Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-mini-2024-07-18· OpenAIAi2 WildChat-4.8M (AI2)

Lista todas las tecnologías que aparecen en el siguiente texto: "1.3.3 Tecnologías…

  1. User

    Lista todas las tecnologías que aparecen en el siguiente texto: "1.3.3 Tecnologías Inteligencia Artificial La inteligencia artificial (IA) es una de las ramas de la informática, con fuertes raíces en otras áreas como la lógica y las ciencias cognitivas. Existen muchas definiciones de lo Memoria Técnico-Económica 2023 22 que es la inteligencia artificial, que dependen principalmente de qué se entiende como "inteligencia". La IA como concepto nació en una reunión celebrada en el verano de 1956, en la que se redactó una propuesta en la que aparece por primera vez el término «inteligencia artificial». El documento la define como "una máquina que se comporte de manera que, si el mismo comportamiento lo realizara un ser humano, este sería llamado inteligente" [23]. Existen, sin embargo, otras definiciones, como las que se incluyen a continuación: • Actuar como las personas: El modelo a seguir para la evaluación de los programas corresponde al comportamiento humano. La llamada prueba de Turing (1950) también utiliza este punto de vista. • Razonar como las personas. Lo importante es cómo se realiza el razonamiento y no el resultado de este razonamiento. La propuesta aquí es desarrollar sistemas que razonen del mismo modo que las personas. La ciencia cognitiva utiliza este punto de vista. • Razonar racionalmente. En este caso, la definición también se focaliza en el razonamiento, pero aquí se parte de la premisa de que existe una forma racional de razonar. La lógica permite la formalización del razonamiento y se utiliza para este objetivo. • Actuar racionalmente. De nuevo el objetivo son los resultados, pero ahora evaluados de forma objetiva. Por ejemplo, el objetivo de un programa en un juego como el ajedrez será ganar. Para cumplir este objetivo es indiferente la forma de calcular el resultado. Existen dos clasificaciones para la inteligencia artificial relacionadas con la concepción del potencial de la investigación en este campo y los resultados finales que se obtendrán, y que, al igual de que la definición del concepto en sí, cuentan con un importante componente filosófico. • Inteligencia artificial débil: Esta postura considera que los ordenadores sólo pueden "simular" que razonan, y en consecuencia sólo pueden "actuar" de forma inteligente. Esto implica que no será nunca posible construir ordenadores conscientes, y que un programa es una simulación de un proceso cognitivo, pero no un proceso cognitivo en sí mismo. Memoria Técnico-Económica 2023 23 • Inteligencia artificial fuerte: La postura opuesta a la anterior, considera que un ordenador sí puede tener una mente y unos estados mentales, y que, por tanto, un día será posible construir uno con capacidades indistinguibles de los de la mente humana. Esto incluye por ejemplo la habilidad de razonar, imaginar o crear arte. Más allá de la gran cantidad de distintas definiciones y sus filosofías, la inteligencia artificial es una herramienta increíblemente útil en una amplia variedad de escenarios, entre los cuales destacan los siguientes: • Resolución de problemas y búsqueda: Aplicación de inteligencia artificial para la resolución de problemas de índole muy diferente, a partir de su formalización. • Representación del conocimiento y sistemas basados en el conocimiento. Utilización de sistemas IA para la incorporación y procesamiento de datos del dominio de aplicación (por ejemplo, en medicina) para poder resolver problemas relacionados. • Aprendizaje automático. Creación de sistemas con la capacidad de incrementar su rendimiento a través de la actividad realizada y de sus propios errores. • Inteligencia artificial distribuida. Soluciones que van desde versiones paralelas de métodos ya existentes a nuevos problemas relacionados con los agentes autónomos (programas software con autonomía para tomar decisiones e interaccionar con otros). Además de los cuatro escenarios mencionados arriba, existen otros que están fuertemente relacionados con la inteligencia artificial. Son los enumerados a continuación: • El lenguaje natural. • La visión artificial. • La robótica. • El reconocimiento del habla. Machine Learning El concepto de Machine Learning, o aprendizaje automático, se define como una técnica del ámbito de la Inteligencia Artificial dirigida al desarrollo de modelos y algoritmos para Memoria Técnico-Económica 2023 24 que las máquinas y sistemas puedan aprender y contribuir a los procesos de toma de decisiones, ya sea de manera supervisada o por sí mismas [17]. El aspecto iterativo del Machine Learning es importante, ya que los modelos están expuestos a nuevos datos y, por lo tanto, son capaces de adaptarse de forma independiente, aprendiendo de los cálculos anteriores para producir decisiones y resultados confiables y repetibles. Es cada vez más habitual que los desarrollos tecnológicos se orienten a proporcionar a los sistemas la capacidad de aprender por sí mismos. Esto es debido a que no se puede preprogramar reglas para lidiar con las infinitas combinaciones de datos de entrada y situaciones que aparecen en el mundo real, y la única forma de que se puedan llegar a resolver problemas de muy elevada complejidad es otorgar la capacidad de aprendizaje. El aprendizaje automático cuenta con una alta capacidad de adaptación para un gran abanico de aplicaciones tecnológicas, pudiéndose adaptar a tantas situaciones como alcance se posea con los datos con los que se cuente. Estas son algunas de las actividades habituales que se ven impulsadas por esta tecnología [20]: • Buscadores. Permitiendo mejorar el proceso de búsqueda, los resultados obtenidos y obtener sugerencias asociadas. • Predicción y pronósticos. De clima, tráfico o para evitar fallos tecnológicos en equipos. • Comprensión de textos. Se aplica a resúmenes estructurados de noticias o comentarios sobre un tema específico. • Análisis de datos económicos. Permite operar en el mercado de valores o evitar el fraude en transacciones. • Análisis de comportamiento de consumo. Para la identificación de clientes potenciales, prever qué empleados pueden ser más rentables, adaptar servicios a las necesidades del usuario, etc. o aplicar un razonamiento que les permita superar esa barrera. El aprendizaje automático tiene como resultado un modelo creado para resolver una tarea específica. Entre ellos, se distinguen los siguientes: Memoria Técnico-Económica 2023 25 • Modelos geométricos: Construidos en el espacio de instancias, pueden tener múltiples dimensiones. Si hay un borde de decisión lineal entre las clases, se dice que los datos son linealmente separables. • Modelos probabilísticos: Intentan determinar la distribución de probabilidades descriptora de la función que enlaza a los valores de las características con valores determinados. Uno de los conceptos claves para desarrollar modelos probabilísticos es la estadística bayesiana. • Modelos lógicos: Transforman y expresan las probabilidades en reglas organizadas en forma de árboles de decisión. Los diferentes algoritmos de aprendizaje automático se agrupan en una taxonomía en función de la salida de estos. Algunos tipos de algoritmos son: • Aprendizaje supervisado: El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en problemas de investigación biológica, biología computacional y bioinformática. • Aprendizaje no supervisado: Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan solo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas. • Aprendizaje semisupervisado: Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados. • Aprendizaje por refuerzo: El algoritmo aprende en base a la retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error. • Transducción: Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos Memoria Técnico-Económica 2023 26 basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema. • Aprendizaje multi-tarea: Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. Deep Learning El aprendizaje profundo o Deep Learning es una colección de algoritmos utilizados en el aprendizaje de sistemas que se utiliza para modelar abstracciones de alto nivel en los datos mediante el uso de procesos que se componen de múltiples transformaciones no lineales. Forma parte de una amplia familia de métodos utilizados para el aprendizaje de sistemas que se basa en las representaciones de los datos [21]. El aprendizaje profundo es un enfoque específico utilizado para la construcción y la formación de redes neuronales, que son considerados nodos de toma de decisiones altamente prometedores, tal y como se ha comentado anteriormente. Un algoritmo es considerado para ser utilizado en el aprendizaje y análisis profundo si los datos de entrada que navegan son procesados a través de una serie de transformaciones no lineales antes de su salida. Este aprendizaje elimina la identificación manual de las características de los datos y, en cambio, se basa en cualquier proceso de formación que tiene el fin de descubrir los patrones útiles en los ejemplos de entrada. Esto hace que el entrenamiento de la red neuronal sea más fácil y rápido, y se puede producir unos mejores resultados en este campo. Existen varias técnicas avanzadas que permiten la aplicación y desarrollo del Deep Learning: • Traducción automática: Las redes neuronales son particularmente eficientes en el reconocimiento de texto en imágenes que contienen caracteres. A partir de esto, es fácil extraerlos en forma de texto y crear una transcripción que puede luego ser traducida. • Asistencia sanitaria: Las técnicas de Deep Learning aplicadas en el entorno de la medicina permiten ayudar al diagnóstico temprano de enfermedades y mejorar los resultados en el tratamiento de las patologías. Estas técnicas también se aplican en proyectos de investigación clínica, aunque su utilización aún no está muy difundida. Memoria Técnico-Económica 2023 27 • Detección de fraude: Mediante la identificación de patrones habituales en los hábitos de consumo de las personas, es posible detectar anomalías en los sistemas bancarios y financieros que puedan indicar un posible intento de fraude. Estándares de comunicación La aplicación consistente y eficiente de las tecnologías de la información sólo es posible si se hace de la mano de la definición y estandarización de los procesos. De lo contrario, el resultado es la creación de herramientas sin utilidad real y resultados inconsistentes. Los estándares adquieren especial relevancia cuando lo que se busca es la interacción entre plataformas independientes, creadas por desarrolladores distintos y con funcionalidades específicas. En el caso de los hospitales, muchas veces, cuando se busca la informatización del registro clínico y los procesos asistenciales, no se cumple con este requisito, y en su lugar se definen los procesos de manera ad hoc y pasan a formar parte de la cultura organizacional a partir de la repetición [11]. La definición formal es necesaria para informatizar. Por este motivo, se suele contar con un proceso de análisis y estandarización dentro del proceso de informatización. Esta etapa del proceso suele ser extensa y costosa, principalmente debido a que es un proceso integral que involucra no sólo cómo trabajan las personas, y la información que generan y consumen, sino que requiere entender cómo funciona la propia cultura organizacional. Muchos proyectos de informatización en el área clínica han fracasado debido a la complejidad y poca definición o estandarización de procesos. Otra de las grandes causas del fracaso en este tipo de proyectos son los problemas de comunicación. Mediante herramientas de software, la informatización formaliza y simplifica el manejo de toda la información que surge de la ejecución de los procesos y sus tareas específicas. Existen múltiples estándares, guías, recomendaciones y especificaciones técnicas en el estado del arte que buscan solucionar esta problemática. Se los puede clasificar en dos grandes grupos: • Estándares abiertos: Son los que pueden ser utilizados por cualquier persona o entidad sin la necesidad de licencia. Algunos ejemplos de este tipo de estándar son Digital Imaging and Communication in Medicine (DICOM), openEHR7 y Object Management Group (OMG). • Estándares privados: Requieren la adquisición de una licencia, y pueden estar limitados por normales legales para su aplicación. Ejemplos de este tipo son Health Memoria Técnico-Económica 2023 28 Level Seven (HL7), International Organization for Standardization (ISO) o American Society for Testing and Materials (ASTM). Asimismo, existe una distinción adicional para los estándares: nacionales o internacionales. Esta clasificación se encuentra dada por el marco legal o los usos y costumbres de una determinada región o nación. Los estándares nacionales responden a estas necesidades específicas, mientras que los internacionales se enfocan en los aspectos genéricos de la industria, y son aplicables en cualquier región o país. Una adecuada adopción de estándares debe considerar la verificación de la satisfacción de necesidades y requisitos del sistema de salud que los adopta. Ya que no existe un solo estándar que solucione todos los aspectos requeridos para lograr interoperabilidad semántica en salud, debe garantizarse que se eligen los estándares correctos para solucionar las temáticas para los que están hechos. Siempre es recomendable invertir en la evaluación de experiencias prácticas y sus resultados, y crear planes piloto donde se evalúen distintos estándares aplicados a la realidad local. Así se puede saber a ciencia cierta si cubren las necesidades de cada sistema de salud. Esto es necesario debido a que una experiencia exitosa en un determinado lugar no es extrapolable de manera directa a otros. La utilización efectiva de la información no depende exclusivamente de la comunicación entre distintos sistemas informáticos, sino que requiere comparar, consolidar, visualizar y analizar los datos, así como vincularlos con bases de conocimiento y otros recursos y formas de procesamiento. Todo ello, sin importar la plataforma ni la infraestructura tecnológica en la cual dicha información está contenida. Para ello, es requisito que se garantice algún nivel de consistencia semántica, lo que quiere decir que es necesario que los datos se comuniquen junto con información que permita representar el contexto en el que fueron obtenidos. Esto incluye, pero no está limitado, a quién generó la imagen, con qué objetivo, en qué momento y lugar, y a través de qué medio. A través de la aplicación de estándares para la gestión de la información, es posible garantizar esta consistencia y otorgar utilidad real a los sistemas informáticos. Los estándares más utilizados internacionalmente con este objetivo son: • HL7 v2: estándar de mensajería basado en el formato EDI para el intercambio de mensajes entre sistemas de información computarizados en salud. Las últimas versiones incluyen mensajería en formato XML. Memoria Técnico-Económica 2023 29 • X12 es un protocolo de comunicación estadounidense aplicado para la comunicación en distintas áreas del gobierno y la industria, entre ellas la salud. Estos protocolos utilizan mensajería EDI y XML y se basan en la definición de conjuntos de transacciones formados por mensajes electrónicos con formatos predefinidos. • National Council for Prescription Drug Program (NCPDP) es un estándar estadounidense que provee las transacciones que involucran prescripción, dispensación y facturación de medicamentos. • DICOM es un estándar abierto gestionado por la National Electrical Manufacturers Association (NEMA) y creado por la industria, consumidores y otros actores para permitir la normalización de los registros imagenológicos digitales y su comunicación entre sistemas. • HL7 v3 es un estándar de mensajería basado en el modelo de referencia de HL7 (Reference Informative Model o RIM) y el formato XML. Los mensajes de HL7 v3 están divididos en dominios como contabilidad y facturación, asistencia sanitaria, reclamos y reembolso, soporte a las decisiones clínicas, arquitectura de documento clínico, genómica clínica, afirmaciones clínicas, laboratorio, órdenes y reportes de salud pública, entre otros. • CEN/ISO 13606 es el estándar CEN/ISO para la comunicación de documentos clínicos digitales entre sistemas de historia clínica electrónica o entre ellos y repositorios de información clínica centralizados. El estándar está dividido en cinco partes: modelo de referencia, intercambio de arquetipos, vocabularios y terminología, seguridad y especificación de las interfaces. Base de datos El término "base de datos" fue utilizado en su significado actual por primera vez en 1963, y fue definido como un conjunto de información relacionada que se encuentra agrupada o estructurada [24]. En informática, la base de datos es un sistema de información almacenada en discos y una serie de programas que permiten acceder a ellos y manipularlos. Cada base de datos se compone de una o más tablas que guardan un conjunto de datos, las cuales tienen una o más columnas y filas. Las columnas guardan una parte de la información sobre cada elemento que se desee guardar en la tabla, y cada fila de la tabla conforma un registro. Entre las principales características de los sistemas de base de datos, cabe destacar las siguientes: Memoria Técnico-Económica 2023 30 • Independencia lógica y física de los datos. • Redundancia mínima. • Acceso concurrente por parte de múltiples usuarios. • Integridad de los datos. • Consultas complejas optimizadas. • Seguridad de acceso y auditoría. • Respaldo y recuperación. • Acceso a través de lenguajes de programación estándar. Como interfaz entre la base de datos, el usuario y las aplicaciones que la utilizan, se utiliza un tipo de software llamado Sistema de Gestión de Base de Datos (SGBD, en inglés DataBase Management System). Esta herramienta se compone de tres lenguajes de datos: uno de definición, uno de manipulación y uno de consulta [17]. Una base de datos, a fin de ordenar la información de manera lógica, posee un orden que debe ser cumplido para acceder a la información de manera coherente. Cada base de datos contiene una o más tablas, que cumplen la función de contener los campos. Por consiguiente, una base de datos posee el siguiente orden jerárquico: • Tablas • Campos • Registros • Lenguaje SQL El lenguaje SQL (Structured Query Language; en español lenguaje de consulta estructurada) es el más universal en los sistemas de base de datos [9]. Permite realizar consultas a bases de datos para mostrar, insertar, actualizar y borrar entradas. Las ventajas de utilizar un sistema de bases de datos en lugar de un sistema de archivos tradicional son varias. Por ejemplo, los sistemas de ficheros almacenan varias copias de los mismos datos en ficheros distintos, lo que implica un uso ineficiente del espacio de almacenamiento disponible, al igual que la inconsistencia de datos. En los sistemas de BBDD, todos los ficheros se encuentran integrados, por lo que los datos no se encuentran almacenados de forma duplicada. Si un dato está almacenado una sola vez, Memoria Técnico-Económica 2023 31 cualquier actualización se debe realizar sólo una vez, y está disponible para todos los usuarios inmediatamente. Si un dato está duplicado y el sistema conoce esta redundancia, puede encargarse de garantizar que todas las copias se mantienen consistentes. A su vez, la base de datos es pertenencia de la entidad y no de usuarios individuales, lo que permite otorgar acceso a varios usuarios sin la necesidad de que almacenen información en sus ordenadores, y los cambios realizados por uno se reflejan automáticamente para todos. Adicionalmente, los SGBD separan las descripciones de los datos de las aplicaciones que los utilizan, lo que se conoce como independencia de datos. Gracias a ella, se simplifica el mantenimiento de las aplicaciones que acceden a la base de datos. Cada Sistema de Base de Datos posee distintos tipos de campos para asociar a sus entradas, que determinan la clase de información que se puede almacenar, y cómo es interpretada por el sistema. Algunos de los más comunes son los siguientes: • Numérico: entre los diferentes tipos de campos numéricos podemos encontrar enteros “sin decimales” y reales “decimales”. • Booleanos: poseen dos estados: Verdadero “Si” y Falso “No”. • Memos: son campos alfanuméricos de longitud ilimitada. Presentan el inconveniente de no poder ser indexados. • Fechas: almacenan fechas facilitando posteriormente su explotación. Almacenar fechas de esta forma posibilita ordenar los registros por fechas o calcular los días entre una fecha y otra. • Alfanuméricos: contienen cifras y letras. Presentan una longitud limitada (255 caracteres). • Autoincrementables: son campos numéricos enteros que incrementan en una unidad su valor para cada registro incorporado. Se utilizan principalmente como identificador ya que cada registro tiene el propio, y no se repiten. Algunos de los sistemas de gestión de bases de datos más populares son: • MySql: es una base de datos con licencia GPL basada en un servidor. Se caracteriza por su rapidez. No es recomendable usar para grandes volúmenes de datos. Memoria Técnico-Económica 2023 32 • PostgreSql y Oracle: son sistemas de base de datos muy potentes. Administran muy bien grandes cantidades de datos, y suelen ser utilizadas en intranets y sistemas de gran calibre. • Access: base de datos desarrollada por Microsoft, debe ser creada bajo el programa Access, el cual crea un archivo .mdb con la estructura ya explicada. • Microsoft SQL Server: es una base de datos más potente que Access desarrollada por Microsoft. Se utiliza para manejar grandes volúmenes de información. Las bases de datos pueden clasificarse de varias maneras, en función del contexto en el que se las utilice, su utilidad o los requerimientos a los que respondan [9]: • Según la variabilidad de la base de datos: o Bases de datos estáticas: únicamente de lectura, son utilizadas principalmente para almacenar datos históricos. o Bases de datos dinámicas: la información almacenada se modifica con el tiempo, permitiendo operaciones como actualización, borrado y edición de datos. • Según el contenido: o Bases de datos bibliográficas: solo contienen una clave que identifica la fuente primaria y permite localizarla. o Bases de datos de texto completo: almacenan las fuentes primarias, como, por ejemplo, todo el contenido de todas las ediciones de una colección de revistas científicas. o Directorios: contienen información de contacto de personas o empresas. Se encuentran reguladas por las leyes de protección de los datos personales. Asimismo, las bases de datos también pueden ser clasificadas en función de su modelo de administración de datos, es decir, su tipo de contenedor de datos y sus métodos para almacenar y recuperar datos. Los modelos de datos son abstracciones que permiten la obtención de un sistema eficiente de base de datos; por lo general se refieren a algoritmos, y conceptos matemáticos. Algunos de los modelos más populares son: • Bases de datos jerárquicas: se organizan en forma de árbol invertido. Son especialmente útiles en el caso de aplicaciones que manejan un gran volumen de Memoria Técnico-Económica 2023 33 información y datos muy compartidos, permitiendo crear estructuras estables y de gran rendimiento. Una de las principales limitaciones de este modelo es su incapacidad de representar eficientemente la redundancia de datos. • Base de datos de red: es similar al modelo jerárquico, sólo que permite que un nodo tenga más de un padre. Soluciona el problema de la redundancia de datos del modelo anterior a costa de una complejidad mayor en la administración de la información. • Bases de datos transaccionales: su único fin es el envío y recepción de datos a grandes velocidades. Son muy poco comunes y se aplican generalmente al entorno de análisis de calidad. No contemplan la redundancia y duplicación de información, ya que no son relevantes a su objetivo de velocidad. • Bases de datos relacionales: utilizado en para representar problemas reales y administrar datos dinámicamente. Su idea fundamental es el uso de relaciones, consideradas en forma lógica como conjuntos de datos. • Bases de datos deductivas: permiten realizar deducciones a través de inferencias. Se basa principalmente en reglas y hechos que son almacenados en la base de datos. Este tipo de base de datos surge debido a las limitaciones de la base de datos relacional de responder a consultas recursivas y de deducir relaciones indirectas de los datos almacenados. De todos estos tipos identificados, la base de datos relacional es el tipo predominante en la industria. En una base de datos relacional, los datos se almacenan acceden por medio de relaciones establecidas previamente, de las que hay dos tipos: las relaciones base, cuya implementación se llama "tabla" y almacenan datos; y las relaciones derivadas, que no almacenan datos y son calculadas al aplicar operaciones relacionales; su implementación se llama "vista" o "consulta". Otro elemento de las BDR son las restricciones, que permiten implementar reglas en la base de datos, que se utilizan a su vez para controlar los datos que pueden ser almacenados en las tablas. Suelen definirse con una expresión que arroja un valor booleano que permite determinar si los datos satisfacen el criterio indicado. Un tipo de restricción es lo que se conoce como dominio, que consiste en un conjunto de posibles valores para cierto atributo. Algunos tipos de dominio son: números enteros, cadenas de texto, y fechas. Memoria Técnico-Económica 2023 34 Cada tabla dentro de la base de datos puede contener uno o más campos que contienen valores que identifican cada registro de forma única e irrepetible. Este conjunto de campos se llama clave única. Los distintos tipos de claves pueden clasificarse de la siguiente manera: • Clave primaria: clave única que define de forma unívoca a todos los demás atributos de la tabla. • Clave externa o foránea: referencia a una clave en otra tabla, que determina la relación existente entre dos tablas distintas. Las claves foráneas no necesitan ser claves únicas en la tabla donde se encuentran, pero sí a donde están referenciadas. • Clave índice: permiten tener un acceso más rápido a los datos. Los índices pueden ser creados con cualquier combinación de campos de una tabla. Las consultas que filtran registros por medio de estos campos pueden encontrar los registros de forma no secuencial usando la clave índice. Reporting El informe radiológico constituye la expresión del conocimiento del especialista y la calidad de su trabajo profesional. Es un documento médico que contiene la comunicación escrita entre el médico radiólogo que interpreta las imágenes del estudio y el médico tratante que ha ordenado el examen y generalmente cuenta con distintas secciones, que pueden o no estar delimitadas explícitamente, entre las cuales se encuentran [14]: • Identificación: se detalla el nombre del paciente e información identificativa del estudio en sí como el horario en el que se realizó y qué médico lo solicitó. • Tipo de examen. • Antecedentes: explica el motivo de la realización del examen, así como enfermedades preexistentes que sufra el paciente. Puede también incluirse un diagnóstico presuntivo. En el caso de que corresponda, también se informa qué otros estudios se han realizado con anterioridad. • Técnica: específica datos respecto a cómo se realizó el examen, la orientación en que se tomaron las imágenes, si se utilizó algún medio de contraste, etc. La técnica dependerá de los antecedentes de la orden médica. Memoria Técnico-Económica 2023 35 • Hallazgos: se describen los resultados del examen, informando si lo que se observa es normal o anormal en función de los conocimientos médicos del radiólogo y su impresión de las imágenes. La descripción se realiza en términos anatómicos y de forma objetiva. • Impresión diagnóstica: el médico radiólogo aporta su opinión profesional respecto al examen realizado, emite su diagnóstico en función de los hallazgos y responde a la necesidad que motivó la realización del estudio en la medida de lo posible. • Observaciones: en esta sección se incluye información adicional que el médico radiólogo considere relevante, como por ejemplo la indicación de repetición del estudio en otras condiciones o el control de cierta condición. Para garantizar una atención médica de calidad, el informe radiológico debe ser claro, correcto, conciso, completo, consistente y lleno de conocimiento. Entre las responsabilidades profesionales del radiólogo se encuentran la interpretación e informe, con el mayor grado de fiabilidad posible, de las imágenes obtenidas y de los estudios realizados; el mantenimiento constante de la calidad de los informes y los diagnósticos emitidos y el establecimiento y seguimiento de un programa continuo de control de calidad [22]. El radiólogo es responsable de generar un informe conciso, preciso y pertinente, que responda claramente a la justificación e inquietudes que lo motivan y que ayude a la resolución de la enfermedad. Los informes deben estar estructurados y tener calidad. El informe es una parte necesaria de la exploración radiológica, la entrega de sólo las imágenes obtenidas no representa un estudio completo; es necesario contar con su interpretación de parte del médico radiólogo para que se pueda generar información médica científica sobre el paciente que permita el tratamiento de su condición médica. Es en la generación del informe que el radiólogo participa en el proceso sanitario, y en su contenido se representa el valor médico del estudio realizado. A pesar de la importancia de este documento, muchas veces su calidad no es la adecuada. Para ser útil al médico que lo solicita y al paciente que se explora, por lo que el informe radiológico debe atender a varios aspectos. Principalmente debe ser claro, breve, conciso, preciso y estar íntimamente relacionado con la justificación de la prueba. Debe dar una respuesta a la solicitud y situación del paciente. Debe alejarse de la indeterminación para acercarse a la claridad. Los informes radiológicos no sólo presentan una clara disparidad en la estructura, léxico y estilo, sino que también constituyen una fuente relevante de incongruencias. Así, con relativa frecuencia, los informes no responden a Memoria Técnico-Económica 2023 36 la justificación clínica que los generó, contienen errores clínicamente relevantes, no llegan al médico en el tiempo adecuado, o contienen términos ambiguos y no estandarizados. Como respuesta a esta situación, se han llevado a cabo esfuerzos por parte de distintas entidades, como la Radiological Society of North America, para generar un léxico radiológico unificado y ofrecer plantillas estandarizadas, y el DICOM Standards Committee, explícitamente estructurando el informe, así como la creación de distintas guías para la generación de informes radiológicos por parte de diversas agrupaciones como la Royal Australian and New Zealand College of Radiologists. Sin embargo, hasta la fecha no existen herramientas que permitan la automatización de procesos o la agilización de la redacción del informe que permitan hacer frente a los factores externos que afectan la calidad del trabajo del especialista, como son la urgencia en la entrega de resultados y las grandes cantidades de estudios a analizar por un equipo reducido de especialistas con los que puede contar una institución médica. Memoria Técnico-Económica 2023 37 1.4 Limitaciones tecnológicas"

  2. Assistant

    A continuación, se presenta una lista de las tecnologías mencionadas en el texto:

    1. Inteligencia Artificial (IA)

      • Actuar como las personas
      • Razonar como las personas
      • Razonar racionalmente
      • Actuar racionalmente
      • Inteligencia artificial débil
      • Inteligencia artificial fuerte
      • Resolución de problemas y búsqueda
      • Representación del conocimiento y sistemas basados en el conocimiento
      • Aprendizaje automático (Machine Learning)
      • Inteligencia artificial distribuida
      • Lenguaje natural
      • Visión artificial
      • Robótica
      • Reconocimiento del habla
    2. Machine Learning (Aprendizaje automático)

      • Aprendizaje supervisado
      • Aprendizaje no supervisado
      • Aprendizaje semisupervisado
      • Aprendizaje por refuerzo
      • Transducción
      • Aprendizaje multi-tarea
      • Modelos geométricos
      • Modelos probabilísticos
      • Modelos lógicos
    3. Deep Learning (Aprendizaje profundo)

      • Redes neuronales
      • Traducción automática
      • Asistencia sanitaria
      • Detección de fraude
    4. Estándares de comunicación

      • Estándares abiertos
        • DICOM (Digital Imaging and Communication in Medicine)
        • openEHR
        • Object Management Group (OMG)
      • Estándares privados
        • HL7 (Health Level Seven)
        • ISO (International Organization for Standardization)
        • ASTM (American Society for Testing and Materials)
    5. Base de datos

      • Sistema de Gestión de Base de Datos (SGBD)
      • Lenguaje SQL (Structured Query Language)
      • MySQL
      • PostgreSQL
      • Oracle
      • Microsoft Access
      • Microsoft SQL Server
      • Bases de datos jerárquicas
      • Bases de datos de red
      • Bases de datos transaccionales
      • Bases de datos relacionales
      • Bases de datos deductivas
    6. Reporting

      • Informe radiológico

    Esta lista incluye a las tecnologías y conceptos principales mencionados en el texto, junto con varias subcategorías y ejemplos donde se expresan de forma más específica.

  3. User

    Corrige en un lenguaje formal y técnico el siguiente texto: "En la anualidad 2023, se incluyen nuevas tecnologías que permiten desarrollar un proyecto software robusto y eficiente. En el backend, C# y Microsoft SQL Server gestionan la lógica del servidor y el almacenamiento de datos. En el frontend, Angular y React crean interfaces dinámicas, mientras que CSS3, JavaScript y TypeScript estilizan y scriptan las páginas web. Las APIs RESTful facilitan la comunicación entre sistemas. TensorFlow, PyTorch y Azure Machine Learning permiten el desarrollo de modelos de IA y aprendizaje automático. La seguridad se garantiza con autenticación de dos factores (2FA), HTTPS y OAuth 2.0. Docker y Kubernetes gestionan la contenerización y orquestación, mientras que Jenkins y Azure DevOps aseguran la integración y despliegue continuo (CI/CD). Microsoft Azure proporciona servicios en la nube. Adicionalmente, .NET permite el desarrollo multiplataforma, HTML estructura el contenido web, y TensorFlow o PyTorch implementan soluciones de IA y aprendizaje automático. Estas tecnologías, aunque ofrecen mejoras en seguridad y escalabilidad, no representan una novedad tecnológica significativa. A pesar de las mejoras introducidas en 2023, estas no constituyen un salto tecnológico relevante respecto a las innovaciones de 2022. Por lo tanto, estas nuevas tecnologías no modifican la novedad del proyecto y no alteran lo previamente justificado."

  4. Assistant

    A continuación se presenta el texto corregido en un lenguaje más formal y técnico:

    "En el año 2023, se incorporan nuevas tecnologías que permiten desarrollar un proyecto de software robusto y eficiente. En el backend, se emplean C# y Microsoft SQL Server para gestionar la lógica del servidor y el almacenamiento de datos. En el frontend, Angular y React son utilizados para crear interfaces dinámicas, mientras que CSS3, JavaScript y TypeScript se encargan de la estilización y la programación de las páginas web. La comunicación entre sistemas se facilita mediante APIs RESTful. Para el desarrollo de modelos de inteligencia artificial (IA) y aprendizaje automático, se utilizan herramientas como TensorFlow, PyTorch y Azure Machine Learning.

    La seguridad del sistema se garantiza a través de mecanismos como la autenticación de dos factores (2FA), HTTPS y OAuth 2.0. La contenerización y orquestación son gestionadas por Docker y Kubernetes, mientras que Jenkins y Azure DevOps aseguran la implementación y el despliegue continuo (CI/CD) del software. Microsoft Azure proporciona servicios en la nube que sustentan la infraestructura del proyecto. Adicionalmente, .NET permite el desarrollo multiplataforma, HTML está destinado a estructurar el contenido web, y tanto TensorFlow como PyTorch son utilizados para implementar soluciones de IA y aprendizaje automático.

    Si bien estas tecnologías ofrecen mejoras en términos de seguridad y escalabilidad, no representan una innovación tecnológica significativa. A pesar de los avances introducidos en 2023, estos no constituyen un avance tecnológico relevante en comparación con las innovaciones de 2022. Por lo tanto, las nuevas tecnologías no alteran la novedad del proyecto ni modifican las justificaciones previamente establecidas."

  5. User

    Corrige en un lenguaje formal y técnico el siguiente texto: "TMC propone el presente proyecto, "Desarrollo de un nuevo modelo inteligente y global de diagnóstico radiológico", que tiene una duración planificada inicial de 60 meses, comenzando en Enero del 2018 y con finalización en Diciembre de 2022, pero se realizó una la inclusión de una nueva anualidad por lo que concluye en Diciembre del 2023, que supone la mejora sustancial de su sistema de telerradiología para la obtención de nuevas funcionalidades hasta el momento no existentes en la misma."

  6. Assistant

    A continuación se presenta el texto corregido en un lenguaje más formal y técnico:

    "TMC presenta el proyecto titulado 'Desarrollo de un nuevo modelo inteligente y global de diagnóstico radiológico', cuya duración inicial estaba planificada en 60 meses, iniciando en enero de 2018 y finalizando en diciembre de 2022. Sin embargo, se ha decidido incluir una nueva anualidad, extendiendo la finalización del proyecto hasta diciembre de 2023. Esta extensión implica una mejora sustancial del sistema de telerradiología, permitiendo la incorporación de nuevas funcionalidades que hasta el momento no estaban disponibles."