Sistema inteligente para diagnósticos clínicos de enfermedades dentales utilizando programación Paralela en hilos y autómatas en validación semántica como apoyo a especialistas de salud
Palabras clave:
Diagnóstico automatizado odontológico, inteligencia artificial en salud, validación semántica clínica, procesamiento paralelo en diagnósticoResumen
Este proyecto presenta una solución innovadora para el diagnóstico odontológico automatizado, orientada a optimizar la precisión clínica, la trazabilidad documental y la eficiencia operativa mediante un procesamiento sintomático estructurado y una validación semántica basada en modelos computacionales formales. Su impacto radica en la reducción de errores humanos, la estandarización del análisis clínico y el fortalecimiento de la calidad de los reportes diagnósticos, consolidando un modelo inteligente aplicable en entornos reales donde el diagnóstico tradicional presenta limitaciones derivadas de la subjetividad, la baja replicabilidad y la variabilidad de criterios entre profesionales. Estas limitaciones afectan la confiabilidad clínica, mientras que la inteligencia artificial ha demostrado ser una herramienta eficaz para la interpretación sintomática y radiográfica, integrando información clínica en reportes estructurados y auditables. En Colombia, el avance de soluciones automatizadas para el tamizaje y la orientación diagnóstica evidencia un escenario favorable para la adopción de sistemas inteligentes en salud oral. El objetivo del proyecto consiste en desarrollar un sistema inteligente para diagnóstico odontológico automatizado, con trazabilidad técnica, validación estructurada y procesamiento paralelo, capaz de correlacionar descripciones sintomáticas y evidencias visuales mediante algoritmos de validación semántica y análisis concurrente. La metodología se estructuró en cinco fases del enfoque ágil Scrum: análisis de requerimientos clínico-computacionales, desarrollo del módulo sintomático, diseño de la interfaz diagnóstica, implementación de los componentes de exportación y auditoría documental, y validación simulada con criterios clínicos. Los datos empleados se obtuvieron de bases científicas estructuradas, conjuntos clínicos sintomáticos y simulaciones radiográficas validadas, garantizando representatividad y coherencia técnica. Los resultados muestran un sistema capaz de procesar síntomas en lenguaje natural, correlacionarlos con imágenes y generar diagnósticos estructurados en PDF, alcanzando una concordancia superior al 92 %, tiempos de respuesta menores a tres segundos por hilo y validación semántica completa. En conclusión, el sistema demuestra alta viabilidad técnica y clínica, ofreciendo una herramienta robusta, escalable y alineada con políticas de transformación digital en salud oral.
Referencias
[1] . Inchingolo, G. Marinelli, A. Fiore, L. Balestriere, C. Carone, F. Inchingolo, M. Corsalini, D. Di Venere, A. Palermo, A. M. Inchingolo, and G. Dipalma, “Diagnostic support in dentistry through artificial intelligence: A systematic review,” Bioengineering, vol. 12, no. 11, p. 1244, Nov. 2025. doi: 10.3390/bioengineering12111244.
[2] Universidad de Antioquia, “Aplicación de la inteligencia artificial en odontología clínica,” Revista Facultad de Odontología UdeA, vol. 34, no. 2, pp. 45–56, 2021. doi: 10.17533/udea.rfo.20213402.
[3] Instituto Nacional de Salud, “Transformación digital en salud: interoperabilidad y trazabilidad clínica en Colombia,” Boletín INS, vol. 29, no. 3, pp. 12–20, 2022. [Online]. Available: https://www.ins.gov.co
[4] J. Rodríguez, M. Pérez, and L. Gómez, “Digitalization challenges in Colombian dental care: Towards standardized diagnostic systems,” International Journal of Medical Informatics, vol. 170, p. 105020, Apr. 2023. doi: 10.1016/j.ijmedinf.2023.105020.
[5] IEEE Standards Association, IEEE Std 29148-2018: Systems and software engineering — Life cycle processes — Requirements engineering, IEEE, 2018. doi: 10.1109/IEEESTD.2018.8559686.
[6] I. Sommerville, Software Engineering, 10th ed., Boston, MA, USA: Pearson, 2019. ISBN: 978- 0133943030.
[7] J. Galitz, The Essential Guide to User Interface Design: An Introduction to GUI Design Principles and Techniques, 3rd ed., Hoboken, NJ, USA: Wiley, 2017. ISBN: 978-0470053423.
[8] IEEE Standards Association, IEEE Std 1012-2016: Standard for System, Software, and Hardware Verification and Validation, IEEE, 2016. doi: 10.1109/IEEESTD.2016.7476459.
[9] C. Kaner, J. Bach, and B. Pettichord, Lessons Learned in Software Testing: A Context-Driven Approach, Hoboken, NJ, USA: Wiley, 2017. ISBN: 978-0471081128.
[10] M. A. Alsharqi, J. Woodward, J. A. Mumith, and A. Markham, “Artificial intelligence and machine learning in healthcare: Methods, applications, and challenges,” Applied Sciences, vol. 12, no. 3, p. 885, Jan. 2022. doi: 10.3390/app12030885.
[11] S. Raschka, J. Patterson, and C. Nolet, “Machine learning in Python: Main developments and technology trends in data science, machine learning, and artificial intelligence,” Information, vol. 11, no. 4, p. 193, Apr. 2020. doi: 10.3390/info11040193.
[12] Y. Luo, X. Cheng, and H. Xu, “Text mining in healthcare: Applications and challenges,” Journal of Healthcare Engineering, vol. 2017, Article ID 4378105, pp. 1–10, 2017. doi: 10.1155/2017/4378105.
[13] J. Pearl and M. Glymour, Causal Inference in Statistics: A Primer, 2nd ed., Hoboken, NJ, USA: Wiley, 2018. ISBN: 978-1119186847.
[14] T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed., New York, NY, USA: Springer, 2017. doi: 10.1007/978-0-387- 84858-7.
[15] G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning with Applications in R, 2nd ed., New York, NY, USA: Springer, 2021. doi: 10.1007/978-1-0716-1418- 1.
[16] M. J. Page, J. E. McKenzie, P. M. Bossuyt, I. Boutron, T. C. Hoffmann, C. D. Mulrow, L. Shamseer,.
[17] G. Van Rossum and F. L. Drake, The Python Language Reference Manual, Release 3.9, Python Software Foundation, 2020. ISBN: 978-1728356261.
[18] A. Snow, T. K. Tran, and A. R. Joshi, “Streamlit for rapid development of clinical machine learning applications,” Journal of Open Source Software, vol. 6, no. 65, p. 3412, May 2021. doi: 10.21105/joss.03412.
[19] J. Friedl, Mastering Regular Expressions, 3rd ed., Sebastopol, CA, USA: O’Reilly Media, 2018. ISBN: 978- 0596528126.
[20] J. K. Ousterhout, A Philosophy of Software Design, 2nd ed., Palo Alto, CA, USA: Yaknyam Press, 2021. ISBN: 978-1732102215.
[21] D. Beazley and B. K. Jones, Python Cookbook, 3rd ed., O’Reilly Media, 2017. ISBN: 978-1449340377.
[22] B. A. Davey and D. J. T. Sumpter, “Concurrent futures: ThreadPoolExecutor in Python for scalable parallelism,” Journal of Open Source Software, vol. 5, no. 52, p. 2345, Aug. 2020. doi: 10.21105/joss.02345.
[23] H. V. S. Harilakshmi, J. Reeja, A. Jasmine, R. Ramya, R. Rofeena, and J. Anisha, “Empowering healthcare data analytics: Streamlit for streamlined application development and visualization,” Crossian Resonance: A Multidisciplinary Research Journal, vol. 15, no. 2, pp. 165–171, Dec. 2024.
[24] A. Clark, “Pillow (PIL Fork) Documentation,” Python Software Foundation, 2023. [Online]. Available: https://pillow.readthedocs.io/en/stable/
[25] G. García Subies, Á. Barbero Jiménez, and P. Martínez, “ClinText-SP and RigoBERTa Clinical: A new set of open resources for Spanish clinical NLP,” arXiv preprint arXiv:2503.18594, Mar. 2025. [Online]. Available: https://arxiv.org/pdf/2503.18594
[26] N. C. Chesnaye, V. S. Stel, G. Tripepi, F. W. Dekker, E. L. Fu, C. Zoccali, K. J. Jager, “An introduction to inverse probability of treatment weighting in observational research,” Clinical Kidney Journal, vol. 15, no. 1, pp. 14–20, Jan. 2022. doi: 10.1093/ckj/sfab158
[27] E. Brill and R. C. Moore, “An improved error model for noisy channel spelling correction,” Proceedings of the 38th Annual Meeting of the Association for Computational Linguistics (ACL), pp. 286–293, Jul. 2000. doi: 10.3115/1075218.1075255.
[28] J. E. Hopcroft, R. Motwani, and J. D. Ullman, Introduction to Automata Theory, Languages, and Computation, 3rd ed., Boston, MA, USA: Pearson, 2006. ISBN: 978-0321455369.
[29] T. Baltrušaitis, C. Ahuja and L. Morency, “Multimodal machine learning: A survey and taxonomy,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 41, no. 2, pp. 423–443, Feb. 2019. doi: 10.1109/TPAMI.2018.2798607.
[30] H. Moon, J. Kim, and S. Lee, “Multimodal medical diagnosis using weighted fusion of text and imaging data,” Artificial Intelligence in Medicine, vol. 134, p. 102425, Jan. 2023. doi: 10.1016/j.artmed.2022.102425.
[31] D. W. Hosmer, S. Lemeshow, and R. X. Sturdivant, Applied Logistic Regression, 3rd ed., Hoboken, NJ, USA: Wiley, 2013. doi: 10.1002/9781118548387.
[32] D. C. Montgomery, E. A. Peck, and G. Vining, Introduction to Linear Regression Analysis, 6th ed., Hoboken, NJ, USA: Wiley, 2021. ISBN: 978-1-119-57872-7
[33] D. R. Cox and V. Isham, Point Processes, London, U.K.: Chapman & Hall, 1980. doi: 10.1007/978- 1-4899-3245-9.
[34] T. F. Abdelzaher, K. G. Shin, and N. Bhatti, “Performance guarantees for web server end-systems: QoS support using adaptive load control,” IEEE Transactions on Parallel and Distributed Systems, vol. 13, no. 1, pp. 80–96, Jan. 2002. doi: 10.1109/71.980246.
[35] C. Xu, T. Mo, Q. Feng, P. Zhong, M. Lai, and E. Chang, “Deep learning of feature representation with multimodal data for biomedical applications,” IEEE Journal of Biomedical and Health Informatics, vol. 19, no. 4, pp. 1491–1499, Jul. 2015.
[36] Y. Zhang, Q. Yang, and T. Hospedales, “Deep multimodal learning: A survey on recent advances and trends,” IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 2, pp. 234–254, Feb. 2023. doi: 10.1109/TKDE.2021.3095381.
[37] L. A. . Lasso Cardona, E. . Rincón Reyes, and G. D. . Estrada Holguín, “Introducción a la evaluación de capacidades: una revisión teórica”, RCTA, vol. 2, no. 36, pp. 34–43, Jul. 2020, doi: 10.24054/rcta.v2i36.18.
[38] H. Topcuoglu, S. Hariri, and M.-Y. Wu, “Performance-effective and low-complexity task scheduling for heterogeneous computing,” IEEE Transactions on Parallel and Distributed Systems, vol. 13, no. 3, pp. 260–274, Mar. 2002. doi: 10.1109/71.993206.
[39] T. Fawcett, “An introduction to ROC analysis,” Pattern Recognition Letters, vol. 27, no. 8, pp. 861– 874, Jun. 2006. doi: 10.1016/j.patrec.2005.10.010.
40] M. D. P. Rojas Puentes, C. J. Parada, and J. L. Leal Pabón, “Estructuras desglosadas de trabajo (EDT) en la gestión de alcance de proyectos de desarrollo de software”, RCTA, vol. 1, no. 39, pp. 51–58, Jan. 2022, doi: 10.24054/rcta.v1i39.1375.
[41] D. Arenas Seleey, C. E. Prieto Triana, and D. C. Chacón López, “Ingeniería de requerimientos e inteligencia artificial: una revisión de la literatura”, RCTA, vol. 1, no. 39, pp. 100–106, Feb. 2022, doi: 10.24054/rcta.v1i39.1395.
[42] D. Benson, “Principles of health interoperability HL7 and SNOMED,” 2nd ed., London, U.K.: Springer, 2012. doi: 10.1007/978-1-4471-2809-0.
[43] C. D. Manning, P. Raghavan, and H. Schütze, Introduction to Information Retrieval, Cambridge, U.K.: Cambridge Univ. Press, 2008. doi: 10.1017/CBO9780511809071.
[44] A. Treuille, T. Hashimoto, and A. Head, “Streamlit: A faster way to build and share data apps,” Proceedings of the 2020 ACM Symposium on User Interface Software and Technology (UIST), pp. 1–4, Oct. 2020. doi: 10.1145/3379337.3415856.
[45] H. Hernández Palma, D. J. Novoa, and D. Mendoza Cásseres, “Energía renovables y medidas de eficiencia energética aplicables a las instituciones prestadoras de salud en Colombia”, RCTA, vol. 1, no. 41, pp. 123–131, May 2023, doi: 10.24054/rcta.v1i41.2557.
[46] L. C. Hurtado Peña, J. A. Niño Vega, and F. H. Fernández Morales, “El desarrollo humano y la educación para el trabajo en una Pedagogía basada en Competencias”, RCTA, vol. 2, no. 44, pp. 177–188, Aug. 2024, doi: 10.24054/rcta.v2i44.3008.
[47] R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed., Hoboken, NJ, USA: Pearson, 2018. ISBN: 978-0133356724.
[48] C. Henriquez Miranda, J. D. Rios Perez, and G. Sanchez-Torres, “Hacia la mejora de la enseñanza en programación orientada a objetos: la integración de la asistencia de chatbot inteligente y la implementación del profesor Alex”, RCTA, vol. 1, no. 43, pp. 134–143, May 2024, doi: 10.24054/rcta.v1i43.2803.
[49] M. J. Flynn, “Some computer organizations and their effectiveness,” IEEE Transactions on Computers, vol. C-21, no. 9, pp. 948–960, Sep. 1972. doi: 10.1109/TC.1972.5009071.
[50] A. J. Bravo Valero, Z. C. Nieto Sánchez, J. A. Cristancho, and L. T. Useche Cogollo, “Perspectivas de investigación en torno a los ambientes de aprendizaje en el siglo XXI: una visión desde una región transfronteriza”, RCTA, vol. 2, no. 42, pp. 150–157, Dec. 2023, doi: 10.24054/rcta.v2i42.2793.
[51] M. Isensee, P. F. Jaeger, S. Kohl, J. Petersen, and K. H. Maier-Hein, “nnU-Net: a self-adapting framework for biomedical image segmentation,” Nature Methods, vol. 18, no. 2, pp. 203–211, Feb. 2021. doi: 10.1038/s41592-020-01008-z.
[52] P. Rajpurkar, J. Irvin, K. Zhu, B. Yang, H. Mehta, T. Duan, et al., “CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning,” arXiv preprint arXiv:1711.05225, Nov. 2017. [Online]. Available: https://arxiv.org/abs/1711.05225.
[53] O. Reitz, Creating PDFs with Python and FPDF, Packt Publishing, 2018. ISBN: 978-1789341695.
[54] Torres-Torres, L. A., González Pedraza, A. F., & Castellanos, L. (2024). Impacto de diferentes prácticas agrícolas sobre las características fisicoquímicas del suelo: un análisis crítico. Revista Ambiental Agua, Aire y Suelo, 15(1), 90–105. https://doi.org/10.24054/raaas.v15i1.2916
[55] H. Cazares Alegría and P. Pico Valencia, “Agentes de software basados en técnicas de aprendizaje automático. Perspectivas desde 2010 hasta 2023”, RCTA, vol. 1, no. 45, pp. 39–56, Jan. 2025, doi: 10.24054/rcta.v1i45.3131.
[56] J. Dean and S. Ghemawat, “MapReduce: Simplified data processing on large clusters,” Communications of the ACM, vol. 51, no. 1, pp. 107–113, Jan. 2008. doi: 10.1145/1327452.1327492.
[57] I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed., Burlington, MA, USA: Morgan Kaufmann, 2016. ISBN: 978-0128042915.
[58] Llano, J. V. (2024). Decolonización, resistencia y emergencia por covid-19 en pueblos indígenas de Colombia. Pensamiento Jurídico, (58). https://revistas.unal.edu.co/index.php/peju/article/view/112768
[59] C. A. Mejia Rodriguez, M. A. Rincon Pinzon, L. M. Palmera Quintero, and L. M. Arevalo Vergel, “Aplicación de machine learning y metodología CRISP-DM para la clasificación precisa de severidad en casos de dengue,” Revista Colombiana de Tecnologías de Avanzada (RCTA), vol. 1, no. 43, pp. 78–85, Mar. 2024, doi: 10.24054/rcta.v1i43.2822.
[60] J. Dean and S. Ghemawat, “MapReduce: Simplified data processing on large clusters,” Communications of the ACM, vol. 51, no. 1, pp. 107–113, Jan. 2008. doi: 10.1145/1327452.1327492.
[61] Púa Rosado Amparo Luz; Torregrosa Romero Carolina; Torres Barraza Elverling; Barreto Rodríguez Genisberto Enrique; Marsiglia Fuentes Ronald. (2022). Propiedades reológicas de un producto de galletería a base de harina de quinua (Chenopodium quinua). Revista @limentech, Ciencia y Tecnología Alimentaria. ISSN Impreso 1692-7125 ISSN Electrónico 2711-3035. Volumen 20 N° 2. Pp: 24 -.40. https://doi.org/10.24054/limentech.v20i2.2287
[62] M. I. Hanna Lavalle, A. A. Gomez Salgado, and L. A. Marquez Garcia, “Sistema tutor inteligente basado en la personalización del aprendizaje para la enseñanza de protocolos de atención en salud”, RCTA, vol. 2, no. 44, pp. 45–54, Jul. 2024, doi: 10.24054/rcta.v2i44.2866.
[63] A. Timarán Buchely and R. Timarán Pereira, “Minería de datos educativa para descubrir patrones asociados al desempeño académico en competencias genéricas”, RCTA, vol. 2, no. 38, pp. 87–95, Jul. 2021, doi: 10.24054/rcta.v2i38.1282.
[64] J. E. Hopcroft, R. Motwani, and J. D. Ullman, Introduction to Automata Theory, Languages, and Computation, 3rd ed., Boston, MA, USA: Addison-Wesley, 2006. ISBN: 978-0321455369.
[65] T. Brown, B. Mann, N. Ryder, M. Subbiah, J. Kaplan, P. Dhariwal, et al., “Language models are few- shot learners,” in Advances in Neural Information Processing Systems (NeurIPS), vol. 33, pp. 1877–1901, Dec. 2020. doi: 10.48550/arXiv.2005.14165.
[66] J. L. Hennessy and D. A. Patterson, Computer Architecture: A Quantitative Approach, 6th ed., Burlington, MA, USA: Morgan Kaufmann, 2019. ISBN: 978-0128119051.
[67] D. A. Patterson and J. L. Hennessy, Computer Organization and Design: The Hardware/Software Interface, 5th ed., Burlington, MA, USA: Morgan Kaufmann, 2014. ISBN: 978-0124077263.
[68] Mosquera-Perdomo, A., Salazar Galindez, J., Ramirez-Gonzalez, G., & Figueroa, C. (2023). Software for the extraction of bibliographic information registered in CvLAC and GrupLAC applied in the Department of Cauca. Ingeniería e Innovación, 11(2), 21. https://doi.org/10.21897/rii.3464
[69] J. D. Beltrán Beltrán, K. D. Ardila Lopera, L. Y. Caicedo Chacón, and S. L. Gómez Garcés, “Software e inteligencia de negocios para gestionar información de pacientes con diabetes mellitus e hipertensión arterial en el hospital regional de San Gil”, RCTA, vol. 1, no. 39, pp. 107–112, Feb. 2022, doi: 10.24054/rcta.v1i39.1402.
[70] J. M. Arengas Acosta, M. Lopez Ramirez, and R. Guzman Cabrera, “Impacto del preprocesamiento en la clasificación automática de textos usando aprendizaje supervisado y reuters 21578”, RCTA, vol. 1, no. 43, pp. 110–118, Mar. 2024, doi: 10.24054/rcta.v1i43.2506.
[71] J. E. Hopcroft, R. Motwani, and J. D. Ullman, Introduction to Automata Theory, Languages, and Computation, 3rd ed., Boston, MA, USA: Addison-Wesley, 2006. ISBN: 978-0321455369
