Inteligencia Artificial en la Práctica Médica: Avances y Retos Actuales
Autor principal: Oscar Víquez Ramírez
Vol. XX; nº 10; 536
Artificial Intelligence in Medical Practice: Current Advances and Challenges
Fecha de recepción: 2 de mayo de 2025
Fecha de aceptación: 24 de mayo de 2025
Incluido en Revista Electrónica de PortalesMedicos.com, Volumen XX. Número 10 – Segunda quincena de Mayo de 2025 – Página inicial: Vol. XX; nº 10; 536
Autores:
Oscar Víquez Ramirez, Doctor en Medicina y Cirugía, investigador independiente, Universidad de Costa Rica
Joseph Vidal Vargas Marín, Doctor en Medicina y Cirugía, Msc en Trastornos psicóticos, Bach. en psicología, docente universitario e investigador independiente, Universidad de Costa Rica
Arturo Mancía Elizondo, Doctor en Medicina y Cirugía, investigador independiente, Universidad de Costa Rica
Glen Martínez Barboza, Doctor en Medicina y Cirugía, investigador independiente, Universidad de Costa Rica
Sofía Villalobos Hernández, Doctora en Medicina y Cirugía, investigadora independiente, Universidad de Costa Rica
María Esmeralda Morales Vargas, Doctora en Medicina y Cirugía, investigadora independiente, Universidad de Costa Rica
María Mejías Núñez, Doctora en Medicina y Cirugía, investigadora independiente, Universidad de Costa Rica
Resumen
La inteligencia artificial (IA) está transformando la práctica de la medicina, con modelos destacados en funciones diagnósticas como la radiología, la cardiología y la dermatología. Su capacidad para analizar grandes volúmenes de datos y detectar patrones, ha permitido mejorar la precisión y especificidad en los diagnósticos médicos. En radiología, los algoritmos de IA pueden identificar patrones patológicos con una precisión comparable a la de los radiólogos. En cardiología, la IA ha demostrado utilidad en la interpretación de imágenes como el ecocardiograma y en la predicción de enfermedades, mientras que en la dermatología ha facilitado la identificación de lesiones cutáneas y el diagnóstico de enfermedades como el melanoma.
A pesar de sus beneficios, el uso de la IA en medicina enfrenta varios desafíos. Existen debates éticos relacionados con la protección de los datos de los pacientes, el reemplazo médico y la desigualdad en la atención universal. También, se reconoce la necesidad de la constante supervisión médica y ética, ya que la IA debe considerarse una herramienta complementaria, no sustitutiva, del juicio clínico humano. El equilibrio entre innovación y cumplimiento ético será clave para garantizar un impacto positivo y seguro en la práctica médica.
Palabras clave
Inteligencia artificial, medicina, aprendizaje automatizado, aprendizaje profundo, ética.
Abstract
Artificial intelligence (AI) is transforming medical practice, with prominent models in diagnostic fields such as radiology, cardiology, and dermatology. Its ability to analyze large datasets and detect patterns has improved the accuracy and specificity of medical diagnoses. In radiology, AI algorithms can identify pathological patterns with precision comparable to that of radiologists. In cardiology, AI has proven useful for interpreting imaging studies like echocardiograms and predicting diseases, while in dermatology, it has aided in identifying skin lesions and diagnosing conditions such as melanoma.
Despite its benefits, the use of AI in medicine faces several challenges. Ethical debates persist regarding patient data privacy, the potential replacement of physicians, and disparities in universal healthcare access. Additionally, the need for ongoing medical and ethical oversight is widely recognized, as AI should be considered a complementary tool, not a replacement for human clinical judgment. Striking a balance between innovation and ethical compliance will be crucial to ensuring a positive and safe impact on medical practice.
Keywords
Artificial intelligence, medicine, machine learning, deep learning, ethics.
1. Introducción
La inteligencia artificial está revolucionando muchas industrias de manera acelerada, el sector médico no es la excepción. La inteligencia artificial (IA) ha sido vista por muchos médicos como la nueva herramienta para optimizar la interpretación rápida de imágenes y diagnósticos; pero además, como un apoyo para mejorar los flujos de trabajo y reducir los errores médicos (1).
En el pasado, modelos anteriores de IA podían presentar resultados con un rendimiento infrahumano; sin embargo, con los nuevos modelos de aprendizaje automático, cuyos algoritmos se inspiran en la red neuronal humana, logran realizar análisis de datos complejos. Se estima que estos nuevos modelos de IA, con algoritmos de aprendizaje profundo y automático, puedan superar el rendimiento humano en tareas específicas. Algunas de estas tareas en el ámbito de la salud contemplan el descubrimiento de nuevos fármacos, monitorización remota de pacientes, diagnóstico e interpretación de imágenes médicas, gestión de riesgos y gestión hospitalaria (2).
El propósito de esta revisión es analizar las aplicaciones actuales de la IA en el sector de la salud, los beneficios que ofrece y los principales desafíos que conlleva su implementación. Se abordarán disciplinas específicas donde la IA ha demostrado un impacto importante en los últimos años como lo son las áreas médicas de radiología, cardiología, dermatología y oftalmología. Finalmente, se discutirá los beneficios y los desafíos relacionados con la implementación de la IA como herramienta de la práctica médica.
2. Método
Este estudio consiste en una revisión bibliográfica sistemática de artículos científicos publicados a partir de 2020, sobre la aplicación de la Inteligencia Artificial (IA) en la práctica médica, con un enfoque en sus avances y limitaciones. La búsqueda se realizó en bases de datos académicas como PubMed, Nature, SciELO, Google Académico y Elsevier; utilizando palabras clave en español e inglés: inteligencia artificial, artificial intelligence, medicina, medicine, ética, ethics, deep learning, machine learning. Se aplicaron filtros de inclusión como la selección únicamente de artículos en español e inglés y se utilizaron métodos de exclusión como artículos que tuvieran patrocinio directo de empresas tecnológicas comerciales, con el fin de evitar sesgos de conflicto de interés. La selección de estudios se basó en su relevancia temática y aportaciones recientes del tema.
3. Discusión
3.1 Definición y concepto general
La Inteligencia Artificial (IA), término adjudicado por McCarthy en 1956, se puede entender como aquella tecnología que emplea algoritmos avanzados sobre grandes bases de datos de información que permiten simular un razonamiento humano como reconocimiento de patrones, aprendizaje y resolución de problemas. En el sector de la salud, existen grandes volúmenes de datos médicos que gracias a nubes de almacenamiento ha logrado que esta tecnología pueda identificar patrones que permitan desarrollar modelos predictivos o de clasificación, que son de herramienta para el personal de salud en sus tareas diagnósticas, terapéuticas o administrativas; con esto se potencia la eficiencia y precisión de la atención (1, 3).
3.2 Modelos de inteligencia artificial aplicados a la medicina
El aprendizaje automatizado (ML por sus siglas en inglés: Machine Learning) se diferencia de la utilizada en la década de los 80s y 90s que presentaban dependencia de la codificación del conocimiento de expertos en el sistema; esto debido a que el ML, gracias a sus algoritmos, permite un enfoque de aprendizaje donde se producen señales útiles directamente de los datos. Estas señales útiles pueden entenderse como predicciones, clasificaciones, etc. Dentro del ML, existe la subdivisión de modelo de aprendizaje automatizado supervisado, no supervisado y por refuerzo.
El aprendizaje supervisado se refiere al modelo donde se realizan predicciones basadas en patrones de grandes cantidades de datos de entrenamiento (4). En otras palabras, el ML supervisado tiene configurado indicadores (features) de los cuales pretende responder con valores denominados etiquetas (labels). Este tipo de modelo se utiliza para clasificación, donde queremos minimizar el error para la producción de etiquetas sobre una base de datos (5). Por otra parte, el aprendizaje automático no supervisado extrae patrones automáticamente sin datos de entrenamiento previamente, sin etiquetas que respondan a indicadores preestablecidos, esto permite que se puedan descubrir patrones nuevos de los datos sin tener que establecer reglas de decisión específicas (4). Este tipo de modelo se utiliza más comúnmente para reconocimiento de anomalías de la base de datos (5). En el aprendizaje por refuerzo, el algoritmo aprende de acuerdo a comandos de premio o castigo; en otras palabras se basa en el ensayo y error de forma seguida hasta que se llegue con la solución (6, 7).
El aprendizaje profundo (DL por sus siglas en inglés Deep Learning) es un modelo de inteligencia artificial donde no existe ninguna selección de características por parte del ser humano, sino que, se basa en funcionamiento del cerebro humano a través del desarrollo de redes neuronales artificiales. Entendiendo por red neuronal a múltiples entradas digitales que al ser procesadas, por «neuronas» o niveles, se logran detectar características de los datos analizados, una vez realizada esta detección, se avanza a la siguiente neurona o nivel hasta que finalmente se extraen los datos de salida ya analizados (6, 8).
3.3 Aplicaciones en radiología
La IA ha transformado de forma muy significativa aspectos de la radiología actual como lo es el diagnóstico basado en modelos de aprendizaje automático. También ha impactado la optimización del flujo de trabajo ya que ha mejorado tareas como citas de pacientes, selección de protocolos de imágen, dosis de la radiación, optimización de la reconstrucción de la imagen, detección de alteraciones o lesiones, entre otras (7). Además, para muchos radiólogos utilizar herramientas de IA les permite enfocarse creativamente en el ejercicio médico, sin tener que invertir todo su tiempo en procesos repetitivos que pueden ser realizados por modelos de automatización de procesos (9). Ejemplo de lo anterior es la optimización del flujo de trabajo al tener recolectado datos de anamnesis como creatinina, atopias, antecedentes, procedimientos previos y datos patrones, que son de relevancia para la escogencia del tipo de estudio y el protocolo del mismo; la IA analiza estos datos y ofrece la selección del estudio radiológico idóneo, lo que en cuestión de segundos optimiza el trabajo del radiólogo (3).
El empleo de modelos de IA también brinda seguridad al personal de radiología ya que se pueden implementar herramientas que monitorizan en tiempo real la posición del paciente y brinda indicaciones o correcciones de posición al paciente sin requerir que el personal médico ingrese a la sala y se exponga a niveles de radiación (9)
Las radiografías constituyen una de las principales herramientas de imágenes utilizadas en el ámbito médico. El uso de la inteligencia artificial permite la evaluación diagnóstica automatizada de ciertas condiciones de imagen como una cardiomegalia, con la utilización de una unidad de procesamiento gráfico, con valores de confiabilidad elevados (9). Además, gracias a la incorporación de la IA, se han desarrollado nuevas áreas como la radiómica, en la cual se utilizan algoritmos que correlacionan e integran datos radiológicos, patológicos y de genómica (10). Muchos avances en el análisis con tomografías computarizadas (TC) se han desarrollado gracias al uso del modelo de IA de aprendizaje profundo (DL). Por ejemplo, para la evaluación de la fibrosis hepática se utilizó en estudios múltiples TC en fase venosa portal, que a través del DL alcanzó una precisión para el diagnóstico de un área bajo la curva de 0,95-0,97 (9). La incorporación del deep learning en el análisis de TC, permite también utilizar equipo de baja resolución para obtener imágenes mejoradas, lo que lleva a exponer al paciente a la menor radiación posible (3).
Si bien, la IA no es utilizada para el diagnóstico de enfermedades de la médula espinal, sí ha sido de utilidad como herramienta para el neurorradiólogo para establecer el diagnóstico. Lo cual es particularmente útil para la clasificación de tumores intramedulares y lesiones desmielinizantes; donde la especificidad llega a ser confiable, en ocasiones superando la detección por neuroradiólogos experimentados (9). Además, gracias al DL, se pueden utilizar modelos predictivos que permitan mejorar la calidad de imagen, reduciendo el tiempo del paciente en el resonador (3).
3.4 Aplicaciones en cardiología
El desarrollo tecnológico en cardiología gracias a la IA, no solo se encuentra a nivel de equipo médico hospitalario, sino también en prendas y dispositivos que pueden utilizar los pacientes en su rutina diaria. Se han desarrollado monitores inalámbricos portátiles que permiten detectar y analizar datos cardiomecánicos que permiten emplearse en funciones específicas como la clasificación de estenosis aórtica (10). El desarrollo de prendas y dispositivos inteligentes, a través de modelos de predicción, permiten realizar detección de alteración del ritmo cardiaco como una fibrilación arterial u otras arritmias (11, 12).
En cuanto al análisis de imágenes médicas, el aprendizaje profundo (DL) permite la identificación, segmentación de estructuras anatómicas, identificación de lesiones y procesos de clasificación (10,13). En el caso de la ecocardiografía, esta tiene un componente dependiente del operador, por lo que, pueden existir variaciones de los reportes de ecocardiográficas en distintos centros para un mismo paciente. La IA permite mejorar la capacidad diagnóstica, ya que detecta los volúmenes de las cámaras del corazón, anomalías de movilidad de cámaras, anomalías de las válvulas, entre otros (13).
3.5 Aplicaciones en dermatología
En el campo de la dermatología la inteligencia artificial ha mejorado la eficiencia y la exactitud del diagnóstico que contemplan examen general con dermatoscopio y análisis de biopsia. Se han realizado estudios que determinan que el diagnóstico de la IA tiende a ser más preciso que el diagnóstico realizado por los mismos dermatólogos (10). Un gran enfoque en la dermatología es la detección del cáncer de piel; es por esto que se han desarrollado algoritmos que permiten procesar imágenes para detección de melanoma, esto a través de la detección de la metodología del ABCDE para tamizaje por melanoma. Estas características incluyen valoraciones de la forma de los bordes, coloración, diámetro, entre otros. Gracias a la IA se ha logrado establecer aplicaciones que permitan resaltar y evidenciar con mayor detalle alteraciones que a simple vista no se perciben (14). Sin embargo, utilizando mecanismos similares en los algoritmos para procesamiento de imágenes, también sería una gran herramienta para diagnóstico de otras enfermedades de la piel como la queratosis seborreica y psoriasis (10,14).
La IA puede brindar mayor accesibilidad a la población y reducir listas de espera gracias a la teledermatología. Cada vez aumenta la demanda de la población en la búsqueda de la atención, con la ayuda de dispositivos inteligentes como teléfonos celulares, es posible obtener fotografías de las lesiones cutáneas. Sin embargo, la precisión del diagnóstico en estudios comparativos demuestran que el diagnóstico presencial supera a la teledermatología. Se estima que la precisión del empleo del DL en el diagnóstico con teledermatología fue de un 67%, la cual superó la precisión realizada por médicos de atención primaria con un 45%, para un estudio con 26 enfermedades de la piel (15).
3.6 Aplicaciones en oftalmología
En la oftalmología diversos modelos de IA se han empezado a implementar para el diagnóstico de enfermedades como el glaucoma, la retinopatía diabética, degeneración macular, queratocono y cataratas (16). Se puede emplear gran cantidad de imágenes como la fotografía de fondo de ojo en color, tomografía óptica y pruebas de campo visual computarizado, que permiten crear bases de datos para el desarrollo de algoritmos (17).
Este tipo de modelos ya han contado con la aprobación en países como Estados Unidos (EEUU), con la aprobación de la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) para el diagnóstico precoz de la retinopatía diabética, donde permiten el empleo del modelo de algoritmos de IA denominado IDx-DR para este diagnóstico (16). Este tipo de modelo presentó una sensibilidad y especificidad del 87,4% y el 89,5% respectivamente (17).
Mediante fotografías de fondos de ojo y modelos de aprendizaje automático, se han desarrollado herramientas de diagnóstico temprano para la degeneración macular, que se estima que vaya en aumento debido a la creciente esperanza de vida de las personas. Diversos estudios han determinado una precisión entre el 84,2%-91,6% para detección de la enfermedad, pero una precisión del 94,3% para identificar sujetos sanos (17).
El glaucoma como causa de pérdida de la visión mantiene una importancia significativa, que refuerza la necesidad de un diagnóstico temprano. Modelos de DL han desarrollado algoritmos de detección con sensibilidad de 96,4 % y especificidad de 87,2%, tomando como base de datos una gran cantidad de fotografías de fondos de ojo (17).
3.7 Beneficios de la IA en la práctica médica
La IA ofrece una gran cantidad de oportunidades de desarrollo y beneficios en la práctica médica que han permitido una mejora en la atención para el paciente y herramientas que facilitan el trabajo para el médico. El tiempo neto estimado del cual el médico tiene contacto con el paciente es un 12%, el otro 88% se relaciona con la atención de demandas administrativas. La IA como herramienta de trabajo, permite abarcar estas tareas repetitivas como realizar notas médicas, solicitar y revisar estudios de imagen o laboratorios y prescripción de medicamentos. De esta manera le permite al médico enfocarse en mayor medida a la atención del paciente, mejorando de esta manera la relación médico-paciente, así como permitirle enfocarse en tareas más complejas (10).
Prevenir enfermedades es un objetivo fundamental en la práctica médica. Modelos de aprendizaje automáticos pueden analizar las bases de datos con la información registrada de los pacientes y brindar, gracias a algoritmos estadísticos, el riesgo que presenta un paciente para determinada enfermedad (18). Lo anterior, conlleva a una intervención temprana y por ende, se podría reducir costos médicos por atención de urgencias médicas e internamientos.
La educación médica puede incorporar la IA para el desarrollo de un aprendizaje personalizado y eficaz en la medicina. Permite determinar las fortalezas y oportunidades de mejora de cada estudiante y ofrecer estilos de aprendizaje que se ajusten a cada uno; lo anterior incluye personalizar el material de estudio enfocado a lo que el estudiante necesita reforzar y a un nivel de comprensión adecuado. Se pueden utilizar herramientas como simulaciones clínicas con un alto componente realista que le permitan al estudiante adquirir las destrezas en un ambiente seguro (19).
La tercera causa de muerte en el mundo en los EEUU está representada por errores médicos de alguna manera directa o indirectamente; por tanto, el empleo de la IA como herramienta para diagnóstico y manejo de pacientes, permite proporcionar mayor seguridad del paciente al contar con un sistema de algoritmos para la detección de errores, una sistema de clasificación de pacientes, así como de un manejo adecuado de medicamentos (10).
3.8 Limitaciones y desafíos de la IA en la práctica médica
Existe el desafío de llevar a cabo una transformación de áreas médicas, donde el avance tecnológico lleva a que tareas repetitivas pasen a ser tareas automatizadas por la IA, llevando al riesgo de reemplazar al médico para dichas funciones. Especialidades con un gran componente repetitivo son oftalmología, radiología y dermatología; por lo que el desafío en dichas áreas será el desarrollo de tareas creativas (10) y prácticas que atiendan las necesidades del paciente, ofreciendo oportunidad de mejora en la atención especializada, en la cual la IA no pueda desempeñarse.
El debate ético principal que se desarrolla al contemplar las herramientas de IA en la atención a pacientes, se centra en el principio de privacidad de datos. El desafío es garantizar la privacidad de los datos de pacientes utilizados en el análisis para los algoritmos tecnológicos de distintas plataformas (19).
Otra limitación a considerar del desarrollo de la IA en el ámbito de la medicina es la desigualdad que pueda existir para la atención, donde el acceso a estas tecnologías sea condicionada por aspectos socioeconómicos (20), lo que lleva al desafío de procurar la universalización de la salud, pese a los avances tecnológicos que surjan. Así mismo, es importante mantener una supervisión ética constante donde se evalúe como objetivo principal el bienestar del paciente, manteniendo la IA como una herramienta que mejore la atención médica y no como una sustitución del juicio clínico (20).
4. Conclusiones
La IA ha surgido como una herramienta con alto potencial para la medicina, especialmente en áreas diagnósticas como la radiología, la cardiología y la dermatología. Su capacidad para analizar grandes volúmenes de datos y detectar patrones en ellos, ha permitido mejorar la precisión diagnóstica y optimizar el manejo clínico. Estos modelos han demostrado que la IA puede complementar eficazmente la práctica médica.
Sin embargo, a pesar de sus múltiples beneficios, el uso de la IA en medicina también conlleva desafíos importantes. Aspectos como la protección de los datos de los pacientes, la desigualdad de acceso a estas herramientas, la necesidad de una supervisión ética constante son aspectos clave a considerar. Por ello, es fundamental continuar evaluando estas tecnologías, garantizando que su utilización se enfoque en mejorar la atención al paciente, que sea una herramienta y no una sustitución del juicio clínico médico; además de que el uso de la misma tenga respaldo de seguridad en la protección de datos sensibles de cada paciente y siempre buscar la innovación creativa de la atención especializada en cada ámbito de la práctica médica.
Referencias bibliográficas
1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.
2. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-510.
3. Aguirre F, Carballo L, Gonzalez X, Gigirey V. Inteligencia artificial aplicada a la imagen médica. Revista de Diagnóstico por Imágenes. 2021;5(1):25-30.
4. Chu A, Mathews LR, Yu KH. Artificial intelligence in health care: past and present. Artificial Intelligence, Machine Learning, and Deep Learning in Precision Medicine in Liver Diseases: Concept, Technology, Application and Perspectives. 2023 Jan 1;3–17.
5. Esquerda M, Pifarré-Esquerda F. Inteligencia artificial en medicina: aspectos éticos, deontológicos y el impacto en la relación médico-paciente. Med Clin (Barc). 2024;163(3):e44-e48. doi:10.1016/j.medcli.2024.03.003
6. Jiménez et al. La era de la inteligencia artificial radiológica. Scientific & Education Medical Journal. 2022;5(2):85-100.
7. Pérez del Barrio A, Menéndez Fernández-Miranda P, Sanz Bellón P, Lloret Iglesias L, Rodríguez González D. Inteligencia artificial en Radiología: introducción a los conceptos más importantes. Radiología. 2022 May 1;64(3):228–36.
8. Cheng PM, Montagnon E, Yamashita R, Pan I, Cadrin-Chênevert A, Perdigón Romero F, et al. Deep Learning: An Update for Radiologists. RadiographicS. 2021; 41(5):1427-45.
9. Impacto de la Inteligencia Artificial en la Radiología. SciELO Cuba. 2023;17(1):13-20.
10. Lanzagorta-Ortega Dioselina, Carrillo-Pérez Diego L., Carrillo-Esper Raúl. Inteligencia artificial en medicina: presente y futuro. Gac. Méd. Méx. 2022; 158(Suppl 1): 17-21.
11. Garzona-Navas Andrés. Inteligencia Artificial en Cardiología. Rev. costarric. cardiol. 2022 Dec;24(2): 3-5.
12. Lopez-Jimenez F, Attia Z, Arruda-Olson AM, Carter R, Chareonthaitawee P, Jouni H, et al. Artificial Intelligence in Cardiology: Present and Future. Mayo Clinic proceedings. 2020 May 1; 95(5):1015–39.
13. Gupta MD, Kunal S, Girish MP, Gupta A, Yadav R. Artificial intelligence in cardiology: The past, present and future. Indian Heart Journal [Internet]. 2022 Jul 1; 74(4):265.
14. Márquez Díaz JE, Márquez Díaz JE. Visión artificial profunda aplicada a la identificación temprana de cáncer no melanoma y queratosis actínica. Computación y Sistemas [Internet]. 2020; 24(2):751–66.
15. Young AT, Xiong M, Pfau J, Keiser MJ, Wei ML. Artificial intelligence in dermatology: a primer. J Invest Dermatol. 2020;140:1504-12.
16. Hernández López Iván. La inteligencia artificial y su impacto en la atención oftalmológica. Rev Cubana Oftalmol. 2024 JUL; 37.
17. Keskinbora K, Güven F. Artificial intelligence and ophthalmology. Turk J Ophthalmol. 2020;50:37-43.
18. Galarza Medina KX, Maldonado Coronel K, Herrera Guanopatin MS. Beneficios y Riesgos de la Implementación de Inteligencia Artificial en los Procesos de Diagnóstico Médico en el Ecuador. Ciencia Latina Revista Científica Multidisciplinar. 2024 Jan 22;7(6):7276–99.
19. Gual Arcadi. La inteligencia artificial y la educación médica (II): el bienestar del paciente. FEM (Ed. impresa). 2024; 27(5): 171-178.
20. Albisua J, Pacheco P. Ethical Considerations About Artificial Inteligence (AI) Use in Medical Practice. Open Respiratory Archives. 2025 Jan 1;7(1).
Declaración de buenas prácticas:
Los autores de este manuscrito declaran que:
Todos ellos han participado en su elaboración y no tienen conflictos de intereses.
La investigación se ha realizado siguiendo las Pautas éticas internacionales para la investigación relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS).
El manuscrito es original y no contiene plagio.
El manuscrito no ha sido publicado en ningún medio y no está en proceso de revisión en otra revista.
Han obtenido los permisos necesarios para las imágenes y gráficos utilizados.
Han preservado las identidades de los pacientes.