-servidor. Mientras que la base de datos actúa como un
servidor en el que se almacena toda la información relevante, el software
puede verse como un cliente. Con la ayuda del software, los usuarios de la
base de datos relacional pueden formular diversas consultas, denominadas
“queries”, en el lenguaje de consulta SQL y enviarlas al sistema de base de
datos.

5.3.4. Lenguajes de Programación

5.3.4.1. Python
Según (Andres.V, 2020), Python es un lenguaje de programación interpretado
cuya principal filosofía es que sea legible por cualquier persona con
conocimientos básicos de programación, desde el desarrollo web hasta
análisis de datos y machine learning. Además, posee una serie de
características que lo hacen muy particular y que, sin duda, aportan muchas
ventajas ya que es totalmente gratuito, está respaldado por una gran
comunidad, es un lenguaje multiparadigma, y es apto para todo tipo de
plataformas.

Según (Chazalet, 2016) en su libro acerca de fundamentos de Python señala

que es un lenguaje diseñado para ser simple. Está orientada en la filosofía de
tener directrices muy claras, sin perder flexibilidad. Les da libertad a los
desarrolladores, sin imponerles una forma de realizar las cosas. Permite
proponer la mejor solución y de este modo generar una integración de alto
nivel muy eficaz.

23
5.3.4.2. HTML5

Según (Diego.J, 2019), el HTML5, es un hipertexto, que no es más que un

texto que enlaza con otros contenidos, que pueden ser otro texto u otro
archivo. Esto es la base del funcionamiento de la web tal y como la
conocemos, que no es más que páginas y recursos interconectados. Un
ejemplo de una etiqueta HTML es la que identifica a un párrafo, que se
compone de la etiqueta, el contenido de la etiqueta y el cierre del párrafo:
<p>HOLA</p>.

5.3.4.3. Bootstrap

Según (Rodríguez.H, 2022), Bootstrap es un potente conjunto de

herramientas: una colección de herramientas HTML, CSS y JavaScript para
crear páginas web y aplicaciones web. Es un proyecto gratuito y de código
abierto, alojado en GitHub, y a su vez es muy usado para la creación de
aplicaciones y páginas web, ya que proporciona una amplia gama de
componentes y estilos predefinidos que facilitan la creación de interfaces que
se caracterizan por ser responsivas y amigables con la navegación del
usuario. El principal potencial que tiene Bootstrap es el aprovechamiento de
reglas CSS y componentes JavaScript que permiten agilizar el proceso de
desarrollo. Gracias a su amplia documentación y comunidad activa es posible
aprender fácilmente a usarlo.

5.4. Librerías
5.4.1. NumPy
NumPy es una biblioteca básica de Python que facilita la manipulación
eficiente de matrices y matrices multidimensionales, así como la realización
de operaciones matemáticas complejas en matrices multidimensionales.
Debido a la eficiencia y rendimiento de sus operaciones, Numpy utiliza otras
bibliotecas de ML como Tensor Flow (operaciones tensoriales) o Pandas
(cálculos matriciales).

24
(HARRIS, 2020) A pesar de que NumPy no forma parte de la biblioteca
predeterminada de Python, tiene una gran acogida por parte de los
desarrolladores. A lo largo de los años se han ido agregando nuevas
características y sintaxis especiales para que NumPy tenga una notación de
matriz concisa y de fácil lectura. Se encuentra estrechamente relacionado con
las librerías SciPy y Matplotlib en términos de historia, desarrollo y aplicación.
Estas bibliotecas en conjunto proporcionan una base sólida para la
programación de matrices en Python

5.4.2. Tensorflow
Tensorflow es una biblioteca de redes neuronales y aprendizaje automático
desarrollada por el equipo de Google Brain para crear y entrenar modelos de
aprendizaje automático para aplicaciones que van desde el reconocimiento de
voz, el procesamiento de imágenes y la comprensión natural. Idioma.
Tensorflow se caracteriza por su capacidad para procesar grandes cantidades
de datos y su escalabilidad en sistemas distribuidos.

(SÁNCHEZ, et al, 2020) señalan que TensorFlow es una biblioteca de código

abierto desarrollada por Google para aprendizaje automático la cual permite
implementar computación por CPU o GPU, empleando gráficos de flujo de
datos.

5.4.3. Matplotlib

Matplotlib es la biblioteca de gráficos para Python estándar y además la más

conocida. Matplotlib se puede utilizar para crear la calidad de gráficos
necesaria para la publicación impresa y digital.

Con matplotlib se puede crear muchos tipos de gráficos: series temporales,

histogramas, espectros de potencia, diagramas de barras, diagramas de
errores, etc. (Vilca. 2020)

5.4.4. Pickle

25
Una manera usual de guardar objetos en Python fuera de ejecución es
«picklenizarlos», es decir, convertirlos en una secuencia de bytes para poder
tratarlo como una cadena de texto. (Viñas, 2023).

Esto se puede hacer utilizando la biblioteca estándar de Python llamada

“pickle”, que proporciona funciones para serializar y deserializar objetos
Python.

5.4.5. Scikit-learn

Se podría decir que scikit-learn es como una caja de herramientas orientada a

su uso en Python y pensada para ser utilizada para la minería de datos y, lo
que comúnmente se conoce como ciencias de los datos, enfocada al
aprendizaje automático. (Zamorano, 2019).

26
VI. PLANIFICACIÒN DEL PROYECTO

Ilustración 3: Cronograma de actividades - Fuente: Elaboración Propia

27
VII. METODOLOGÍA

7.1. Planificación
Con la implementación del prototipo del sistema basado en redes neuronales
artificiales para el diagnóstico inteligente de enfermedades respiratorias en la
clínica Belén-Piura, notamos que la clínica recibe a un gran número de
pacientes con enfermedades respiratorias. El personal médico se ve
abrumado por la cantidad de pacientes. Además, la disponibilidad de
especialistas en enfermedades respiratorias es limitada, lo que retrasa aún
más la atención adecuada.
Dada esta situación, la Clínica Belén busca una solución que permita un
diagnóstico más rápido y preciso de las enfermedades respiratorias, además
de optimizar el uso de los recursos médicos disponibles, esta situaciòn nos
llevó a realizar este sistema, para ello realizamos una planificación de los
pasos a seguir:
● Establecer los objetivos de nuestro proyecto.
● Identificar los recursos necesarios esto incluye software, hardware.
● Asignar responsabilidades a cada integrante del equipo.
Encargados de diseñar y desarrollar el sistemas.
Encargado de recopilar y preparar la información.
Encargado de verificar el cumplimiento de todas las actividades.
● Definir un calendario de actividades.
● Establecer un plan de comunicación semanal a través de WhatsApp,
Zoom, meet o llamada telefónica para que todos los integrantes del
grupo estén informados del progreso del trabajo.
7.2. Inicialización

VISIÒN GENERAL DEL SISTEMA:

El sistema dentro de la clínica Belén es una herramienta integral y avanzada

que revoluciona el diagnóstico de enfermedades respiratorias, mejorando
significativamente la atención médica y la calidad de vida de los pacientes
donde nuestro sistema basado en redes neuronales artificiales permitirá
rápido y preciso, para obtener resultados rápidos y confiables, lo que ayudará

28
 a tomar decisiones de tratamiento más efectivas, el sistema aliviará la carga
de trabajo especialmente del personal médico, especialmente en situaciones
en las que la clínica recibe un gran número de pacientes, automatizará gran
parte del proceso de diagnóstico, permitiendo que los médicos se concentren
en la atención personalizada y el tratamiento.
La disponibilidad limitada de especialistas en enfermedades respiratorias ya
no será un obstáculo, ya que el sistema complementará la experiencia
médica.
Se optimizará el uso de los recursos médicos disponibles, lo que podría
resultar en un uso más eficiente de la infraestructura de la clínica.
La clínica se beneficiará de actualizaciones y mejoras regulares del sistema
para mantenerlo al día con los avances médicos y tecnológicos.

La visión global es que este sistema se convierta en una parte esencial de la

operación diaria. Esto, a su vez, posicionará a la clínica como líder en el
diagnóstico de enfermedades respiratorias en la región.

REQUISITOS FUNCIONALES

ID NOMBRE DESCRIPCIÓN ROL PRIORIDAD

RF - 001 Registro de El sistema debe Profesionales ALTA

información permitir el registro de médicos.
información de
pacientes, incluyendo
datos personales,
historiales médicos y
síntomas.

RF - 002 Procesar y El sistema debe ser Profesional ALTA

analizar capaz de procesar y médico.
datos. analizar datos
clínicos de pacientes
para el diagnóstico
de enfermedades
respiratorias.

RF - 003 Automatizar El sistema debe Profesional ALTA

el proceso de automatizar el médico.
diagnóstico. proceso de

29
 diagnóstico de
enfermedades
respiratorias basado
en los datos del
paciente y la red
neuronal artificial.

RF - 004 Proporcionar El sistema debe Personal ALTA

una interfaz proporcionar una médico,
interfaz de usuario administradores
fácil de usar para y
médicos y pacientes. desarrolladores.

RF - 005 Mantener un El sistema debe Desarrolladores MEDIO

historial de mantener un historial
diagnósticos. de diagnósticos y
tratamientos de
pacientes para su
seguimiento.

RF - 006 Generar El sistema debe ser Personal MEDIO

informes. capaz de generar médico.
informes de
diagnóstico
detallados que se
puedan compartir con
el paciente y el
equipo médico.

RF - 007 Sistema El sistema debe ser Desarrolladores ALTO

compatible. compatible con .
dispositivos médicos
utilizados en la
clínica para recopilar
datos adicionales.

RF - 008 Actualizacion El sistema debe Desarrolladores MEDIO

es. permitir .
actualizaciones
regulares para
incorporar avances
en la investigación
médica y tecnológica.

Ilustración 4: Requerimientos Funcionales - Fuente: Elaboración Propia

30
 REQUISITOS NO FUNCIONALES

ID NOMBRE DESCRIPCIÓ ROL PRIORIDAD

N

RNF - 001 Seguridad y El sistema Desarrolladores. ALTA

privacidad de debe
datos. garantizar la
seguridad y
privacidad de
los datos del
paciente de
acuerdo con
las
regulaciones
de salud.

RNF - 002 Sistema El sistema Desarrolladores. ALTA

rápido. debe ser
rápido y capaz
de realizar
diagnósticos
en un tiempo
razonable.

RNF - 003 Sistema El sistema Desarrolladores. ALTA

escalable. debe ser
escalable para
manejar un
aumento en el
número de
pacientes y
datos sin
degradación
del
rendimiento.

RNF - 004 Sistema El sistema Desarrolladores. MEDIA

disponible debe estar
247. disponible las
24 horas del
día, los 7 días
de la semana,
para
garantizar
atención
continua a los
pacientes.

31
 RNF - 005 Interfaz La interfaz de Desarrolladores. MEDIA
intuitiva. usuario debe
ser intuitiva y
fácil de usar,
incluso para
usuarios no
técnicos.

RNF - 006 Sistema El sistema Desarrolladores. ALTA

compatible. debe ser
compatible
con múltiples
dispositivos y
sistemas
operativos
utilizados en la
clínica.

RNF - 007 Regulaciones El sistema Desarrolladores. ALTA

de estándares debe cumplir
de calidad. con las
regulaciones y
estándares de
salud
aplicables en
la región.

Ilustración 5: Requerimientos No Funcionales - Fuente: Elaboración Propia

STAKEHOLDERS

1. Personal Médico: Este grupo incluye médicos, enfermeras y otros

profesionales de la salud que utilizarán el sistema para el diagnóstico de
enfermedades respiratorias y la atención de pacientes.
2. Pacientes: Los pacientes que se someten al diagnóstico y tratamiento de
enfermedades respiratorias son stakeholders clave. El sistema afectará
directamente su atención médica y diagnóstico.
3. Administradores de la Clínica: Los administradores de la Clínica Belén son
responsables de la gestión y la toma de decisiones estratégicas. El sistema
puede influir en la eficiencia operativa y la calidad de la atención.
4. Personal de IT y Desarrollo: El personal de TI y desarrollo que participa en la
implementación y mantenimiento del sistema es un grupo importante de
stakeholders.

32
5. Público en General: Si el sistema se utiliza en un entorno de investigación
médica, el público en general puede verse afectado positivamente por
avances en el diagnóstico y tratamiento de enfermedades respiratorias.

CASO DE USO:

En el caso de uso se muestran como los actores interactúan con el sistema.

Actores Principales:

● Personal Médico

● Administrador del Sistema

● Paciente

Casos de Uso:

Registrar Paciente:

El personal médico registra información de un nuevo paciente en el sistema.

Iniciar Sesión:
Los actores autorizados inician sesión en el sistema.

Gestionar Pacientes:
El personal médico puede ver, editar y actualizar información de los
pacientes.

Realizar Diagnóstico:
El personal médico utiliza el sistema para ingresar datos clínicos del paciente
y obtener un diagnóstico.

Administrar Usuarios:
El administrador del sistema gestiona usuarios y sus roles en el sistema.

Mantenimiento del Sistema:

El administrador del sistema realiza tareas de mantenimiento y actualización
del sistema.

33
Ilustración 6: Caso de uso General - Fuente: Elaboración Propia

Documentación del caso de uso

La documentación es esencial para comprender en detalle cómo interactúan
los actores con el sistema en un escenario particular.

34
CASO DE USO Realizar Diagnóstico de una enfermedad respiratoria

IDENTIFICACIÓN

NOMBRE Realizar Diagnóstico de la enfermedad respiratoria

ID CU-01

ACTOR PRINCIPAL PERSONAL MÉDICO

PARTICIPANTES Paciente

Nivel Usuario Final

DESCRIPCIÓN Este caso de uso describe el proceso mediante el cual el

personal médico utiliza el sistema para ingresar datos
clínicos del paciente y obtener un diagnóstico de
enfermedad respiratoria.

FLUJO BÁSICO ● El caso de uso comienza cuando el personal médico

inicia sesión en el sistema.
● El personal médico selecciona al paciente para el
cual desea realizar el diagnóstico.
● El sistema muestra una interfaz que permite al
personal médico ingresar datos clínicos del paciente,
como síntomas, antecedentes médicos, resultados
de pruebas, etc.
● El personal médico ingresa los datos clínicos en el
sistema.
● El sistema procesa los datos y utiliza el modelo de
redes neuronales artificiales para realizar un
diagnóstico de enfermedad respiratoria.
● El sistema muestra el resultado del diagnóstico, que
puede incluir el nombre de la enfermedad, la
gravedad, recomendaciones de tratamiento, etc.
● El personal médico puede generar un informe con el
diagnóstico y las recomendaciones, que se almacena
en el sistema para su referencia futura.

35
 ● El caso de uso finaliza.

FLUJOS ● Si el sistema no puede realizar un diagnóstico

ALTERNATIVOS
preciso debido a la falta de datos, el personal médico
debe completar la información requerida antes de
obtener un diagnóstico.
● Requerimientos Especiales:
● El sistema debe contar con una base de datos
actualizada de enfermedades respiratorias y sus
características clínicas para realizar diagnósticos
precisos.
● Precondiciones:

● El personal médico ha iniciado sesión en el sistema.

● Se ha seleccionado un paciente para realizar el
diagnóstico.
● Postcondiciones:

● El resultado del diagnóstico se almacena en el

sistema.
● El informe del diagnóstico está disponible para su
revisión y referencia futura.

Ilustración 7: Documentación del caso de uso - Fuente: Elaboración Propia

DIAGRAMA DE SECUENCIA

● Actor Principal (Personal Médico): Comienza la secuencia iniciando

sesión en el sistema.
● Sistema: Confirma la autenticación del personal médico y muestra
una lista de pacientes.
● Actor Principal: Selecciona al paciente para el diagnóstico.

36
● Sistema: Muestra una interfaz para ingresar datos clínicos del
paciente.
● Actor Principal: Ingresa los datos clínicos en la interfaz.
● Sistema: Procesa los datos clínicos y envía una solicitud al modelo de
redes neuronales artificiales para el diagnóstico.
● Modelo de Redes Neuronales Artificiales: Realiza el diagnóstico en
función de los datos clínicos proporcionados.
● Sistema: Recibe el resultado del diagnóstico del modelo.
● Actor Principal: Ve el resultado del diagnóstico en la interfaz.
● Actor Principal: Opcionalmente, genera un informe del diagnóstico.
● Sistema: Almacena el resultado del diagnóstico y, si se genera un
informe, lo guarda en el sistema.
● Actor Principal: Finaliza la secuencia.

37
Ilustración 8: Diagrama de Secuencia - Fuente: Elaboración Propia

DIAGRAMA DE ACTIVIDADES

● Inicio: El proceso comienza con la autenticación del personal médico

en el sistema.

● Seleccionar Paciente: El personal médico selecciona a un paciente de

la lista de pacientes disponibles.

38
● Ingresar Datos Clínicos: El sistema muestra una interfaz para ingresar
los datos clínicos del paciente. El personal médico ingresa esta
información en la interfaz.

● Procesar Datos Clínicos: Una vez que se ingresan los datos clínicos,
el sistema procesa esta información y la envía al modelo de redes
neuronales artificiales (RNA).

● Realizar Diagnóstico: El modelo de RNA realiza el diagnóstico

utilizando los datos clínicos proporcionados y devuelve el resultado al
sistema.

● Mostrar Resultados: El sistema muestra el resultado del diagnóstico

en la interfaz para que el personal médico lo revise.

● Generar Informe (Opcional): Si es necesario, el personal médico

puede generar un informe del diagnóstico, que se guarda en el
sistema.

● Finalizar: El proceso de diagnóstico concluye, y el personal médico

puede seleccionar a otro paciente si es necesario.

39
Ilustración 9: Diagrama de Actividades - Fuente: Elaboración Propia

MODELO CANVAS DE LA CLÍNICA

40
 Modelo Canvas para la Clínica de Diagnóstico Inteligente de Enfermedades
Respiratorias

Segmento de ● Pacientes con Propuesta de ● Diagnóstico rápido y

Clientes: enfermedades Valor: preciso de
respiratorias. enfermedades
● Personal médico y de respiratorias.
enfermería. ● Optimización de los
● Clínica Belén como recursos médicos.
entidad de salud. ● Mejora en la calidad
de atención y
tratamiento.

CANALES ● Plataforma en línea para acceso al sistema.

● Consulta presencial en la clínica.

RECURSOS ● Personal médico y técnico.

CLAVE ● Plataforma de software y hardware.
● Datos clínicos y modelos de redes neuronales.

ACTIVIDADES ● Desarrollo y mantenimiento del sistema.

CLAVE ● Diagnóstico de pacientes.
● Atención médica.
● Investigación y desarrollo continuo.

Ilustración 10: Modelo Canva de la Empresa - Fuente: Elaboración Propia

7.3. Desarrollo del sistema

ESTRUCTURA E IMPLEMENTACIÓN

● Interfaz de Usuario: El sistema debe tener una interfaz de usuario

amigable que permita a los usuarios (personal médico y pacientes)
interactuar con él.
● Base de Datos: Se requiere una base de datos para almacenar los
datos clínicos de los pacientes, así como los resultados de los
diagnósticos realizados.
● Modelo de Redes Neuronales Artificiales (RNA): El corazón del
sistema es el modelo de RNA que se entrena para diagnosticar
enfermedades respiratorias.
● Módulo de Procesamiento de Datos: Este módulo se encarga de
procesar los datos clínicos ingresados por los pacientes o el personal
médico.

41
 ● Motor de Diagnóstico: El motor de diagnóstico es responsable de
ejecutar el modelo de RNA para realizar el diagnóstico.
● Seguridad y Privacidad: El sistema debe contar con medidas de
seguridad sólidas para proteger la privacidad de los datos del
paciente y garantizar la confidencialidad de la información médica.

Implementación del Sistema:

La implementación del sistema implica los siguientes pasos:

1. Se desarrolla y entrena el modelo de RNA utilizando conjuntos de

datos clínicos.

● Diseño y construcción de la RNA para la identificación y

clasificación de enfermedades respiratorias utilizando datos de
pacientes.

● Implementación de algoritmos de aprendizaje automático y

entrenamiento de la RNA con el conjunto de datos recopilado.

● Evaluación y ajuste de la RNA para optimizar su precisión y

eficacia en el diagnóstico.

2. Se crea la interfaz de usuario, que permite a los usuarios ingresar

datos clínicos y recibir resultados de diagnóstico. La interfaz debe ser
fácil de usar y accesible desde múltiples dispositivos.

3. Se integra el modelo de RNA en el sistema y se desarrolla el motor de

diagnóstico que ejecuta el modelo y genera resultados de diagnóstico.

4. Se configura la base de datos para almacenar los datos de pacientes y

los resultados de diagnóstico.

INTERFACES

La imagen representa que el servidor se encuentra en actividad.

42
Ilustración 11: Servidor Activo - Fuente: Elaboración Propia

Interface 1

Ilustración 12: Primera Interfaz - Fuente: Elaboración Propia.

INTERFACE DE USUARIO

43
Ilustración 13: Interfaz de Usuario - Fuente: Elaboración Propia

PERFIL DE USUARIO

Ilustración 14: Interfaz de Perfil de Usuario - Fuente: Elaboración Propia

REGISTRO DE PACIENTES

44
Ilustración 15: Interfaz de Registro de Pacientes - Fuente: Elaboración Propia

DIAGNOSTICO DE PACIENTES

Ilustración 16: Interfaz de Diagnóstico de pacientes - Fuente: Elaboración Propia

INTERFACE DE ADMINISTRADOR

45
Ilustración 17: Interfaz de Administrador - Fuente: Elaboración Propia

LISTADO DE PACIENTES

Ilustración 18: Interfaz de Listado de Pacientes - Fuente: Elaboración Propia

46
 LISTADO DE LOS USUARIOS

Ilustración 19: Interfaz de Modelo de Usuarios- Fuente: Elaboración Propia

Ilustración 20: Interfaz para predecir según los síntomas: Elaboración Propia

47
Ilustración 21: Interfaz que indica que los síntomas han ingresado con exito: Elaboración
Propia

Ilustración 22: Interfaz que muestra el diagnóstico: Elaboración Propia

48
Ilustración 23: Interfaz que muestra lista de pacientes: Elaboración Propia

Ilustración 24: Interfaz que permite la búsqueda de receta: Elaboración Propia

49
Ilustración 25: Interfaz que muestra la receta: Elaboración Propia

Ilustración 26: Interfaz que muestra la receta para poder imprimirla: Elaboración Propia

50
VIII. CONCLUSIONES

● El uso de redes neuronales artificiales en el diagnóstico de enfermedades

respiratorias puede ser muy beneficioso. Con este proyecto se ha demostrado
que la aplicación de técnicas de inteligencia artificial en la detección de
patologías del sistema respiratorio puede ayudar a disminuir los trámites y
tiempos en la atención médica.
● El diseño y construcción de una red neuronal artificial para la identificación y
clasificación de enfermedades respiratorias mediante datos de pacientes
representa una herramienta prometedora en el ámbito de la salud. Este
enfoque ofrece la posibilidad de mejorar la precisión y la rapidez en el
diagnóstico, lo que podría contribuir significativamente a la detección
temprana y el tratamiento eficiente de enfermedades respiratorias, mejorando
así la atención médica y la calidad de vida de los pacientes.
● El diseño de una interfaz de usuario intuitiva y fácil de usar para el sistema
mejora la experiencia del usuario final al interactuar con la plataforma. Al
priorizar la accesibilidad y la simplicidad en el diseño, se busca garantizar que
incluso aquellos usuarios con poca experiencia técnica puedan utilizar
eficazmente todas las funcionalidades del sistema. La creación de una
interfaz amigable no solo facilita la adopción del sistema, sino que también
reduce la curva de aprendizaje, aumenta la eficiencia y minimiza posibles
errores de usuario.
● La evaluación de la eficacia del sistema de diagnóstico inteligente representa
un paso crítico para determinar su validez clínica y su utilidad en el ámbito de
la salud. Los parámetros de precisión, sensibilidad y especificidad ofrecen
una medida objetiva de la capacidad del sistema para diagnosticar
enfermedades respiratorias de manera confiable. Los resultados de esta
evaluación no solo respaldan la credibilidad y la confiabilidad del sistema,
sino que también proporcionan información valiosa sobre su rendimiento en
situaciones clínicas reales.

51
IX. RECOMENDACIONES

● Ampliar y diversificar el conjunto de datos para garantizar la representación

adecuada de diversas condiciones respiratorias y poblaciones.
● Prestar especial atención a la calidad de los datos, eliminando posibles
sesgos y asegurando la integridad de la información recolectada.
● Explorar arquitecturas de redes neuronales más avanzadas y considerar la
implementación de técnicas de aprendizaje profundo para obtener resultados
más precisos.
● Realizar estudios clínicos más extensos y colaborar estrechamente con
profesionales de la salud para validar la eficacia del sistema en entornos
clínicos del mundo real.
● Incorporar retroalimentación constante de expertos médicos para ajustar y
mejorar el modelo según las necesidades clínicas específicas.
● Desarrollar herramientas adicionales que complementen el sistema, como
asistentes de toma de decisiones o sistemas de recomendación, para
proporcionar información adicional y mejorar la asistencia clínica.
● Planificar actualizaciones regulares del sistema para mantenerse al día con
los avances en la investigación y la tecnología médica.

52
REFERENCIAS BIBLIOGRÁFICAS

BATISTA, Deysi, et al. Aplicación Web para la gestión de contratos en

la Empresa de Ingeniería y Proyectos del Níquel. Ciencia & Futuro, 2023, vol.
13, no 3, p. 455-467.

CAICEDO B, Eduardo Francisco y Jesús Alfonso LÓPEZ S. Una

aproximación práctica a las redes neuronales artificiales. En línea. Programa
Editorial Universidad del Valle, 2009. ISBN 9789587655100. Disponible en:
https://doi.org/10.25100/peu.64.

CASTRO, C., BENÍTEZ, B., VARGAS, E., y FLORES, D., 2020.

Detección temprana de la enfermedad causada por el virus de Hepatitis C
usando redes neuronales artificiales. Memorias Del Congreso Nacional De
Ingeniería Biomédica, 7(1), 417–423. Disponible en:
https://memoriascnib.mx/index.php/memorias/article/view/791

CHALLENGER, Ivet; DÍAZ, Yanet; BECERRA, Roberto. El lenguaje de

programación Python. Ciencias Holguín, 02/09/2023. p. 14. ISSN 1027-2127.
https://www.redalyc.org/articulo.oa?id=181531232001

CHAZALLET, S. Python 3: los fundamentos del lenguaje. Ediciones Eni, 2016.

CHOWDHURY, Kunal. Mastering Visual Studio 2017. Packt Publishing

Ltd, 2017.

HARRIS, Charles, et al. Array programming with NumPy. Nature 585,

357–362 (2020). https://doi.org/10.1038/s41586-020-2649-2.

LUNA, Pavel; VARGAS, Sharon 2022. Uso de inteligencia artificial para

el diagnóstico de Covid-19 a través de radiografía de tórax en el Hospital
Nacional Adolfo Guevara Velasco, Hospital Regional y Hospital Antonio
Lorena, Cusco-Perú, periodo 2020-2021. Tesis de Titulación. Cusco:
Universidad Andina del Cusco. Disponible en:
https://hdl.handle.net/20.500.12557/4802

53
 Pocco, K. (2022). Un sistema experto para el diagnóstico del trastorno
depresivo basado en redes neuronales. Revista cubana de informática
médica,14(2).http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1684-185
92022000200002&lng=en&tlng=en

Tejada Layme, G. (2020). Arquitectura de red neuronal convolucional

para diagnóstico de cáncer de piel. Recuperado de
https://hdl.handle.net/20.500.12867/3043

Jean Edinson.G.B. (2023). Sistema inteligente basado en redes

neuronales para apoyar el control de plagas en cultivos de caña de azúcar de
Lambayeque. Recuperado de http://hdl.handle.net/20.500.12423/5757

DÍAZ H, y Romario V, 2021. Aplicativo móvil para la detección de la

enfermedad del mosaico común en la yuca (Manihot Esculenta) utilizando
redes neuronales convolucionales, 2021. Recuperado de
https://repositorioslatinoamericanos.uchile.cl/handle/2250/6525737

Valderrama-Purizaca, F. J., Chávez-Barturen, D. A., Muñoz-Pérez, S.

P., Tuesta-Monteza, V. A., y Mejía-Cabrera, H. I. (2021). Importancia de las
redes neuronales artificiales en la ingeniería civil: Una revisión sistemática de
la literatura. ITECKNE, 18(1), 71-83. Recuperado de
https://doi.org/10.15332/iteckne.v18i1.2542

JUAN, R.Q. y MARIO, C.M., 2011. Redes neuronales artificiales para el

procesamiento de imágenes, una revisión de la última década. Cloudfront.net
[en línea]. [consulta: 24 septiembre 2023]. Disponible en: https://n9.cl/060ti

Avila-Tomás, J. F., Mayer-Pujadas, M. A., & Quesada-Varela, V. J.

(2020). La inteligencia artificial y sus aplicaciones en medicina I: introducción
antecedentes a la IA y robótica.
https://www.sciencedirect.com/science/article/pii/S0212656720301451.

MÜLLER, Andreas; GUIDO, Sarah. Introduction to machine learning

with Python: a guide for data scientists. " O'Reilly Media, Inc.", 2016.

54
 NARANJO ROJAS, Anisbed, Ana CRISTIANA ARANGO y Freiser
Eceomo CRUZ MOSQUERA. Herramientas tecnológicas para el control y
seguimiento de pacientes con enfermedades respiratorias y soporte de
oxígeno. Revista Cubana de Información en Ciencias de la Salud
2021;32(2):1614. Colombia: ECIMED, 2021.

Charytoniuk, W., Box, E.D., Lee, W.J., Chen, M.S., Kotas y P. Van
Olinda, P. (2000). Previsión de la demanda basada en redes neuronales en
un entorno desregulado, Industry Applications, IEEE Transactions on,
Volumen 36, serie 3, (pp. 893-898).

VILCA PAREDES, Juan Salvador. Análisis de riesgo para préstamos

bancarios. Rev. Inv. Est. I. [online]. 2020, vol.12, n.1 [cited 2023-10-28], pp.
47-61 . Disponible en:
<http://revistasbolivianas.umsa.bo/scielo.php?script=sci_arttext&pid=S2415-2
3232020000100005&lng=en&nrm=iso>. ISSN 2415-2323

Viñas Morales, David (2023). Creación de una librería de modelo de

lenguaje para extracción de palabras clave no supervisada utilizando
auto-atención y atención cruzada. Proyecto Fin de Carrera / Trabajo Fin de
Grado, E.T.S. de Ingenieros Informáticos (UPM), Boadilla del Monte.

SANCHEZ, S; ROMERO, H.; MORALES, A. A review: Comparison of

performance metrics of pretrained models for object detection using the
TensorFlow framework. En IOP Conference Series: Materials Science and
Engineering. IOP Publishing, 2020. p. 012024.

RASCHKA, Sebastian. Python machine learning. Packt publishing ltd,

2015.

ZAMORANO RUIZ, Juan, et al. Comparación y análisis de métodos de

clasificación con las bibliotecas scikit-learn y TensorFlow en Python. 2019.

Rodríguez, D., & Adrián, H. (2021). Bootstrap - ¿Qué es, para qué sirve
y cómo instalarlo? https://disenowebakus.net/bootstrap.php

55
 Visus, A. (2020, octubre 15). ¿Para qué sirve Python? Razones para
utilizar este lenguaje de programación. Esic.edu; ESIC.
https://www.esic.edu/rethink/tecnologia/para-que-sirve-python

56
ANEXOS

57
58