MÓDULO 2: LA INTELIGENCIA

ARTIFICIAL

ÍNDICE
OBJETIVOS............................................................................................ 3

1. LA INTELIGENCIA ARTIFICIAL (IA): DEFINICIÓN Y TIPOLOGÍA........... 4

2. ¿CÓMO APRENDEN LAS MÁQUINAS? LA IMPORTANCIA DE LOS

DATOS .................................................................................................. 6
3. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN EL ÁMBITO DE
LA SALUD............................................................................................ 10

4. ANÁLISIS DE MOVIMIENTOS MEDIANTE TÉCNICAS DE VISIÓN

ARTIFICIAL .......................................................................................... 11

BIBLIOGRAFÍA .................................................................................... 14
© 3/14

OBJETIVOS
• Dar una visión global de qué es la inteligencia artificial aplicada en ámbito clínico.
• Resaltar la importancia de los datos para generar aplicaciones basadas en IA.
• Ver usos de la Inteligencia Artificial en el ámbito de la salud.
• Describir el análisis de movimientos mediante técnicas de visión artificial.

Nuevas tecnologías para la evaluación de riesgos ergonómicos usando la Inteligencia Artificial

4/14 _____________________ ©

1. LA INTELIGENCIA ARTIFICIAL (IA): DEFINICIÓN Y TIPOLOGÍA

DEFINICIÓN DE LA IA
La Inteligencia Artificial (IA) es una tecnología revolucionaria que se está viviendo en el siglo XXI
al igual que lo fue la máquina de vapor en el XXVIII, la industrialización en el XIX, la
automatización en el XX.

Figura 1. Evolución de la industria.

Se está considerando la IA como la nueva revolución industrial, corazón de lo que algunos llaman
la industria 4.0.

Cuando se habla de IA, existen infinidad de definiciones más o menos técnicas o extensas, pero
para tener una visión más global y generalista puede utilizarse la que se encuentra en el libro
Artificial Intelligence, a modern approach de Stuart Rusell y Peter Norvig (Russell, 2010):

“Se entiende por Inteligencia Artificial aquella inteligencia que muestran las máquinas, en
contraste con la inteligencia natural de los humanos”

En este sentido, una posible definición concisa y general podría ser “el esfuerzo para automatizar
tareas intelectuales normalmente realizadas por humanos”. Estas tareas automáticas se realizan
mediante un conjunto de algoritmos y técnicas que pueden ser usadas para resolver problemas
que los humanos realizan intuitivamente, pero que son realmente difíciles para una máquina.

TIPOLOGÍAS DE IA
Gracias al gran aumento de la capacidad de computación de la que se dispone hoy en día, la
Inteligencia Artificial, la cual empezó a desarrollarse en los años 50, ha podido perfeccionarse y
especializarse a diferentes niveles de complejidad.
© 5/14

Figura 2. Tipologías de Inteligencia Artificial

Se puede agrupar la IA como la combinación de algoritmos planteados con el propósito de crear

máquinas que presenten las mismas capacidades que el ser humano. Otro término que también
suele utilizarse es el “Machine Learning” (ML), el cual es una rama de la IA que estudia cómo
dotar a las máquinas de capacidad de aprendizaje. Por último, se encuentra el “Deep Learning”
(DL), que es otra rama del ML que emula el aprendizaje humano con el fin de obtener ciertos
conocimientos concretos.

Estas capacidades, al igual que las personas se valen de los sentidos para moverse, comunicarse
y comprender el mundo que les rodea, son las que se intentan emular mediante algoritmos
informáticos.

Estos algoritmos se pueden clasificar o agrupar en diferentes tipos o campos de aplicación de la

IA con diferentes habilidades de las que dispone un ser humano:

• Visión por computación (habilidad de ver).

• Robótica (habilidad de moverse).
• Procesado del lenguaje natural (NLP) (habilidad de comprender texto).
• Reconocimiento del habla (Speech) (habilidad de comunicarse).

Figura 3. Campos de aplicación de la IA

Nuevas tecnologías para la evaluación de riesgos ergonómicos usando la Inteligencia Artificial

6/14 _____________________ ©

Cuando una máquina realiza una tarea “aparentemente” inteligente, porque la máquina ha sido
preprogramada para hacerlo, hay una habilidad humana que realmente se identifica con la
inteligencia: APRENDER.

2. ¿CÓMO APRENDEN LAS MÁQUINAS? LA IMPORTANCIA DE LOS DATOS

TIPOS DE APRENDIZAJE
La inteligencia artificial utiliza diferentes enfoques para permitir que las máquinas aprendan de
manera autónoma y mejoren su desempeño con el tiempo. Uno de los métodos más comunes
es el aprendizaje automático, que se basa en el uso de algoritmos para detectar patrones en los
datos y utilizarlos para hacer predicciones y tomar decisiones.

Dentro del aprendizaje automático, existen dos enfoques principales: el aprendizaje basado en
reglas y el aprendizaje basado en ejemplos. En el aprendizaje basado en reglas, los expertos en
el dominio proporcionan reglas y heurísticas específicas para que la máquina aprenda. Por otro
lado, en el aprendizaje basado en ejemplos, la máquina aprende a través de la exposición a un
conjunto de ejemplos, como imágenes, texto o datos estructurados. La máquina utiliza estos
ejemplos para identificar patrones y crear modelos que puedan generalizar a nuevas
situaciones.

Ejemplo

Si se quisiera entrenar a una máquina para reconocer mediante

imágenes los enemigos/amigos de un pato, los expertos podrían
proporcionar una serie de reglas para identificar características como
el número de dientes, el número de patas, el color, etc...

Para entrenar a una máquina para reconocerlos mediante el

aprendizaje basado en ejemplos, se proporcionaría un conjunto de
imágenes de amigos y enemigos, junto con las etiquetas
correspondientes que indican a qué categoría se refiere cada imagen.
© 7/14

Figura 4. Tipos de aprendizaje en IA

En resumen, el aprendizaje automático a través de la inteligencia artificial utiliza diferentes

métodos para permitir que las máquinas aprendan de manera autónoma. El aprendizaje basado
en reglas se basa en el conocimiento de expertos en el dominio para proporcionar reglas
específicas, mientras que el aprendizaje basado en ejemplos se basa en la exposición a un
conjunto de ejemplos para que la máquina pueda identificar patrones y generalizar a nuevas
situaciones.

IMPORTANCIA DE LOS DATOS

Por lo comentado en el apartado anterior, las grandes bases de datos (muchos ejemplos) son
fundamentales para el entrenamiento de modelos de inteligencia artificial (IA) que generalicen
correctamente y produzcan predicciones precisas y útiles. Al utilizar un conjunto de datos
representativo y bien balanceado, se pueden desarrollar modelos más efectivos y evitar
predicciones sesgadas o engañosas.

Cuando una base de datos está desbalanceada, es decir, cuando no hay suficientes ejemplos de
ciertas categorías o situaciones, los modelos de IA pueden aprender patrones no
representativos o incluso generar prejuicios. Por ejemplo, si se está entrenando un modelo de
reconocimiento facial utilizando una base de datos que tiene una mayoría de imágenes de
personas de piel clara, el modelo puede tener dificultades para reconocer a personas de piel
oscura, lo que puede generar discriminación y sesgos.

Nuevas tecnologías para la evaluación de riesgos ergonómicos usando la Inteligencia Artificial

8/14 _____________________ ©

Figura 5. Efectos de una base de datos desbalanceada

Por otro lado, una base de datos balanceada puede ayudar a garantizar que el modelo se entrene
con datos representativos y generalice bien a situaciones nuevas. Además, una base de datos
bien diseñada puede ayudar a los desarrolladores a identificar y solucionar problemas y
limitaciones en el modelo, lo que puede mejorar su precisión y desempeño.

En resumen, las bases de datos son un componente esencial para el desarrollo de modelos de
IA que generalicen correctamente y produzcan predicciones precisas y útiles. Asegurarse de que
las bases de datos estén bien equilibradas y representen adecuadamente las diferentes
categorías y situaciones puede ayudar a evitar predicciones sesgadas o engañosas, lo que puede
tener un impacto positivo en la precisión y efectividad de los modelos de IA (Chawla et al., 2002).

Toma nota

No por tener un gran volumen de datos es suficiente, sino que tienen

que estar equilibrados. Existen muchas técnicas para corregir o mitigar
estos problemas y ayudar en la puesta a punto de los modelos de IA.

REDES NEURONALES
De los algoritmos de IA, el más sencillo es la red neuronal. Una red neuronal de inteligencia
artificial es un tipo de algoritmo que se utiliza para resolver problemas complejos, como la
clasificación, el reconocimiento de patrones y la predicción, imitando el funcionamiento del
cerebro humano.
© 9/14

Figura 6. Red neuronal

La red neuronal está compuesta por un conjunto de nodos o neuronas interconectados que
reciben información de entrada, la procesan y generan una salida. Estas neuronas se organizan
en capas y cada una de ellas realiza una transformación de la información de entrada antes de
pasarla a la siguiente capa.

La primera capa recibe la información de entrada (input layer) y realiza una serie de cálculos
para generar una salida que se envía a la siguiente capa (hidden layer n). Este proceso se repite
para cada capa hasta que se llega a la capa de salida (output layer), donde se produce la
respuesta final de la red neuronal.

Figura 7. Redes neuronales

Un ejemplo de clasificación con una red neuronal con capas densamente conectadas es la
clasificación de imágenes. La red neuronal se entrena con un conjunto de imágenes etiquetadas
para aprender a distinguir entre diferentes categorías. Cada imagen se convierte en un vector
de características que se envía a la red neuronal como entrada.

La red neuronal procesa la información en varias capas densamente conectadas, donde cada
capa está formada por múltiples neuronas que se conectan a todas las neuronas de la capa
anterior. Cada capa realiza una serie de cálculos matemáticos para generar una salida que se
envía a la siguiente capa.

Nuevas tecnologías para la evaluación de riesgos ergonómicos usando la Inteligencia Artificial

10/14 ____________________ ©

La capa de salida produce una respuesta final en forma de una distribución de probabilidades
de cada categoría, donde la categoría con la probabilidad más alta se elige como la predicción
final. Con el tiempo, la red neuronal se entrena para mejorar su precisión en la clasificación de
nuevas imágenes.

En resumen, una red neuronal de IA es un algoritmo que imita el funcionamiento del cerebro
humano para resolver problemas complejos. La clasificación de imágenes es un ejemplo común
de su uso, donde la red neuronal se entrena para distinguir entre diferentes categorías mediante
capas densamente conectadas.

Toma nota

Hemos comentado conceptos importantes: ¿qué es la IA?, diferencias

entre los tipos de IA y el ML, aprendizaje basado en ejemplos Vs reglas,
la importancia de una buena base de datos balanceada y la estructura
de una red neuronal básica.

3. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN EL ÁMBITO DE LA SALUD

La inteligencia artificial (IA) tiene un gran potencial en el ámbito de la salud (ver Figura 8), ya
que puede ayudar a mejorar la eficiencia, precisión y calidad de los diagnósticos, tratamientos y
cuidados de los pacientes.

Figura 8. Potencial de aplicación de la IA en el ámbito de la salud.

© 11/14

Algunas de las aplicaciones de la IA en la salud incluyen:

• Diagnóstico y predicción: la IA puede ayudar a los profesionales médicos a identificar

enfermedades y a predecir posibles complicaciones en pacientes. Los algoritmos de
aprendizaje automático pueden analizar grandes conjuntos de datos médicos y
proporcionar una evaluación rápida y precisa.
• Imágenes médicas: la IA puede ayudar a interpretar imágenes médicas, como rayos X,
tomografías computarizadas y resonancias magnéticas. Los algoritmos de visión por
computadora pueden analizar imágenes y detectar anomalías que pueden ser difíciles
de detectar por el ojo humano.
• Gestión de datos: la IA puede ayudar a los profesionales médicos a gestionar grandes
conjuntos de datos, como registros médicos electrónicos y datos de monitoreo de
pacientes. Los algoritmos de IA pueden analizar estos datos para detectar patrones y
proporcionar información valiosa para la toma de decisiones.
• Investigación y desarrollo de medicamentos: la IA puede acelerar la identificación de
nuevas terapias y medicamentos, ya que puede analizar grandes conjuntos de datos
moleculares y predecir su eficacia en ensayos clínicos.

En cuanto al ámbito de la salud laboral, la IA también puede ser útil en la prevención de

accidentes y enfermedades relacionadas con el trabajo. Por ejemplo, los algoritmos de IA
pueden analizar los datos de seguridad y salud en el lugar de trabajo para identificar patrones y
factores de riesgo. También pueden identificar patrones de fatiga o estrés en los trabajadores y
proporcionar información sobre cómo reducir estos riesgos. Además, y en uno de los aspectos
en que se centra la herramienta de evaluación de riesgos ergonómicos que se presentará en el
siguiente módulo, el análisis de las posturas adoptadas mediante análisis de imagen.

En resumen, la IA tiene un gran potencial en el ámbito de la salud, incluyendo la mejora de la

eficiencia, precisión y calidad de los diagnósticos, tratamientos y cuidados de los pacientes. En
el ámbito de la salud laboral, la IA puede ser útil en la prevención de accidentes y enfermedades
relacionadas con el trabajo mediante el análisis de datos y la identificación de factores de riesgo
como las posturas forzadas o tareas repetitivas.

4. ANÁLISIS DE MOVIMIENTOS MEDIANTE TÉCNICAS DE VISIÓN ARTIFICIAL

Como se ha comentado anteriormente, el campo de la visión artificial se utiliza en el ámbito de
la salud en numerosas aplicaciones, tales como: análisis de imagen médica, monitorización de
constantes fisiológicas o en el análisis de movimientos. Este apartado se centrará en este último,
ya que, para evaluar las posturas realizadas en el ámbito laboral, es en lo que se basa la
herramienta ErgoIA que se explicará en el siguiente módulo.

En esta sección, se va a resumir cómo se viene realizando un análisis de movimientos mediante

visión artificial “tradicional” y como se pueden realizar los mismos análisis utilizando modelos
basados en Inteligencia Artificial.

La visión artificial y la fotogrametría son técnicas tradicionales para el análisis de movimientos,

que utilizan cámaras para capturar imágenes y luego procesan estas imágenes para obtener
información sobre el movimiento. Esta técnica instrumental permite obtener información de la

Nuevas tecnologías para la evaluación de riesgos ergonómicos usando la Inteligencia Artificial

12/14 ____________________ ©

posición en el espacio de los diferentes puntos anatómicos del cuerpo humano a partir de
imágenes 2D registra-das con cámaras (Page et al., 2006).

Para la representación de la posición de un punto en 3 dimensiones se necesita un mínimo de

dos cámaras. A partir de las posiciones de los puntos en 3D se pueden obtener todas las variables
cinemáticas: ángulos y las derivadas velocidades y aceleraciones.

La configuración típica de un sistema de fotogrametría es la siguiente:

• Sistema de cámaras y focos de iluminación.

• Sistema de grabación y procesado de imágenes, basado habitualmente en un PC y una
aplicación informática.
• Sistema de referencia para calibrar el equipo.
• Marcadores para colocar sobre referencias anatómicas o los segmentos corporales a
valorar, según el modelo biomecánico definido previamente.

Los marcadores más utilizados consisten en pequeños objetos esféricos recubiertos de material
reflectante y con un sistema de sujeción a la piel o a la ropa. Estos marcadores se situarán en los
puntos y segmentos anatómicos que se quieran estudiar y se utilizan asociados a un sistema de
iluminación, normalmente de luz infrarroja (Chiari et al., 2005).

Figura 9. Análisis de posturas y movimientos mediante fotogrametría.

Esta técnica de registro se considera la herramienta más empleada y validada para la evaluación
de movimientos, pero, este tipo de técnica se vuelve inviable cuando se intenta utilizar en un
entorno laboral real (fuera del laboratorio).

Más recientemente, existen modelos basados en inteligencia artificial, como Open VINO o
Mediapipe, de detección de articulaciones corporales los cuales se han vuelto populares para el
análisis de movimientos. Estos modelos utilizan técnicas de ML y DL para detectar las
articulaciones del cuerpo y seguir su movimiento. Estos modelos se pueden utilizar en diversas
aplicaciones, como la rehabilitación, el deporte, la realidad virtual y en ergonomía.
© 13/14

Figura 10. Modelos de detección de articulaciones corporales basados en IA.

Estos modelos son lo suficientemente robustos, en detección e identificación de personas,

independientemente del entorno en el que se encuentre. Pero tiene una limitación importante
para un correcto uso, es necesario que la cámara visualice cada uno de los segmentos, es decir,
que estos no estén ocultos, ya sea por algún objeto o por el propio cuerpo.

Figura 11. Ejemplos adecuados e inadecuados para el análisis de posturas mediante IA.

Una vez identificados los segmentos corporales se puede identificar las posturas que se adoptan
con el fin de aplicar metodologías de evaluación de posturas.

En resumen, la fotogrametría es una técnica para el análisis de movimientos, mientras que los
modelos basados en inteligencia artificial, como Mediapipe y detección de joints, son
herramientas más modernas para la detección de movimientos. Ambas técnicas son útiles en
diversas aplicaciones, incluyendo deportes, medicina y biomecánica.

En los siguientes módulos se mostrará cómo aplicar estas tecnologías para el análisis de
movimientos en el ámbito de la ergonomía y la salud laboral.

Nuevas tecnologías para la evaluación de riesgos ergonómicos usando la Inteligencia Artificial

14/14 ____________________ ©

BIBLIOGRAFÍA
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority
Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357.
https://doi.org/10.1613/jair.953

Page, A., Candelas, P., & Belmar, F. (2006). Application of video photogrammetry to analyse
mechanical systems in the undergraduate physics laboratory. European Journal of
Physics, 27, 647-655. https://doi.org/10.1088/0143-0807/27/3/017

Russel, S., & Norvig, P. (2013). Artificial intelligence: a modern approach (Vol. 256). London:
Pearson Education Limited.