Combatiendo la tuberculosis farmacorresistente desde la Inteligencia Artificial

Autores/as

DOI:

https://doi.org/10.22201/dgtic.26832968e.2023.8.4

Palabras clave:

Drogorresistencia, tuberculosis, inteligencia artificial, Huawei, diagnóstico

Resumen

La tuberculosis (TB) es una enfermedad infecciosa importante para la salud global. El incremento de casos farmacorresistentes ha impactado en el costo y el tiempo de tratamiento de esta enfermedad. Es urgente contar con métodos de diagnóstico y clasificación de la farmacorresistencia con tiempos de respuesta rápida y precisa, para que de esta manera se controle, se trate y se disminuya la transmisión de la TB en la comunidad. Con la creciente cantidad de cepas resistentes y el acceso a datos genéticos y clínicos de estos casos se presenta la oportunidad de innovar con tecnología de inteligencia artificial en la detección temprana de casos de TB farmacorresistente.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Dora-Luz Flores Gutiérrez, Universidad Autónoma de Baja California. Mexicali, Baja California, México.

Coordinadora General de Investigación y Posgrado.
Profesora e investigadora de tiempo completo adscrita al programa de Bioingeniería y a la Maestría y Doctorado en Ciencias e Ingeniería de la Universidad Autónoma de Baja California (UABC), realizó una Maestría en Ciencias en el Centro de Investigación y Desarrollo de Tecnología Digital del Instituto Politécnico Nacional, obtuvo un Doctorado en Ciencias por la UABC. Actualmente, la Dra. Flores es miembro del Sistema Nacional de Investigadores, miembro del grupo de investigación de Bionanoingeniería. Sus áreas de interés son la inteligencia artificial aplicada a sistemas biológicos, simulación de sistemas complejos, biología computacional, sistemas basados en agentes, entre otros. Fue beneficiada con la beca Fulbright-García Robles para llevar a cabo un proyecto de investigación en la University of California Irvine, EEUU. Editora en jefe de la Revista Mexicana de Ingeniería Biomédica y miembro del Comité de Enlace del Punto Focal Regional del Consejo Internacional de Ciencias para la Región de América Latina y el Caribe.

Ricardo Perea-Jacobo, Universidad Autónoma de Baja California. Mexicali, Baja California, México.

Profesor universitario en Universidad Autónoma de Baja California
Estudiante de Doctorado en el programa de Ciencias e ingeniería de la Facultad de Ingeniería, Arquitectura y Diseño en la Universidad de Autónoma de Baja California, bajo la supervisión de la Dra. Dora-Luz Flores y Dra. Raquel Muñiz Salazar. Maestro en Ciencias en Ecología Molecular y Biotecnología. Colabora en varios proyectos relacionados con tuberculosis y salud en migrantes. Su enfoque multidisciplinario integra el sector médico, educativo y tecnológico, buscando impactar significativamente en la salud comunitaria.

Guillermo Paredes Gutiérrez, Universidad Autónoma de Baja California. Mexicali, Baja California, México.

Facultad de Ingeniería, Arquitectura y Diseño,
Universidad Autónoma de Baja California, UABC.
Maestro en Ingeniería enfocado en machine learning por la UABC.
Bioingeniero por la UABC.
Ingeniero en Software en Dilato Infotech México.
Sus principales áreas de interés son la inteligencia artificial, bioinformática y ciencia de datos.

Miguel Guerrero Chevannier, Universidad Autónoma de Baja California. Mexicali, Baja California, México.

Facultad de Ingeniería, Arquitectura y Diseño,
Universidad Autónoma de Baja California.
Bioingeniero y Maestro en Ingeniería por la Universidad Autónoma de Baja California. Actualmente cursa el programa de doctorado en ciencias en MYDCI, su investigación se orienta a la utilización de Inteligencia Artificial en imágenes médicas para el desarrollo de herramientas para el diagnóstico asistido por computadora.

Raquel Muñiz Salazar, Universidad Autónoma de Baja California. Mexicali, Baja California, México.

Escuela de Ciencias de la Salud
Universidad Autónoma de Baja California
Raquel Muñiz-Salazar es una Oceanóloga que ha estudiado la ecología molecular de diferentes organismos para analizar la evolución de las especies. Realizó su doctorado en la Universidad Autónoma de Baja California y una estancia de investigación en el Laboratorio de Ecología Molecular del US Geological Survey en Anchorage, Alaska, donde aprendió a utilizar herramientas de biología molecular para explorar la filogenómica y la población genética de las especies marinas. Tras un postdoctorado en el Laboratorio de Bodega Bay y en el Departamento de Evolución Ecológica de UC Davis, se integró como académico de tiempo completo en la Universidad Autónoma de Baja California, en la Escuela de Ciencias de la Salud. Ha formado a estudiantes de licenciatura, posgrado y postdoctorados desde 2008 hasta hoy la fecha, en el uso de biología molecular y bioinformática para explorar la ecología y epidemiología molecular de patógenos infecciosos con énfasis en Mycobacterium tuberculosis. En los últimos 5 años, ha empezado a estudiar a la tuberculosis de manera multidisciplinar, combinando aspectos de ciencia básica como el desarrollo de nuevos métodos de diagnóstico utilizando técnicas moleculares y de inteligencia artificial, y el estudio de factores como la migración y comorbilidades en la transmisión, farmacorresistencia y mortalidad de la tuberculosis en especial en la frontera de México-Estados Unidos.

Citas

[1] "Global tuberculosis report ", World Health Organization, Ginebra, 2022.

[2] R. Muñiz Salazar and R. Laniado-Laborín, Eds., La Tuberculosis en México. Baja California, México: Universidad Autónoma de Baja California, México, 2018, p. 352.

[3] World Health Organization, Manual operativo de la OMS sobre la tuberculosis. Módulo 3: Diagnóstico. Métodos de diagnóstico rápido para detectar la tuberculosis, 2020. Washington, D.C.: Organización Panamericana de la Salud; 2022. Licencia: CC BY-NC-SA 3.0 IGO. (2022) [Online]. Disponible en: https://doi.org/10.37774/9789275325377

[4] C. J. Haug and J. M. Drazen, "Artificial Intelligence and Machine Learning in Clinical Medicine, 2023", en New England Journal of Medicine, 2023, vol. 388, pp. 1201-1208.

[5] S. Kulkarni, N. Seneviratne, M. S. Baig, and A. H. A. Khan, "Artificial Intelligence in Medicine: Where Are We Now?", en Acad Radiol, Jan 2020, vol. 27, pp. 62-70.

[6] World Health Organization, WHO Consolidated Guidelines on Tuberculosis, Module 4: Treatment - Drug-Resistant Tuberculosis Treatment. Geneva: World Health Organization, 2020.

[7] InDRE and Secretaría de Salud, Lineamientos para la Vigilancia por Laboratorio de la Tuberculosis, (2019). Ciudad de México.

[8] S. E. Sandoval-Azuara, R. Muñiz-Salazar, R. Perea-Jacobo, S. Robbe-Austerman, A. Perera-Ortiz, G. López-Valencia, et al., "Whole genome sequencing of Mycobacterium bovis to obtain molecular fingerprints in human and cattle isolates from Baja California, Mexico", en International Journal of Infectious Diseases, 2017, vol. 63, pp. 48-56.

[9] A. P. Ortiz, C. Perea, E. Davalos, E. F. Velázquez, K. S. González, E. R. Camacho, et al., "Whole Genome Sequencing Links Mycobacterium bovis From Cattle, Cheese and Humans in Baja California, Mexico", en Frontiers in Veterinary Science, August-03-2021, vol. 8.

[10] A. C. Jiménez-Ruano, C. F. Madrazo-Moya, I. Cancino-Muñoz, P. M. Mejía-Ponce, C. Licona-Cassani, I. Comas, et al., "Whole genomic sequencing based genotyping reveals a specific X3 sublineage restricted to Mexico and related with multidrug resistance", en Scientific Reports, 2021, vol. 11, p. 1870.

[11] C. F. Madrazo-Moyza, I. Cancino-Muñoz, B. Cuevas-Cordoba, V. Gonzalez-Covarrubias, M. Barbosa-Amezcua, X. Soberon, et al., "Whole genomic sequencing as a tool for diagnosis of drug and multidrug-resistance tuberculosis in an endemic region in Mexico", en bioRxiv, 2019, p. 551481.

[12] C. A. Perea Razo, E. Rodríguez Hernández, S. I. R. Ponce, F. Milián Suazo, S. Robbe-Austerman, T. Stuber, et al., "Molecular epidemiology of cattle tuberculosis in Mexico through whole-genome sequencing and spoligotyping", en PLoS One, 2018, vol. 13, p. e0201981.

[13] L. A. Rendón-Bautista, I. Álvarez-Maya, M. Sandoval-Díaz, J. C. Villanueva-Arias, N. Ayala-Chavira, and R. Zenteno-Cuevas, "Characterization of genetic diversity and clonal complexes by whole genome sequencing of Mycobacterium tuberculosis isolates from Jalisco, Mexico", en Tuberculosis, Jul 2021, vol. 129, p. 102106.

[14] D. A. V. Escárcega, C. A. P. Razo, S. G. Ruíz, S. L. S. Gallegos, F. M. Suazo, and G. J. C. Alarcón, "Analysis of Bovine Tuberculosis Transmission in Jalisco, Mexico through Whole-genome Sequencing", en J Vet Res, Mar 2020, vol. 64, pp. 51-61.

[15] J. A. M. Sidey-Gibbons and C. J. Sidey-Gibbons, "Machine learning in medicine: a practical introduction", en BMC Med Res Methodology, Mar 19 2019, vol. 19, p. 64.

[16] M. M. Ahsan, S. A. Luna, and Z. Siddique, "Machine-Learning-Based Disease Diagnosis: A Comprehensive Review", en Healthcare, 2022, vol. 10, p. 541.

[17] World Health Organization, Catalogue of mutations in Mycobacterium tuberculosis complex and their association with drug resistance. Geneva: Licence: CC BY-NC-SA 3.0 IGO, 2021.

[18] O. A. Montesinos López, A. Montesinos López, and J. Crossa, Multivariate Statistical Machine Learning Methods for Genomic Prediction. Cham (CH): Springer, 2022.

[19] J. A. Grobler, A. S. Anderson, P. Fernandes, M. S. Diamond, C. M. Colvis, J. P. Menetski, et al., "Accelerated Preclinical Paths to Support Rapid Development of COVID-19 Therapeutics", en Cell Host Microbe, Nov 11 2020, vol. 28, pp. 638-645.

[20] J. Libiseller-Egger, J. Phelan, S. Campino, F. Mohareb, and T. G. Clark, "Robust detection of point mutations involved in multidrug-resistant Mycobacterium tuberculosis in the presence of co-occurrent resistance markers", en PLOS Computational Biology, 2020, vol. 16, p. e1008518.

Descargas

Publicado

24/11/23 (12:00)

Cómo citar

Flores Gutiérrez, D.-L., Perea-Jacobo, R., Paredes Gutiérrez, G., Guerrero Chevannier, M., & Muñiz Salazar, R. (2023). Combatiendo la tuberculosis farmacorresistente desde la Inteligencia Artificial. TIES, Revista De Tecnología E Innovación En Educación Superior, (8), 23–29. https://doi.org/10.22201/dgtic.26832968e.2023.8.4

Número

Núm. 8 (2023): Número 8. Inteligencia Artificial para la solución de problemas sociales

Sección

Artículos

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

TIES, Revista de Tecnología e Innovación en Educación Superior, es una publicación semestral de acceso abierto bajo la licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0). 

ISSN 22683-2968 • © 2026 Universidad Nacional Autónoma de México. TIES, Revista de Tecnología e Innovación en Educación Superior es editada por la Universidad Nacional Autónoma de México a través de la Dirección General de Cómputo y de Tecnologías de Información y Comunicación (DGTIC).  Circuito exterior s/n, Ciudad Universitaria, Alcaldía Coyoacán, C.P. 04510, Ciudad de México, México • Reserva de Derechos de Autor otorgado por INDAUTOR: 04-2019-011816190900-203.

El contenido de los artículos es responsabilidad de los autores y no refleja el punto de vista del Comité editorial, del Editor o de la Universidad Nacional Autónoma de México. Hecho en México, 2026.