Objetivo: Este artículo científico tiene como objetivo explorar cómo la tecnología blockchain puede ser utilizada para preservar registros médicos de forma segura, transparente e inmutable. Métodos: El artículo revisa la literatura existente sobre la tecnología blockchain y su aplicación en el campo de la salud, y analiza los desafíos y limitaciones de su implementación. También se destacan algunas iniciativas actuales que están explorando el potencial de la tecnología blockchain para la preservación de registros médicos. Resultados: La tecnología blockchain ofrece una solución prometedora para la preservación de registros médicos confidenciales y sensibles, ya que elimina la necesidad de intermediarios y reduce los costos y la complejidad del proceso de registro y almacenamiento de datos médicos. Además, la descentralización inherente de la tecnología blockchain significa que los datos almacenados son más difíciles de alterar o borrar, lo que garantiza la integridad y la autenticidad de los registros médicos. Sin embargo, existen desafíos y limitaciones en su implementación, como la necesidad de garantizar la privacidad de los datos y la interoperabilidad con sistemas de registro médico existentes. Conclusiones: A pesar de estas limitaciones, el artículo concluye que la tecnología blockchain tiene un gran potencial para mejorar la calidad de la atención médica y la eficiencia de los procesos de atención. Se espera que la implementación exitosa de la tecnología blockchain en la preservación de registros médicos tenga un impacto significativo en la atención médica, mejorando la precisión y accesibilidad de los datos médicos y promoviendo una mayor transparencia y confianza en los sistemas de salud.

Objetivo: Mejorar la precisión en la predicción de la diabetes mediante un modelo de aprendizaje automático basado en el clasificador ingenuo bayesiano Métodos: Se utilizaron varios métodos entre ellos el análisis de datos, el procesamiento de los datos, así como la implementación de un clasificador ingenuo bayesiano posteriormente se avaluaron las métricas de evaluación del modelo. Resultados El impacto de esta investigación se da en el valor preventivo que genera una tendencia de salud integral y a la calidad de vida incluyendo a sectores vulnerables, salud pública y familiar contribuyendo a solucionar el problema de salud agravante mediante el clasificador ingenuo de bayes con aplicación en el aprendizaje automático para calcular el riesgo de un diagnóstico de diabetes tomando en cuenta datos del paciente mediante una evaluación adecuada de los síntomas más frecuentes y signos comunes el método que se usa es el clasificador ingenuo bayesiano para la predicción de diabetes con una precisión de esta investigación es de 89.01% con un intervalo de confianza del 95% que oscila entre (0.8534, 0.9203). Nos interesa clasificar los casos positivos de diabetes podemos afirmar que este modelo funciona muy bien teniendo una sensibilidad de del 82%, con una capacidad de correctamente casos negativos de diabetes es de 94% con un índice Kappa del 77.27% lo que muestra concordancia casi perfecta de diabetes podemos afirmar que este modelo funciona muy bien teniendo una sensibilidad de del 82%, con una capacidad de correctamente casos negativos de diabetes es de 94%. Conclusiones: El modelo nos indica su capacidad para identificar correctamente los casos positivos y negativos de diabetes. La tasa de no información fue del 0.5714, y el valor P [Acc > NIR] fue menor que 2e-16, lo que indica que el modelo no tiene errores significativos en la clasificación. La tasa de detección fue del 35.16%, y la prevalencia de detección fue del 38.46%, lo que demuestra la capacidad del modelo para detectar la presencia de diabetes en la población. Además, la precisión equilibrada del modelo fue del 88.14%, lo que sugiere que es un modelo equilibrado en términos de predicciones positivas y negativa, los resultados indican que el modelo Naive Bayes es altamente preciso y confiable en la predicción de la diabetes, lo que puede ser de gran utilidad en la detección temprana y el tratamiento de esta enfermedad crónica.

La investigación se llevó a cabo para analizar la situación actual de la anemia en la población infantil de la Red de Salud Puno. Asi mismo la recuperación de los niños menores de 3 años diagnosticados con anemia durante el periodo 2020-2022. Se utilizó un diseño de estudio descriptivo y analítico de corte transversal. Los datos se recopilaron mediante la revisión de registros y expedientes médicos, y se realizó un análisis estadístico para calcular el procentaje de la anemia y la probabilidad de recuperación de los pacientes. Se identificaron factores que pueden influir en la recuperación de los pacientes con anemia, como el tiempo de tratamiento y el seguimiento adecuado de los pacientes. Los resultados indicaron que los programas de seguimiento y tratamiento implementados en la Red de Salud Puno están dando resultados positivos, aunque se necesita seguir trabajando en mejorar la recuperación de los niños con anemia en todos los centros de salud. En conclusión, los resultados de esta investigación pueden ser útiles para la toma de decisiones en materia de salud pública en la región y en otros lugares con problemáticas similares.

La comercialización de vehículos eléctricos (EV) demanda mayores rendimientos de las baterías recargables. Las evaluaciones precisas del estado de salud (SOH) y la vida útil restante (RUL) de las baterías son importantes para indicar el estado de la batería y garantizar la seguridad de los vehículos eléctricos. Sin embargo, las precisiones de los modelos de degradación de la capacidad de la batería existentes no son suficientes para describir los estados de la batería bajo los impactos complicados de los entornos de uso. Varias condiciones de operación harán que el modelado de degradación sea más desafiante y difícil, por ejemplo, las diferentes tasas de descarga y la carga y descarga discontinua pueden influir en las tendencias de degradación de la capacidad de las baterías. Para abordar los problemas anteriores, se proponen respectivamente dos modelos de degradación estadística para implementar pronósticos de batería en diferentes condiciones de uso basados en el conocimiento de big data y ciencia de datos. Los resultados muestran que los métodos propuestos superan muchos trabajos existentes.

El cáncer es una de las enfermedades que más amenaza la vida y las mutaciones en genes seleccionados están asociadas con el tumor génesis. La identificación de las mutaciones conductoras, que son responsables de la progresión de la enfermedad, es crucial para la oncología de precisión. La información disponible experimentalmente sobre las mutaciones que causan cáncer se acumula en varias bases de datos y los datos se utilizan para desarrollar algoritmos computacionales que predicen las mutaciones impulsoras. En este capítulo, examinamos la literatura para revisar las bases de datos disponibles y resumimos sus características clave. También exploramos métodos computacionales para identificar mutaciones causantes de enfermedades en genes específicos y tipos de cáncer, así como métodos predictivos más genéricos. Además, discutimos las aplicaciones de estas herramientas computacionales que se enfocan en estudios a gran escala. Las bases de datos y los métodos para identificar las mutaciones impulsoras discutidos en esta revisión son útiles para el desarrollo de la medicina de precisión y avanzan en el plan para los esfuerzos biológicos y clínicos.