EL IMPACTO DE LA INTELIGENCIA
ARTIFICIAL EN EQUIPOS MÉDICOS: UN
ANÁLISIS BIBLIOMÉTRICO DE
APLICACIONES E INNOVACIONES
THE IMPACT OF ARTIFICIAL INTELLIGENCE ON
MEDICAL EQUIPMENT: A BIBLIOMETRIC ANALYSIS OF
APPLICATIONS AND INNOVATIONS
Angélica Granados Sánchez
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Laura García Cadena
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Jessica Cruz Manzo
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Rubén Posada Gómez
Tecnológico Nacional de México CRODE de Orizaba – México
Karen Lizbeth Ángel García
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
pág. 3672
DOI: https://doi.org/10.37811/cl_rcm.v8i6.15122
El impacto de la Inteligencia artificial en equipos médicos: un análisis
bibliométrico de aplicaciones e innovaciones
Angélica Granados Sánchez1
angelica.gs@tehuacan.tecnm.mx
https://orcid.org/0009-0005-4878-4486
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Laura García Cadena
laura.gc@tehuacan.tecnm.mx
https://orcid.org/0009-0002-8447-5128
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Jessica Cruz Manzo
jessica.cm@tehuacan.tecnm.mx
https://orcid.org/0000-0001-9872-1794
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Rubén Posada Gómez
ruben.pg@crodeorizaba.tecnm.mx
https://orcid.org/0000-0001-9325-7988
Tecnológico Nacional de México
CRODE de Orizaba
Orizaba, Veracruz, México
Karen Lizbeth Ángel García
L20360328@tehuacan.tecnm.mx
https://orcid.org/0009-0000-4946-6993
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
RESUMEN
El propósito de esta revisión bibliométrica es analizar las investigaciones científicas relacionadas a los
conceptos de IA y redes neuronales artificiales, aplicadas en el diagnóstico médico, diseño y/o
desempeño de equipos médicos, en la atención al paciente o rehabilitación. La metodología empleada
incluye una revisión de 413 documentos desde 1978 hasta la actualidad, que han sido descargados de
Scopus, utilizando el software R Bibliometrix y VOSviewer y el mismo Scopus para el análisis de
metadatos, identificando autores, países, organizaciones y publicaciones implicadas. La evaluación y
análisis de la información y el conocimiento como producto de la investigación científica, es un
componente esencial para toda investigación pública y tecnológica, así como para los programas de
desarrollo que se distribuyen a la comunidad en general. Es en este punto, donde la informática brinda
un aporte valioso, al crear los métodos y los medios para cuantificar la producción del conocimiento y
su conversión en bienes. El componente fundamental de la mayoría de las investigaciones bibliométricas
es proporcionar una medición de los documentos científicos que se distribuyen. No obstante, deben ser
tratados con cautela, el cálculo de las publicaciones no está exento de sesgos.
Palabras clave: inteligencia artificial, redes neuronales artificiales, medicina, equipo médico,
bibliometría
1
Autor principal
Correspondencia: angelica.gs@tehuacan.tecnm.mx
pág. 3673
The impact of Artificial Intelligence on medical equipment: a bibliometric
analysis of applications and innovations
ABSTRACT
The purpose of this bibliometric review is to analyze scientific research related to the concepts of AI
and artificial neural networks applied in medical diagnosis, design and/or performance of medical
equipment, in patient care or rehabilitation. The methodology used includes a review of 413 documents
from 1978 to the present, which have been downloaded from Scopus, using the R Bibliometrix and
VOSviewer software and Scopus itself for metadata analysis, identifying authors, countries,
organizations and publications involved. The evaluation and analysis of information and knowledge as
a product of scientific research is an essential component for all public and technological research, as
well as for development programs distributed to the community at large. It is at this point where
computing provides a valuable contribution, by creating the methods and means to quantify the
production of knowledge and its conversion into goods. The fundamental component of most
bibliometric research is to provide a measurement of the scientific documents that are distributed.
However, they must be treated with caution, the calculation of the publications is not free of bias.
Keywords: artificial intelligence, artificial neural networks, medicine, medical equipment, bibliometric
Artículo recibido 17 octubre 2024
Aceptado para publicación: 19 noviembre 2024
pág. 3674
INTRODUCCIÓN
La inteligencia artificial (IA) se ha convertido en un avance tecnológico fundamental con un potencial
sustancial en diferentes sectores, particularmente en el ámbito de la atención médica. Los dispositivos
médicos que incorporan la IA han despertado un interés considerable debido a su capacidad para
transformar las prácticas de diagnóstico, las intervenciones terapéuticas y la vigilancia de los pacientes.
Si bien la IA puede facilitar los procesos de toma de decisiones, no puede suplantar por completo la
experiencia de los profesionales médicos. Es imperativo establecer marcos y sistemas regulatorios
sólidos para garantizar la seguridad, mitigar los sesgos y mejorar la transparencia en la integración,
regulación y evaluación responsables de los dispositivos médicos impulsados por la IA. (Farah et al.,
2024).
El propósito de esta revisión bibliométrica es analizar las investigaciones científicas relacionadas a los
conceptos de IA y redes neuronales artificiales aplicadas en el diagnóstico médico, diseño y/o
desempeño de equipos médicos, en la atención al paciente o rehabilitación.
Revisión De Literatura
La IA denota la emulación de las funciones cognitivas características de la inteligencia humana por parte
de máquinas, predominantemente sistemas informáticos. Estas funciones abarcan el aprendizaje, el
razonamiento, la resolución de problemas, la percepción y la toma de decisiones. Los dispositivos del
sector médico que funcionan con inteligencia artificial emplean algoritmos sofisticados y metodologías
de aprendizaje automático para analizar complejos conjuntos de datos médicos, proporcionando así
información crítica y asistencia a los profesionales de la salud en los procesos que requieren de la toma
de decisiones. En el campo de la atención médica, la IA posee la capacidad de transformar el diagnóstico,
el tratamiento y la monitorización de los pacientes, lo que presenta importantes perspectivas de mejorar
los resultados de la atención médica y la eficiencia operativa. (Farah et al., 2024).
En la tabla 1 se muestran los hallazgos encontrados en diferentes artículos acerca de la aplicación que
se da a la tecnología basada en inteligencia artificial y redes neuronales artificiales aplicadas en el
diagnóstico médico, diseño y/o desempeño de equipos médicos, en la atención al paciente o
rehabilitación.
pág. 3675
El creciente papel de la IA en el diagnóstico, la predicción del pronóstico y la gestión de pacientes, así
como en la gestión hospitalaria y la atención sanitaria comunitaria, ha hecho que el sistema sanitario en
general sea más eficiente, especialmente en las zonas de alta carga de pacientes y con recursos limitados
de los países en desarrollo, donde la atención al paciente suele verse comprometida. Sin embargo, los
desafíos, incluidas las bajas tasas de adopción y la ausencia de pautas estandarizadas, los altos costos de
instalación y mantenimiento de los equipos, el transporte deficiente y los problemas de conectividad
obstaculizan el uso completo de la IA en la atención médica. (Zuhair et al., 2024).
Tabla 1. Tecnología utilizada y usos
Autor
Tecnología utilizada
Aplicación de la ia
Jiatuo et al., 2024
Redes neuronales
convolucionales (CNN), Deep
Learning.
Mejora las metodologías de
diagnóstico de la lengua de la
llamada “Medicina Tradicional
China”
Grechko et al., 2024
Sistema de información técnica.
Herramientas como PL/SQL.
Applied Power Query M.
Microsoft Power BI. Phyton.
Machine Learning
Monitores de cabecera en
equipos de cuidados intensivos.
Belal et al., 2023
Uso del aprendizaje automático
y profundo, uso de redes
neuronales convolucionales.
Tomografía por emisión de
positrónes de antígeno
prostático de membrana
específica (PSMA PET/CT).
Obtención de imágenes de
lesiones por cáncer de próstata.
La IA mejora el análisis de las
exploraciones.
Wu, 2024
Sensores flexibles desarrollados
con métodos de
microproducción. Litografía a
nanoescala. Dispositivos
portátiles de IA.
Monitoreo en tiempo real de
parámetros fisiológicos y
posturas deportivas en atletas.
Rehabilitación de atletas.
Feng et al., 2023
Red Neuronal Convolucional.
Modelo U-Net. Modelo
DenseNet121. Data
augmentation.
Análisis y segmentación de
imágenes. Clasificación de
osteoporosis.
pág. 3676
Z. Chen et al., 2023
Internet of Healt Things (IoHT).
Computación en la nube.
Análisis de imágenes de
diagnóstico.
Fuente: Elaboración propia con la base Scopus.
Diferentes autores exponen su punto de vista después de realizar un análisis de la aplicación de las IA’s
en la medicina. En la tabla 2 se exponen los trabajos encontrados al respecto. Los diferentes autores
describen un panorama prometedor del impacto de la IA en el ámbito médico, ofreciendo nuevas y
mejores posibilidades en la atención al paciente, así como la optimización de los sistemas de salud.
Tabla 2. Autores que abordan estudios de las aplicaciones de la IA en la medicina
Autor
Conclusiones
Farah et al., 2024
La IA mejora la comparabilidad
de resultados. Dispositivos
médicos basados en IA se podrían
implementar de manera
responsable maximizando los
beneficios para pacientes y
sistemas de atención.
Song et al., 2024
La técnica mejora la calidad y
velocidad de la imagen de
ultrasonido. Logra una alta
precisión diagnóstica en la
clasificación de cáncer de mama.
Los métodos de coherencia
espacial mejoran la claridad de la
imagen.
Zuhair et al., 2024
La IA tiene un futuro prometedor
en el campo médico. Sin embargo
no debe prescindirse de la
erudición y la pericia de
profesionales sanitarios para el
uso de la tecnología basadas en
IA.
Seoni et al., 2024
El progreso continuo en la
armonización de imágenes
pág. 3677
representa una estrategia
prometedora para avanzar en la
atención médica al permitir el
análisis confiable y a gran escala
de conjuntos de datos integrados
de múltiples fuentes utilizando
IA.
Guo et al., 2024
Es probable que la investigación
sobre el modo de estimulación de
los equipos de rehabilitación de
parálisis cerebral pediátrica se
centre en simular la fuerza de la
medicina china llamada
"manipulación de tuina". Cuando
este método se combina con la
inteligencia artificial y la
dirección personalizada, creemos
que esto sentará las bases para el
desarrollo futuro de una terapia
novedosa para niños con parálisis
cerebral
Ali & Alrobaian,
2024
La IA mejora los procesos de
descubrimientos de fármacos, el
diseño y la implementación de
ensayos clínicos, los sistemas
personalizados de administración
de medicamentos. El personal es
esencial para maximizar los
beneficios de la IA.
Aguilar-Gallardo &
Bonora-Centelles,
2024
La IA mejora el monitoreo de
procesos y la eficiencia de
fabricación. Las ATMP enfrentan
desafíos en su desarrollo. El
cumplimiento normativo para la
IA en el cuidado de la salud sigue
siendo ambiguo.
pág. 3678
Chen et al., 2023
El sistema inteligente de examen
físico aprovechó eficazmente las
ventajas de combinar la IA con la
integración de la medicina
tradicional china y la medicina
occidental, optimizando
sustancialmente el proceso de
examen médico. En comparación
con el sistema de examen físico
tradicional, el sistema inteligente
mejoró significativamente la
satisfacción del paciente.
Younis et al., 2024
Las diversas aplicaciones médicas
de ChatGPT demuestran su
potencial de innovación, sirviendo
como un recurso valioso para
estudiantes, académicos e
investigadores en atención
médica.
Fuente: Elaboración propia a partir de la base de datos Scopus.
MÉTODOLOGÍA
El creador del término “bibliometría” fue el bibliotecario Alan Pritchard, quien en 1969 consideró que
ésta es la conjunción de técnicas matemáticas y estadísticas, para el análisis de publicaciones científicas,
con la finalidad de evaluar y clasificar el quehacer científico. (García-Villar & García-Santos, 2021).
Fundamentalmente, la bibliometría se refiere al empleo del análisis cuantitativo y las metodologías
estadísticas en relación con las publicaciones, como los artículos académicos, así como con sus métricas
de citación. Esta herramienta se utiliza prácticamente en todas las disciplinas científicas para evaluar el
crecimiento, la madurez, los autores más destacados y las tendencias imperantes dentro de una
comunidad científica. También se utiliza para evaluar el rendimiento de la investigación, especialmente
pág. 3679
en las instituciones académicas y los laboratorios gubernamentales, así como por parte de los
responsables políticos, los administradores de investigación, los profesionales de la información, los
bibliotecarios y los propios académicos. (Aria y Cuccurullo, 2017).
El análisis bibliométrico aquí descrito se apoya en sugerencias metodológicas descritas en la literatura
consultada, que permitieron generar tablas y figuras que describen la validez y la organización de la
información. Con la ayuda de este análisis se puede llevar a cabo el estudio del tamaño, del crecimiento
y de la distribución de documentos científicos y conocer la estructura y la dinámica de aquellos que los
producen y consumen. (García-Villar & García-Santos, 2021).
La metodología de este estudio se sustenta en la base de datos Scopus, generando un conjunto de 413
documentos relevantes desde 1978 hasta la actualidad. Los datos se exportaron en formato .csv y se
analizaron con el paquete Bibliometrix en R. La versión 2024.09.1+394 de RStudio, denominada
«Cranberry Hibiscus», versión 1.5.57 de Quarto, agiliza el desarrollo de informes reproducibles y
visualizaciones interactivas, cruciales para dilucidar redes de colaboración, patrones de citación e
indicadores de impacto. Respaldada por los avances tecnológicos contemporáneos (específicamente
Electron 30.4.0 y Chrome 124.0), esta versión demuestra la compatibilidad con varias herramientas,
incluidas Bibliometrix, la API de Scopus y la API de Web of Science, lo que permite a los usuarios
supervisar el proceso integral desde la adquisición de datos hasta el análisis y la difusión de los hallazgos
(Posit, 2024).
Se utilizó también VOSviewer, que es un software de visualización que explora las relaciones entre
términos clave, autores e instituciones, aplicando técnicas de análisis de redes para representar datos
bibliométricos en mapas interactivos.
El análisis se organiza en cuatro etapas clave, como se ilustra en la figura 1. Cada etapa aborda distintos
aspectos del análisis, facilitando la identificación de patrones y tendencias. Este enfoque secuencial
asegura que cada fase contribuya significativamente al análisis global, enriqueciendo la calidad de las
conclusiones obtenidas. (Gómez Flores, et al., 2024).
La investigación en la base de datos se obtiene una base de datos en formato CSV descargada
directamente desde la plataforma Scopus, utilizando la fórmula de búsqueda en el título, resumen y
palabras clave: “medicine“AND “equipment” AND “(artificial intelligence” OR “artificial neural
pág. 3680
networks”). Con esta fórmula se pretendió tener una recopilación de documentos relevantes que servirán
como base para el análisis posterior. La metodología asegura que la colección de datos esté alineada con
los objetivos del estudio, garantizando la pertinencia y calidad de la información analizada (Cruz Manzo
et al., 2024).
Figura 1. Estrategia de exploración
Fuente: Elaboración propia a partir del artículo de Gómez et al. (2024).
La integración de la base en Bibliometrix R y VOSiewer, se realizó importando los archivos al paquete
Bibliometrix en R y en VOSviewer para llevar a cabo un análisis bibliométrico. Ambos programas se
utilizan para el manejo y análisis de amplios conjuntos de datos bibliográficos, facilitando la evaluación
de la actividad científica y las interacciones colaborativas entre autores. (Gómez Flores, et al., 2024).
1. Investigación
en la base de
datos SCOPUS.
2. Integración de la
base en Bibliometrix
R y VOSiewer.
3. Analisis
bibliométrico. y
obtención de
visualizaciones y
tablas.
4. Interpretación y
reporte de
resultados.
pág. 3681
Tabla 2. Estrategia de búsqueda y criterios de Selección
Formula de
búsqueda
Base de datos
Tipo de
documentos
Idioma
Rango de años
Article title,
Abstract,
Keywords
(medicine AND
equipment AND
(artificial
intelligence OR
(artificial neural
networks))
Scopus
Article, book,
book chapter,
conference paper,
conference
review, editorial,
letter, note,
retracted, review,
short surver
Chinese, English,
French, German,
Japanese, Korean,
Russian, Spanish.
Every year
(1978 – 2025)
Fuente: Elaboración propia a partir de la base de datos de Scopus.
Para la realización del análisis bibliométrico, así como la obtención de visualizaciones y tablas, se
generan gráficos en Excel para extraer información representativa sobre el tema, además de elaborar
mapas bibliométricos. Aunque estos mapas contienen información compleja, son intuitivos y fáciles de
interpretar, lo que ayuda en la visualización de los datos. (Gómez Flores, et al., 2024).
Posteriormente, se llevó a cabo la interpretación y reporte de resultados, por medio de la cadena de
búsqueda especificada en la tabla 2. A continuación, se muestra, en la tabla 3, los tipos de documentos
encontrados en Scopus, puntualizando que la mayor parte de la información que se obtuvo se encuentra
en artículos.
En la figura 2, se observa el porcentaje de tipos de documentos encontrados en Scopus, los artículos
representan el 45.8% de los 413 documentos obtenidos, seguido del 21.8% de revisiones y 20.6 %
artículos de conferencia.
pág. 3682
Tabla 3. Tipos de documentos encontrados en Scopus
Tipos de documentos
Resultados
Artículo
189
Review
90
Conference paper
85
Book Chapter
27
Conference Review
5
Editorial
5
Retracted
5
Note
4
Book
1
Letter
1
Other
1
Fuente: Elaboración propia a partir de Bibliometrix
La figura 2 muestra la distribución de diferentes tipos de documentos, donde la categoría predominante
es "Article", que representa el 45.8% del total, seguida por "Review" con un 21.8%. Otros tipos de
documentos incluyen "Article conference" (20.6%), "Book Chapter" (6.5%) y "Book" (0.2%), con
categorías adicionales como "Editorial", "Note", "Retracted", "Letter" y "Other", cada una con
porcentajes muy bajos, menores al 2%. Esto sugiere que la mayoría de los documentos en esta base de
datos son artículos y revisiones científicas, mientras que los otros tipos son significativamente menos
frecuentes.
pág. 3683
Figura 2. Porcentaje de tipos de documentos encontrados en Scopus
Fuente: Elaboración propia a partir de Blibliometrix.
RESULTADOS
Los indicadores bibliométricos se pueden dividir en cualitativos y cuantitativos. Para la obtención de
unos y otros, se emplean criterios cuantitativos, por ejemplo, el conteo de las citas para evaluar el
llamado factor de impacto. Los indicadores bibliométricos se pueden aplicar tanto a autores, como a
grupos de investigación y también a revistas. A continuación, se mencionan los aplicados a este análisis
y los resultados obtenidos.
Indicadores de producción científica
De acuerdo con García-Villar y García-Santos (2021), estos pueden ser: la cantidad acumulada de
publicaciones académicas, aplicable tanto a autores individuales como a entidades colaboradoras, tiene
en cuenta sus respectivos recuentos de artículos. Esta métrica está regulada por la ley de Lotka, también
conocida como ley de la productividad científica. Así como el índice Crown, también conocido como
citas estándar, indica la cantidad de citas en relación con campos científicos específicos y los años de
publicación correspondientes. La principal ventaja de esta métrica radica en su capacidad para facilitar
las comparaciones con respecto a la influencia de la producción académica entre los investigadores de
diversas disciplinas académicas. El índice h y sus derivados asociados representan una métrica
ampliamente reconocida que puede emplearse para evaluar la producción académica de autores
individuales, departamentos académicos o colectivos de investigación.
pág. 3684
Figura 3. Documentos por autor
Fuente: Elaboración propia a partir de Bibliometrix
El análisis de los metadatos obtenidos en Scopus nos permitió encontrar los siguientes índices de
cantidad. Con respecto al número de documentos por autor, en la figura 3, se observa que, en los
documentos por autor, Gupte, S.; Lall, P.; Modelski, J.; Romaniuk, R. y Weichert, J. son los más
destacados.
Indicadores de colaboración.
Los índices de colaboración sirven para evaluar la dinámica de la interacción entre los investigadores
y pueden calcularse en función de la autoría, la afiliación institucional y la asociación nacional de los
colaboradores.
pág. 3685
Figura 4. Colaboración científica entre países
Fuente: Elaboración basada en VOSviewer a partir de la base de datos Scopus.
La figura 4, muestra la colaboración científica entre países. En el análisis bibliométrico, este tipo de
gráficos permite identificar comportamientos de cooperación internacional en la producción de
conocimiento. Los círculos, llamados nodos, representan al país. Entre más grande un nodo, mayor
volumen de actividad científica o colaboraciones. Se observa que los nodos centrales representan a
China y Estados Unidos, reflejando el liderazgo en producción científica global y la amplitud de sus
colaboraciones. Destaca también una comunidad europea robusta y otra más de países asiáticos. Existe
una interconexión global entre Estados Unidos, China, Alemania y Reino Unido, que son las principales
economías científicas.
Las líneas llamadas conexiones, reflejan las colaboraciones entre países. Entre más gruesa la línea,
mayor número de colaboraciones. Los colores representan las comunidades de colaboración. El color
verde incluye a China, India y Malasya, que colaboran en áreas específicas, quizá tecnología y medicina.
El color rojo indica colaboración europea, se encuentran Italia, España y Reino Unido. El color azul une
a países como Alemania, Turquía y Australia. Se observa que China y Estados Unidos representan a los
pág. 3686
nodos más grandes, lo que evidencia el liderazgo en producción científica y colaboración internacional.
Se observa también la ausencia de países latinoamericanos en este índice.
Indicadores de revistas
Una revista académica muestra rigor científico cuando se adhiere a criterios como la periodicidad. En
la tabla 4, se mencionan las publicaciones más importantes y su frecuencia. Las publicaciones listadas
incluyen revistas informáticas especializadas como Lecture Notes in Computer Science, revistas médicas
especializadas como Artificial Intelligence in Medicine y otras revistas técnicas como Proceedings of
SPIE – The International Society for Optical Engineering, lo que sugiere que el tema tiene un enfoque
interdisciplinario. El conocimiento de este indicador permite a los investigadores interesados, identificar
las principales fuentes de conocimiento para decidir en dónde publicar.
La tabla 5 detalla las instituciones científicas más significativas, clasificadas según el número de
artículos publicados y su país. Destacan las universidades Zhejiang University, en China (18 artículos),
Duke-National University Of Singapore Medical School, Singapur (16 artículos), Harvard Medical
School, Estados Unidos (15 artículos), Auburn University, Estados Unidos (14 artículos), Jinan
University, China (14 artículos). Este análisis destaca la productividad de las universidades chinas en la
contribución con la investigación científica. Llama la atención la producción de Singapur y la
contribución de Estados Unidos.
Tabla 4. Publicaciones más importantes y su frecuencia
Publicación
Freq
ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
5
BIOSENSORS AND BIOELECTRONICS
5
IEEE ACCESS
5
APPLIED SCIENCES (SWITZERLAND)
4
ARTIFICIAL INTELLIGENCE IN MEDICINE
4
IFMBE PROCEEDINGS
4
pág. 3687
LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES
LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN
BIOINFORMATICS)
4
PROCEEDINGS OF SPIE - THE INTERNATIONAL SOCIETY FOR OPTICAL
ENGINEERING
4
STUDIES IN HEALTH TECHNOLOGY AND INFORMATICS
4
ZHONGGUO ZHONGYAO ZAZHI
4
Fuente: Elaboración propia mediante el análisis elaborado con el paquete Bibliometrix.
Tabla 5. Principales Afiliaciones
Afiliación
Artículos
ZHEJIANG UNIVERSITY
18
DUKE-NATIONAL UNIVERSITY OF SINGAPORE
MEDICAL SCHOOL
16
HARVARD MEDICAL SCHOOL
15
AUBURN UNIVERSITY
14
JINAN UNIVERSITY
14
BEING UNIVERSITY OF CHINESE MEDICINE
12
SUN YAT-SEN UNIVERSITY
12
THE CHINESE UNIVERSITY OF HONG KONG
12
UNIVERSITY OF STRASBOURG
12
ARMY MILITARY MEDICAL UNIVERSITY
11
BEIJING UNIVERSITY OF CHINESE MEDICINE
11
SHANGHAI JIAO TONG UNIVERSITY
11
INSTITUTE OF HIGH PERFORMANCE COMPUTING
10
STANFORD UNIVERSITY
10
Fuente: Elaboración propia mediante el análisis elaborado con el paquete Bibliometrix.
pág. 3688
Factor de impacto
La serie de datos presentada evalúa a los autores en función de su índice H, número total de citaciones
y la fecha de publicación de su obra más relevante, proporcionando una base sólida para analizar su
impacto académico. (Gómez Flores, et al., 2024).
Índice H: Este indicador, que refleja tanto la productividad como el impacto de un autor, destaca a
MODELSKI JÓZEF y ROMANIUK RYSZARD con el índice H más alto (3), con un total de 68
citaciones. Significa que estos autores tienen al menos 3 publicaciones con al menos 3 citas cada una.
Total de Citaciones: Complementa el índice H al mostrar la recepción general del trabajo. DE ROSSI
DANILO, con un índice H de 2 y 361 citaciones, es el autor con el mayor número de citaciones.
La relación entre el índice H y el total de citaciones no es siempre directa; algunos autores pueden tener
un número elevado de citaciones con un índice H inferior, lo que sugiere que su producción, aunque
menos frecuente, ha sido altamente citada. (Gómez Flores, et al., 2024). A continuación, se muestran,
en la tabla 6, los autores más citados dentro de los metadatos arrojados por Scopus.
Tabla 6. Los 10 autores más citados con más alto índice h
Autor
h_index
TC
Año
MODELSKI JÓZEF
3
68
2010
ROMANIUK RYSZARD
3
68
2010
ARTHUR RANGEL
2
15
2021
BAUD R.
2
67
1999
BLAIVAS MICHAEL
2
16
2020
CAVALCANTI ADRIANO
2
135
2005
DASGUPTA PROKAR
2
25
2018
DE ROSSI DANILO
2
361
2009
FRANÇA REINALDO PADILHA
2
15
2021
FREITAS JR. ROBERT A.
2
135
2005
Fuente: Elaboración propia mediante el análisis elaborado con el paquete Bibliometrix.
En una bibliometría, el impacto académico se puede observar por el número de citas que tiene un artículo
o documento determinado. Las publicaciones más citadas son, normalmente, las pioneras en abordar
pág. 3689
temas relevantes. En este caso son aquellas que mencionan el uso de la IA, el desarrollo de tecnología
en sensores y la integración de IA en la obtención y manejo de datos clínicos. En la tabla 7 se muestran
los 10 artículos más citados de toda la base obtenida en Scopus. Se puede observar que Ramesh et al.
(2004b) es el autor más citas (592). El sufijo b indica que el autor tiene más de una publicación en ese
mismo año. En su artículo, Ramesh et al. (2004b) menciona que las inteligencias artificiales se han
estudiado en la mayoría de las aplicaciones médicas, hace un análisis detallado de la aplicación de las
redes neuronales, de lógica difusa, de la computación evolutiva y de los sistemas inteligentes y llega a
la conclusión de que, en el campo de la medicina, las inteligencias artificiales no han sido bien vistas,
sin embargo, en el área de imagen se han utilizado mucho. Recomienda que se continúe haciendo
estudios exhaustivos para demostrar su buen desempeño.
Tabla 7. Los 10 autores más citados en toda la base Scopus
Autor
Título del Artículo
Citas
totales
(Ramesh et al.,
2004b)
Artificial intelligence in medicine
592
(Benight et al.,
2013)
Stretchable and self-healing polymers and devices for electronic
skin
551
(Coyle et al.,
2010b)
BIOTEXBiosensing textiles for personalised healthcare
management
279
(Zhou et al., 2010)
Development of traditional Chinese medicine clinical data
warehouse for medical knowledge discovery and decision support
185
(Yang & Yu,
2021b)
Artificial Convolutional Neural Network in Object Detection and
Semantic Segmentation for Medical Imaging Analysis
166
(Van Someren et
al., 2002)
Genetic network modeling
162
(Baribeau et al.,
2020)
Handheld Point-of-Care Ultrasound Probes: The New Generation
of POCUS
135
(Wang et al., 2020)
A Self-Powered Angle Sensor at Nanoradian-Resolution for
Robotic Arms and Personalized Medicare
131
(Khoshmanesh
et al., 2020)
Wearable sensors: At the frontier of personalised health
monitoring, smart prosthetics and assistive technologies
125
(Parikh et al.,
2019)
Regulation of predictive analytics in medicine
123
Fuente: Elaboración propia mediante el análisis elaborado con el paquete Bibliometrix.
pág. 3690
Yang & Yu (2021), con 166 citas, indican que el uso de la IA y de las redes neuronales ha contribuido
mucho en el análisis de imágenes médicas pixel a pixel. Omoumi et al. (2021), citados 105 veces,
manifiestan su preocupación por aportar directrices que permitan a los profesionales que usan los
equipos de radiología, a tomar mejores decisiones a la hora de adquirir este tipo de tecnologías para sus
equipos. Llama la atención que Shih-Chung et al. (1993), con 105 citas, ha propuesto el empleo de IA y
redes neuronales para la detección de nódulos y distinguirlos de imágenes falsas en radiografías de
pulmón. También es destacable la aplicación que sugieren Farooq et al. (2014), en la detección del paso
del alimento en la ingesta, a lo que llaman “electroglotografía” (74 citas).
Se puede observar, de acuerdo con el título de los documentos, que las áreas de investigación más
relevantes son tendencias clave en la investigación médica y tecnológica, lo evidencia así, Ramesh et
al.(2004b), Coyle et al.(2010b), Khoshmanesh et al. (2020), Baribeau et al. (2020) y Wang et al. (2020).
Es evidente que los temas que involucran IA son temas que han evolucionado con el tiempo, mientras
que otros como dispositivos avanzados y sensores inteligentes son temas considerados emergentes.
Palabras clave y co-ocurrencia
En la figura 5 se puede observar la co-ocurrencia de palabras clave generada por VOSviewer. En ella se
puede observar características bien diferenciadas, como los círculos o burbujas, llamados nodos, las
líneas o conexiones entre ellos y las agrupaciones por color. Los nodos representan las palabras claves
utilizadas en los artículos. El tamaño da una idea de la frecuencia de uso de cada palabra clave en la
base de datos. En este caso, la palabra “artificial intelligence” denota la de mayor frecuencia, esto se
debe a que, esta palabra, es la palabra central del estudio. La interconexión representa precisamente la
co-ocurrecia de palabras, entre más gruesa la línea, la co-ocurrencia es más fuerte. Se observa que las
palabras “machine learning”, “deep learning” (de forma tenue al fondo), son los siguientes nodos más
grandes, después de “artificial intelligence”, y están conectadas con esta última con líneas gruesas, lo
que refleja la fuerza de la relación entre ellas.
Las agrupaciones por colores reflejan los clústeres o grupos temáticos relacionados. Se puede observar
que el clúster azul agrupa a el área de tecnologías y aplicaciones específicas; el clúster verde a
dispositivos y métodos médicos; el clúster amarillo se refiere al aprendizaje automático, el clúster rojo
a la salud y telemedicina y, finalmente, el clúster púrpura a las tecnologías emergentes. Demostrando
pág. 3691
así, como las palabras clave relacionadas con IA, se interconectan en distintos subcampos de
investigación, destacando las tendencias actuales de la combinación de la IA con telemedicina,
aprendizaje profundo, realidad aumentada y datos masivos, lo que refleja la diversificación y expansión
en este campo.
Figura 5. Co- ocurrencias de palabras “Author keywords”
Fuente: Elaboración basada en VOSviewer a partir de la base de datos Scopus.
CONCLUSIONES
Al término de este análisis bibliométrico, se puede observar que los artículos académicos representan el
45.8% del total de 413 documentos adquiridos, a los que siguen los artículos de revisión con un 21.8%
y las actas de congresos con un 20.6%. Respecto a la producción científica por país, se observa que
China se perfila como el país que más contribuye a la producción científica, con 93 iniciativas de
colaboración, seguida muy de cerca por los Estados Unidos, con 92 colaboraciones. Además, países
como la India, el Reino Unido, Alemania, Italia, Francia, Rusia y España también hacen contribuciones
sustanciales al corpus de la investigación Respecto al impacto de los autores, la evaluación, basada en
el índice H, el total de citas y los plazos de publicación, destaca a autores como MODELSKI JOZEF y
ROMANIUK RYSZARD, que poseen el índice H más alto, de 3, junto con un total acumulado de 68
pág. 3692
citas. Además, autores como DE ROSSI DANILO, con un índice H de 2 y 361 citas, también reflejan
un notable impacto en este campo.
Respecto al enfoque de los documentos, estos sugieren que hay un aumento de significativo de literatura
sobre la aplicación de la IA en el ámbito de los equipos médicos, algunos autores consideran que es
fundamental para mejorar las metodologías de diagnóstico, pronosticar los resultados de los pacientes y
optimizar la administración hospitalaria, contribuyendo así a la eficacia general del sistema de salud,
especialmente en las regiones de los países en desarrollo con recursos limitados. Consideran que la
incorporación de metodologías de IA, como las técnicas relacionadas con aprendizaje profundo
utilizadas para el procesamiento de imágenes en la medicina, aumenta significativamente tanto la
precisión como la rapidez de los diagnósticos, lo que demuestra avances notables en la calidad de las
imágenes de ultrasonido y la precisión de las evaluaciones diagnósticas. En cuanto a la producción
científica, predominan los países desarrollados, esto podría estar reflejando un acceso desigual a los
recursos y a la tecnología, lo cuál es necesario para el desarrollo y la investigación en equipo médico.
Se puede notar la presencia de distintas áreas en colaboración interdisciplinaria, como la ingeniería, la
computación y obviamente, la medicina. Destacan algunas tendencias temáticas en áreas específicas
como el aprendizaje automático y el procesamiento de imágenes médicas, esto podría deberse a su
capacidad en el análisis de grandes volúmenes de datos o en la detección temprana de enfermedades.
Sin embargo, a pesar de las posibles ventajas, la ausencia de protocolos estandarizados, los elevados
gastos de instalación y mantenimiento, la infraestructura de transporte inadecuada y los desafíos de
conectividad podrían impedir la aplicación integral de la IA en los entornos de atención médica. Si bien
la IA posee la capacidad de mejorar los marcos de toma de decisiones, es crucial acentuar el papel
insustituible de los expertos en salud, a la hora de optimizar las ventajas que confieren las aplicaciones
de IA en el ámbito médico.
REFERENCIAS BIBLIOGRÁFICAS
Aguilar-Gallardo, C., & Bonora-Centelles, A. (2024). Integrating Artificial Intelligence for Academic
Advanced Therapy Medicinal Products: Challenges and Opportunities. Applied Sciences, 14(3),
1303. https://doi.org/10.3390/app14031303
pág. 3693
Ali, A. M. A., & Alrobaian, M. M. (2024). Strengths and weaknesses of current and future prospects of
artificial intelligence-mounted technologies applied in the development of pharmaceutical
products and services. Saudi Pharmaceutical Journal, 32(5), 102043.
https://doi.org/10.1016/j.jsps.2024.102043
Aria, M., y Cuccurullo, C. (2017). “bibliometrix : An R-tool for comprehensive science mapping
analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007
Belal, S. L., Frantz, S., Minarik, D., Enqvist, O., Wikström, E., Edenbrandt, L., & Trägårdh, E. (2023).
Applications of Artificial Intelligence in PSMA PET/CT for Prostate Cancer Imaging. Seminars
In Nuclear Medicine, 54(1), 141-149.
https://doi.org/10.1053/j.semnuclmed.2023.06.001
Chen, X., Duan, R., Shen, Y., & Jiang, H. (2023). Design and evaluation of an intelligent physical
examination system in improving the satisfaction of patients with chronic disease. Heliyon,
10(1), e23906. https://doi.org/10.1016/j.heliyon.2023.e23906
Chen, Z., Zhang, D., Liu, C., Wang, H., Jin, X., Yang, F., & Zhang, J. (2023). Traditional Chinese
medicine diagnostic prediction model for holistic syndrome differentiation based on deep
learning. Integrative Medicine Research, 13(1), 101019.
https://doi.org/10.1016/j.imr.2023.101019
Cruz Manzo, J., Bolaños González, F. F., Ortuño Barba, L. C., Villafuerte Palavicini, F. S., & Áraoz
Baltazar, I. (2024). Bibliometría del Uso del Blockchain en la Economía Circular: Decisión
Hacia la Sostenibilidad. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 9165–9180.
https://doi.org/10.37811/cl_rcm.v8i5.14304
Farah, L., Borget, I., Martelli, N., & Vallee, A. (2024). Suitability of the Current Health Technology
Assessment of Innovative Artificial Intelligence-Based Medical Devices: Scoping Literature
Review. Journal Of Medical Internet Research, 26, e51514. https://doi.org/10.2196/51514
Farooq, M., Fontana, J. M., & Sazonov, E. (2014). A novel approach for food intake detection using
electroglottography. Physiological Measurement, 35(5), 739-751.
https://doi.org/10.1088/0967-3334/35/5/739
pág. 3694
Feng, S., Lin, S., Chiang, Y., Lu, M., & Chao, Y. (2023). Deep Learning-Based Hip X-ray Image
Analysis for Predicting Osteoporosis. Applied Sciences, 14(1), 133.
https://doi.org/10.3390/app14010133
García-Villar, C., & García-Santos, J. (2021). Indicadores bibliométricos para evaluar la actividad
científica. Radiología, 63(3), 228-235. https://doi.org/10.1016/j.rx.2021.01.002
Grechko, A. V., Yadgarov, M. Y., Yakovlev, A. A., Berikashvili, L. B., Kuzovlev, A. N., Polyakov, P.
A., Kuznetsov, I. V., & Likhvantsev, V. V. (2024). RICD: Russian Intensive Care Dataset.
General Reanimatology, 20(3), 22-31. https://doi.org/10.15360/1813-9779-2024-3-22-31
Gòmez Flores, N. E., Hernandez Cortes, E., Ramirez Vaquero, E. O., Moreno Sosa, S. M., & Vazquez
Evangelista, J. G. (2024). Antocianinas, más allá del Color y el pH: Una Revisión
Bibliométrica. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 9053-9080.
https://doi.org/10.37811/cl_rcm.v8i5.14297
Guo, C., Cun, Y., Xia, B., Chen, S., Zhang, C., Chen, Y., Shan, E., Zhang, P., & Tai, X. (2024). An
analysis of stimulation methods used in rehabilitation equipment for children with cerebral
palsy. Frontiers In Neurology, 15. https://doi.org/10.3389/fneur.2024.1371332
Jiatuo, X., Tao, J., & Shi, L. (2024). Research status and prospect of tongue image diagnosis analysis
based on machine learning. Digital Chinese Medicine, 7(1), 3-12.
https://doi.org/10.1016/j.dcmed.2024.04.002
Omoumi, P., Ducarouge, A., Tournier, A., Harvey, H., Kahn, C. E., Verchère, F. L., Santos, D. P. D.,
Kober, T., & Richiardi, J. (2021). To buy or not to buy—evaluating commercial AI solutions in
radiology (the ECLAIR guidelines). European Radiology, 31(6), 3786-3796.
https://doi.org/10.1007/s00330-020-07684-x
Posit, PBC. (2024). RStudio 2024.09.1+394 “Cranberry Hibiscus” Release Notes. Recuperado de
https://posit.co
Ramesh, A., Kambhampati, C., Monson, J., & Drew, P. (2004). Artificial intelligence in medicine.
Annals Of The Royal College Of Surgeons Of England, 86(5), 334-338.
https://doi.org/10.1308/147870804290
pág. 3695
Seoni, S., Shahini, A., Meiburger, K. M., Marzola, F., Rotunno, G., Acharya, U. R., Molinari, F., &
Salvi, M. (2024). All you need is data preparation: A systematic review of image harmonization
techniques in Multi-center/device studies for medical support systems. Computer Methods And
Programs In Biomedicine, 250, 108200.
https://doi.org/10.1016/j.cmpb.2024.108200
Shih-Chung, B., Freedman, M. T., Lin, J., & Mun, S. K. (1993). Automatic lung nodule detection using
profile matching and back-propagation neural network techniques. Journal Of Digital Imaging,
6(1), 48-54. https://doi.org/10.1007/bf03168418
Song, K., Feng, J., & Chen, D. (2024). A survey on deep learning in medical ultrasound imaging.
Frontiers In Physics, 12. https://doi.org/10.3389/fphy.2024.1398393
Wu, B. (2024). Real Time Monitoring Research on Rehabilitation Effect of Artificial Intelligence
Wearable Equipment on Track and Field Athletes. EAI Endorsed Transactions On Pervasive
Health And Technology, 10. https://doi.org/10.4108/eetpht.10.5150
Yang, R., & Yu, Y. (2021). Artificial Convolutional Neural Network in Object Detection and Semantic
Segmentation for Medical Imaging Analysis. Frontiers In Oncology, 11.
https://doi.org/10.3389/fonc.2021.638182
Younis, H. A., Eisa, T. A. E., Nasser, M., Sahib, T. M., Noor, A. A., Alyasiri, O. M., Salisu, S., Hayder,
I. M., & Younis, H. A. (2024). A Systematic Review and Meta-Analysis of Artificial
Intelligence Tools in Medicine and Healthcare: Applications, Considerations, Limitations,
Motivation and Challenges. Diagnostics, 14(1), 109.
https://doi.org/10.3390/diagnostics14010109
Zuhair, V., Babar, A., Ali, R., Oduoye, M. O., Noor, Z., Chris, K., Okon, I. I., & Rehman, L. U. (2024).
Exploring the Impact of Artificial Intelligence on Global Health and Enhancing Healthcare in
Developing Nations. Journal Of Primary Care & Community Health, 15.
https://doi.org/10.1177/21501319241245847