El cáncer de cuello uterino es el cuarto cáncer más frecuente en la mujer. Una gran variedad de técnicas utilizadas en la Inteligencia Artificial (IA) como las Redes Neuronales, las Máquinas de Vectores de Soporte (SVM), los Árboles de Decisión y otros; han abordado el problema de la predicción de esta enfermedad. El siguiente artículo muestra la predicción de riesgo de cáncer de cuello uterino usando un modelo probabilístico basado en Redes Bayesianas; donde de un total de 322 registros se pudo obtener 15 atributos o características diferentes que correspondan a la información de una paciente. Las pruebas fueron realizadas utilizando el 40% de los datos, matrices de confusión y el indicador AUC. Los resultados le otorgan al trabajo desarrollado una tasa de éxito del 96% así como un valor de 0.9864 en términos del indicador AUC, además, sugieren que las Redes Bayesianas alcanzan un alto rendimiento, así como también ofrecen transparencia durante el proceso de inferencia, algo que no sucede con muchas otras técnicas, y que son ideales para afrontar problemas de predicción.

El objetivo de este estudio fue analizar el grado de relación de la Gestión del Conocimiento con la Gestión de Proyectos de Desarrollo de Software y el Razonamiento Basado en Casos; para lo cual se realizó la demostración de las hipótesis formuladas, mediante un paquete estadístico. La presente investigación es básica con un enfoque cuantitativo, de nivel descriptivo-correlacional, con diseño no experimental. La muestra estuvo conformada por 44 empresas especializadas en proyectos de desarrollo de software. El instrumento utilizado fue un cuestionario a escala Likert con cinco elecciones específicas. Los resultados demostraron que el coeficiente de correlación Rho de Spearman obtuvo un valor de 0,643, el cual se considera como una correlación moderada, y un sigma (bilateral) de 0.000 (p < 0,05). Asimismo, se hallaron diferencias significativas en las dimensiones de las variables estudiadas; a través de sus indicadores respectivos. En conclusión, sea aprecia que la Gestión del Conocimiento se relaciona significativamente con la Gestión de Proyectos de Desarrollo de Software y el Razonamiento Basado en Casos.

Los infantes con Trastorno de Espectro Autista (TEA) necesitan terapias y herramientas especiales para desarrollar sus habilidades. En muchos casos, éstos no están disponibles debido a factores socioeconómicos, Picture Exchange Communication System (PECS) es una de las herramientas más utilizadas debido a su facilidad de uso y buenos resultados. En este estudio se propone una metodología de desarrollo de aplicación móvil para interacción de infantes con TEA con seis fases, simultáneamente se ha creado una herramienta tecnológica llamada CMI una aplicación móvil para interacción de infantes con TEA que adopta todas las características del PECS tradicional y agregando nuevas funcionalidades. Para su implementación participaron 25 infantes de diversa gravedad que recibieron apoyo familiar durante más de un mes. Los resultados mostraron que hubo mejoras en más del 15% en la preparación de materiales, reducción de la complejidad en el uso e incremento en la calidad de esta herramienta en comparación a otras. De igual manera, hubo un aumento del 10% en el desarrollo de habilidades sociales y de comunicación, al igual que una disminución de los costos económicos mayor al 28% debido a que la herramienta es gratuita y está disponible para las familias.

La obesidad infantil es una enfermedad que actualmente causa mucha preocupación a nivel mundial y provoca distintas comorbilidades en los niños como lo son la diabetes y los trastornos respiratorios, además de ser un factor de riesgo para el COVID-19. Por estas razones es que existen varias investigaciones que buscan predecir esta enfermedad utilizando distintas técnicas de Minería de Datos como Árboles de Decisión, Regresión Logística, Sistemas Neuro – Difusos entre otros. El presente trabajo de investigación realiza la predicción de que un menor de 5 años padezca de obesidad en un futuro usando la técnica Naive Bayes; el conjunto de datos para implementar el modelo contó con 770 registros y 27 variables extraídas del aplicativo e-Qhali. Las pruebas fueron efectuadas sobre 317 registros obteniendo un modelo con 72% de precisión y 93% de sensibilidad, y al comparar la técnica Naive Bayes con otras técnicas de clasificación como Regresión Logística, Random Forest y SVM, esta alcanzó el mayor porcentaje de sensibilidad.