Servicios personalizados
Español (pdf)
Articulo en XML
Referencias del artículo
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
En la actualidad, el mundo del internet se ha convertido en un factor fundamental para el desarrollo de la tecnología, una noción más amplia sobre los requerimientos tecnológicos que se necesita antes de entrar en el área de salud, es decir, enfatizar la parte de canalizar recursos económicos, tecnológicos y de estrategia para la operación diaria de un análisis más complejo (Garavand, et al., 2016).
Según la evaluación de potencial no es una tarea sencilla, hay que llevar a cabo múltiples tareas, si bien uno lo puede emprender solo, pero en ocasiones no. Las herramientas que se utilizaría para el mejoramiento de la salud es la propia tecnología, implementando un análisis más detallado que se daría en la vida cotidiana. En el proyecto se destaca cada vez más el desarrollo de aplicativos para combatir las enfermedades crónicas (Páez, et al. 2014). Por lo tanto, el mecanismo de seguridad que vamos a emplear es de relacionar los factores que se manejan diariamente en la humanidad con la adaptación de las IoT.
Cabe resaltar que el avance tecnológico es un punto a favor para el desarrollo en la medicina, y prevalece la integridad del ser humano. Sin embargo, los procesos a largo plazo suelen tener repercusiones para poder llegar al éxito y así podremos determinar con mayor facilidad los factores que se presentan en el proyecto o en la simulación de distintos escenarios (Leyva, Rosado & Febles, 2013).
El artículo está estructurado de la siguiente forma se desarrolla una revisión con los temas fundamentales de la IoT aplicados al área de la salud. Se detallan aspectos relacionados con los mapas cognitivos difusos. Se identifican posteriormente los factores críticos de éxito de la aplicación de la IoT en la salud y se realiza un análisis estático y dinámico del mapa obtenido. El artículo finaliza con conclusiones y recomendaciones de trabajo futuro.
Desarrollo
Las tecnologías de RFID (Identificación por Radiofrecuencia) (Ahson & Ilyas, 2017) y ZigBee (Lee, Su & Shen, 2007), además de la computación en nube pueden ser utilizadas para reducir los tiempos de trabajo y de costes a través de la conexión de dispositivos inteligentes a Internet. Su gran variedad de aplicaciones las vuelve atractivas para ser manipuladas en entornos de atención médica, de tal forma que permita crear sistemas de seguimiento y control de pacientes en hospitales y clínicas, que faciliten la toma de decisiones del personal médico y administrativo.
ZigBee es una red de comunicación de sensores inalámbricos, la cual permite trabajar a una distancia corta siendo realmente larga la distancia, además proporciona bajo consumo de energía haciendo que la batería sea más duradera, es decir, que su bajo consumo de energía permite que su tiempo de vida sea más largo (funcione más años) y con una velocidad baja.
ZigBee ayuda en gran parte a las personas, ya que funciona con la teledetección mejorando así la tecnología estructural de cableado. ZigBee está basado en el estándar IEEE 802.15.4, que se utiliza para la comunicación de datos de dos a muchos dispositivos de consumo conectados entre sí, en donde estos generalmente son aparatos industriales, además que este sirve para aplicaciones inalámbrica de área personal.
Radio-Frequency Identification (RFID) es una tecnología que sirve para la identificación automática, el cual este se utiliza para la captura de datos por medio de dispositivos electrónicos, esta tecnología permite identificar y localizar objetos, debido a que es un lector de etiquetas las cuales llevan datos internamente, que a su vez son consultados en la base de datos y así sirven para identificar un objeto que la contiene.
Un estudio Alemdar & Ersoy (2010), aseveran que debido a que la población de ancianos, niños y enfermos crónicos ha crecido se hace necesario mejorar la prestación sanitaria por las condiciones que cada uno posee, por todo esto es que se implementan las tecnologías de sensores inalámbricos ya que estas ayudan a mejorar la calidad de vida de ellos porque ayudan a detectar lo que el paciente tiene, por eso se piensa en una aplicación que tenga este tipo de tecnología para que el paciente este en constante monitoreo, lo que ayuda a detectar una emergencia o enfermedades que este tenga y también para facilitarle al cuidador su trabajo.
El uso de la IOT en el autocuidado de las enfermedades crónicas y servicios de alto nivel. Las aplicaciones de sanidad electrónica (E-Health) que utilizan la tecnología de las IOT (internet de las cosas) tienen una promesa significativa: Las redes de sensores biomédicos y la interpretación adecuada de los datos procedentes de ellas permitirá un mejor autocuidado de las enfermedades crónicas y generaran ahorros notables en los presupuestos nacionales para el cuidado de la salud. Sin embargo, existe algo clave dentro de esto y es la seguridad ya que se requieren altos requerimientos de privacidad y confidencialidad de estos datos o información. Soluciones de gestión de la seguridad de adaptación, basadas en efectividad de la seguridad, exactitud y pruebas de eficiencia, se pueden utilizar para responder a estas necesidades. Se Analizan los objetivos de seguridad de las aplicaciones de sanidad electrónica (E-Health)) y sus necesidades de toma de decisiones de seguridad adaptativa, y proponen un mecanismo de gestión de la seguridad adaptativa de alto nivel basado en métricas de seguridad para hacer frente a los desafíos.
UHD es un modelo en donde se evalúan los datos del paciente de manera inmediata y mucho más precisa, lo que no ocurría antes de que se introdujera el IOT a los servicios de salud debido a anteriormente los modelos inteligentes como U-Health lo que se implementaba era, tomar los datos del paciente para luego enviarlos a un servidor para que el médico que tenía el seguimiento con el paciente, lograra retroalimentarse acerca de la situación del paciente. (Agoulmine, 2011).
Ahora con este nuevo modelo inteligente lo que busca es informar al paciente como es su estado de salud con respecto, a los factores de riesgo que pueda tener, esto se realiza por medio de un dispositivo el cual obtiene información del paciente y procede a dar una evaluación mucho más completa que la evaluación básica que se viene haciendo y en tiempo real. Todo esto permite que se pueda detectar de manera rápida el estado de salud del paciente ya que evalúa los 5 factores de riesgo que hay, los cuales son: glucosa, presión arterial, obesidad, triglicéridos, colesterol y si el paciente tiene muy alto los valores, de los que deberían ser de acuerdo con el valor estándar, se considera que el paciente posee el síndrome metabólico.
Lo Mapas Cognitivos Difusos MCD mejoran los mapas cognitivos, describiendo la fortaleza de la relación mediante el empleo de valores borrosos en el intervalo [-1,1] o más recientemente computación con palabras (CWW) y es especial, el modelo de 2-tuplas. La CWW es una metodología que permite realizar un proceso de computación y razonamiento, utilizando palabras pertenecientes a un lenguaje en lugar de números. Dicha metodología permite crear y enriquecer modelos de decisión, en los cuales, la información vaga e imprecisa es representada a través de variables lingüísticas.
Un MCD se puede representar a través de un grafo dirigido ponderado donde los nodos representan conceptos y los arcos indican una relación causal (Kosko, 1997). Una matriz de adyacencia es construida a partir de los valores asignados a los arcos generalmente de forma numérica (Zhi-Qiang, 2001).
En los MCD existen tres posibles tipos de relaciones causales entre conceptos:
Causalidad positiva
Indica una causalidad positiva entre los conceptos 
es decir, el incremento (disminución) en el valor de 
lleva al incremento (disminución) en el valor de
Causalidad negativa
Indica una causalidad negativa entre los conceptos 
es decir, el incremento (disminución) en el valor de 
lleva la disminución (incremento) en el valor de
No existencia de relaciones
Indica la no existencia de relación causal entre 
Dada la gran utilidad de los MCD, estos han sido extendidos para modelar diversas situaciones. Así, encontramos extensiones basadas la teoría de los sistemas grises (Salmeron, 2010), intervalos (Papageorgiou, Stylios & Groumpos, 2006), lógica difusa intuicionista (Iakovidis, et al., 2011), entre otras extensiones.
Un MCD puede ser representado a través de un dígrafo (Figura 1), en el cual, los nodos representan conceptos y los arcos indican relación causal (Kosko, 1997).
Cuando participa un conjunto de individuos (k), la matriz de adyacencia se formula a través de un operador de agregación, como por ejemplo la media aritmética. El método más simple consiste en encontrar la media aritmética de cada una de las conexiones para cada experto. Para k expertos, la matriz de adyacencia del MCD final (E) es obtenida como (Kosko, 1988):
Esta facilidad de agregación permite la creación de modelos mentales colectivos con relativa facilidad.
A continuación se presenta el modelo propuesto basado en otros marcos de trabajo basado en el análisis de los factores críticos de éxito (Leyva, et al., 2012):
Modelado del MCD: Se determinan FCE que brindarán mayor información para la toma de decisiones y el planteamiento de estrategias. Se determinan las relaciones causales ente los FCE. Los indicadores constituirán nodos en el MCD, las relaciones causales constituirán las aristas. Esta información será enriquecida con valores numéricos en la siguiente actividad
Selección de las medidas: Se selecciona el aspecto del MCD o la combinación que se desea analizar. En el presente estudio, se decidió establecer el nivel de fuerza de la conexión entre los nodos para determinar su importancia dentro del mapa.
Cálculo de centralidad: Se calculan los valores de entrada y salida de los nodos (indegree y outdegree) para determinar la centralidad. De emplearse más de una medida de centralidad se determina un valor compuesto de centralidad mediante la agregación de nuevos valores.
Ordenamiento y clasificación: En esta actividad se ordenan los nodos de acuerdo a su importancia en el modelo.
Se representan el MCD como un grafo dirigido ponderado
, donde es el conjunto de nodos y 
es el conjunto de conexiones entre esos nodos. Para priorizar los nodos más importantes se determinan la centralidad del factor a partir de su outdegree 
e indegree , teniendo en cuenta la magnitud de los pesos Cij de la siguiente manera (Brandes, Borgatti & Freeman, 2016):
Outdegree 
es la suma de las filas en la matriz de adyacencia neutrosófica. Refleja la fortaleza de las relaciones saliente de la variable.
Indegree es la suma de las columnas Refleja la Fortaleza de las relaciones 
saliente de la variable.
La centralidad 
se calcula a partir de la suma de su grado de entrada y grado de salida 
, tal como se expresa en la fórmula siguiente:
La centralidad en un MCD indica que tan fuertemente está relacionado un nodo con otros, a partir de sus conexiones directas.
Los nodos se clasifican de acuerdo con las siguientes reglas:
Las variables transmisoras Tienen outdegree positivo y cero indegree.
Las variables receptoras: Tienen una indegree positivo, y cero outdegree.
Las variables ordinarias: Tienen un grado de indegree y outdegree distinto de cero.
Análisis de Escenario
Determinar estímulo. El vector inicial,
, es definido por cada escenario. Este representa el valor inicial de cada nodo en el escenario[5].Simular escenarios. La simulación de los distintos escenarios se realiza y se obtienen el vector resultant
en forma de conceptos con distintos niveles de activación después de alcanzar el estado de equilibrio (Salmeron, Vidal & Mena, 2012).
Se identificaron los siguientes factores críticos de éxitos de los proyectos de IoT aplicados a la salud (Tabla 1).
Tabla 1 - Factores críticos de éxitos de los proyectos de IoT aplicados.
| ID | FACTORES | DESCRIPCION |
|---|---|---|
| N1 | Mejorar Calidad de Vida | Mejorar y fortalecer el bienestar o autoestima para poder reforzar las actividades diarias o sociales |
| N2 | Mejorar el status de salud | Mejorar la administración de medicamentos para promover las actividades físicas y también mantener una dieta equilibrada. |
| N3 | Disminuir mortalidad | Disminuye el porcentaje de los usuarios referente a la edad y a la demencia. |
| N4 | Reducir los riesgos del ambiente | Disminuir cada riesgo que se presenta en lo externo o interno del ámbito natural. |
| N5 | Identificar | Se evalúa e identifica cada error que se puede presentar en un diagnóstico. |
| N6 | Reforzar la confianza | Tener mayor seguridad y fiabilidad. |
| N7 | Lograr satisfacción | Lograr objetivos complejos planteados por el usuario. |
Se modelaron las relaciones entre los factores con el siguiente mapa (Fig. 2).
A continuación, se detallan la matriz de adyacencia (Tabla 2).
Tabla 2 - Matriz de adyacencia de cada factor
| ID | FACTORES | N1 | N2 | N3 | N4 | N5 | N6 | N7 |
|---|---|---|---|---|---|---|---|---|
| N1 | Mejorar Calidad de Vida | 0.00 | 0.00 | 0.81 | 0.00 | 0.00 | 0.00 | 0.00 |
| N2 | Mejorar el status de salud | 0.62 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| N3 | Disminuir mortalidad | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| N4 | Reducir los riesgos del ambiente | 0.00 | 0.00 | 0.42 | 0.00 | 0.00 | 0.00 | 0.00 |
| N5 | Identificar errores | 0.00 | 0.00 | 0.72 | 0.00 | 0.00 | 0.00 | 0.00 |
| N6 | Reforzar la confianza | 0.00 | 0.00 | 0.61 | 0.00 | 0.00 | 0.00 | 0.00 |
| N7 | Lograr satisfacción | 0.00 | 0.49 | 0.00 | 0.65 | 0.00 | 0.52 | 0.00 |
Un análisis de las distintas medidas de centralidad (aoudegree, indegree, centralidad) se muestra a continuación (Tabla 3).
Tabla 3 - Centralidad de los factores.
| FACTORES | Indegree | Outdegree | Centralidad |
|---|---|---|---|
| Mejorar Calidad de Vida | 0.62 | 0.81 | 1.4300000000000002 |
| Mejorar el status de salud | 0.49 | 0.62 | 1.1099999999999999 |
| Disminuir mortalidad | 2.56 | 0 | 2.56 |
| Reducir los riesgos del ambiente | 0.65 | 0.42 | 1.07 |
| Identificar errores | 0 | 0.72 | 0.72 |
| Reforzar la confianza | 0.52 | 0.61 | 1.13 |
| Lograr satisfacción | 0 | 1.6600000000000001 | 1.6600000000000001 |
Los factores más importantes fueron en este orden: Disminuir mortalidad, lograr satisfacción y mejorar calidad de vida en ese orden. Se identificó un escenario y los resultados se simularon obteniéndose el siguiente resultado (Fig. 3).
Esto permite realizar análisis prácticos de la situación futura. El análisis e escenarios nos facilita además una mayor proactividad en la planificación de los distintos escenarios futuros.
Conclusiones
En la actualidad la sociedad se encuentra en una época de transición, que se encamina hacia un nuevo estilo de programación basada en estándares y para ello la metodología basada en los mapas cognitivos propone una innovación de alta gama de calidad a la vida.
Conforme a la tecnología va avanzando, van apareciendo nuevas soluciones, nuevas formas de programación, nuevos lenguajes y un sin fin de herramientas que intentan facilitar el trabajo del desarrollador, el análisis más profundo en cada caso también contribuye al mejoramiento del software para tener éxito en los factores del proyecto.
La programación y el desarrollo del software es uno de los pilares fundamentales de la informática y al cual se dedican muchas horas de esfuerzos en empresas, colegios, academias y universidades. Como resultados de la aplicación del modelo se determinaron como factores más importantes fueron en este orden: Disminuir mortalidad, lograr satisfacción y mejorar calidad de vida en ese orden.
Como trabajos futuros se pretende el desarrollo de una herramienta software como soporte al modelo. Adicionalmente se pretende el desarrollo de un modelo multiexperto con un proceso de búsqueda de consenso para aumentar la factibilidad de modelo.
