Sistema de detección temprana de anemia infantil mediante análisis de imágenes RGB de uñas utilizando Aprendizaje Automático

• Autores: Carrasco Saavedra, Angie Yalu, Sanchez Shapiama, Victor Manuel
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17084
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17084
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Anemia; Redes neuronales convolucionales; Detección temprana; Inteligencia artificial médica; https://purl.org/pe-repo/ocde/ford#2.02.04

La detección temprana de la anemia mediante algoritmos de aprendizaje automático representa un avance significativo en el ámbito médico, al permitir diagnósticos más rápidos, precisos y accesibles que los métodos tradicionales. Este enfoque ha despertado un creciente interés científico, impulsado por la necesidad de optimizar los procesos de diagnóstico clínico y reducir las tasas de subdiagnóstico de esta enfermedad. Sin embargo, la literatura existente presenta una notable dispersión en cuanto a metodologías, arquitecturas de modelos y fuentes de datos empleadas, lo que dificulta una comprensión integral del estado actual del campo. El objetivo de esta investigación es realizar una revisión sistemática sobre la aplicación del aprendizaje automático en la detección de anemia, identificando los principales enfoques metodológicos, arquitecturas empleadas y tendencias emergentes que contribuyan a una agenda de investigación futura. La discusión evidenció una consolidación progresiva del campo, con un crecimiento sostenido en la producción científica y una tendencia hacia la implementación de modelos híbridos que integran aprendizaje profundo y análisis de datos clínicos. Asimismo, se observa una orientación hacia la interpretación médica de los resultados, destacando el papel de las redes neuronales convolucionales, Random Forest y Support Vector Machine como algoritmos predominantes. Se concluye que la investigación en este ámbito se encuentra en expansión, con una proyección favorable hacia la mejora de los sistemas de apoyo al diagnóstico médico. Superar la fragmentación de datos y fortalecer la validación clínica permitirá desarrollar modelos más robustos y aplicables en entornos hospitalarios reales.