Esta revisión de literatura proporciona una visión integral de la hoja de coca, planta originaria de la región andina, valorada por sus propiedades estimulantes y medicinales, pero a menudo estigmatizada por su asociación con la cocaína. El presente articulo narra los principales usos tradicionales que se le daba a la hoja de coca en la cultura incaica, las propiedades medicinales que los incas le atribuían a la planta, su composición química, mencionando los principales componentes bioactivos y sus efectos la salud y nutrición humana, así como también los posibles efectos adversos que puede ocasionar su consumo. Se mencionan las diversas formas de uso, como el masticado tradicional (chacchado), en tés, cataplasmas, entre otros. Se pone énfasis en diferenciar el uso tradicional y cultural de la hoja de coca del uso ilegal de la cocaína. Además, se abordan las implicaciones legales y posturas políticas de los principales países productores de la hoja de coca.

El objetivo de este trabajo utilizar Machine Learning (ML), para reconocimiento de SARS-CoV-2, mediante imágenes médicas adquiridas por tomografía computarizada de la región del tórax en formato DICOM, a partir de un tomógrafo Siemens somatom de 2 cortes y un data set en la nube, que posteriormente fueron transformadas a imágenes “png”. El sistema de reconocimiento fue construido mediante el lenguaje de programación “Python”, haciendo uso de librerías de código abierto, tanto como para Machine Learning siendo esta “TensorFlow”, para el manejo de archivos DICOM se hizo uso de “Pydicom” y para imágenes “Open CV”. Las imágenes se importaron a una red neuronal convolucional pre entrenada adaptándola al tipo de clasificación multiclase del proyecto, aplicando técnicas de aumento de datos (Data Augmentation), decaimientos exponenciales de parámetros de la red neuronal como el Learning Rate, entrenando la red neuronal convolucional, optimizando los parámetros adecuados para su correcto funcionamiento de reconocimiento, posteriormente se desarrolló una interfaz web mediante la librería “Streamlit” para el manejo y la aplicabilidad del modelo siendo de uso dinámico para el usuario siendo multiplataforma. Se obtuvieron resultados cuantitativos que permitieron reflejar la eficacia del modelo con una eficacia del 88% para detectar COVID-19. Se recomienda la instalación previa de librerías de Python para el correcto funcionamiento del sistema de reconocimiento.