Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos

En un sentido amplio la inteligencia artificial y el aprendizaje automático se ha aplicado a los datos médicos desde los inicios de la informática dado el profundo arraigo de esta área en la innovación, pero los últimos años han sido testigo de una generación cada vez mayor de datos relacionados con...

Full description

Autores:
Arias, Victor
Salazar, Juan
Gariciano, Carlos
Contreras, Julio
Chacón, Gerardo
Chacín-González, Maricarmen
Añez, Roberto
Rojas, Joselyn
Bermúdez-Pirela, Valmore
Tipo de recurso:
Fecha de publicación:
2019
Institución:
Universidad Simón Bolívar
Repositorio:
Repositorio Digital USB
Idioma:
spa
OAI Identifier:
oai:bonga.unisimon.edu.co:20.500.12442/4605
Acceso en línea:
https://hdl.handle.net/20.500.12442/4605
Palabra clave:
Inteligencia artificial
Innovación
Registros médicos
Artificial intelligence
Medical records
Rights
License
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
id USIMONBOL2_f28c1516b51729de1ea63b7d0da3f7e2
oai_identifier_str oai:bonga.unisimon.edu.co:20.500.12442/4605
network_acronym_str USIMONBOL2
network_name_str Repositorio Digital USB
repository_id_str
dc.title.spa.fl_str_mv Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
dc.title.alternative.eng.fl_str_mv An introduction to artificial intelligence applications in medicine: Historical aspects
title Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
spellingShingle Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
Inteligencia artificial
Innovación
Registros médicos
Artificial intelligence
Medical records
title_short Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
title_full Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
title_fullStr Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
title_full_unstemmed Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
title_sort Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos
dc.creator.fl_str_mv Arias, Victor
Salazar, Juan
Gariciano, Carlos
Contreras, Julio
Chacón, Gerardo
Chacín-González, Maricarmen
Añez, Roberto
Rojas, Joselyn
Bermúdez-Pirela, Valmore
dc.contributor.author.none.fl_str_mv Arias, Victor
Salazar, Juan
Gariciano, Carlos
Contreras, Julio
Chacón, Gerardo
Chacín-González, Maricarmen
Añez, Roberto
Rojas, Joselyn
Bermúdez-Pirela, Valmore
dc.subject.spa.fl_str_mv Inteligencia artificial
Innovación
Registros médicos
topic Inteligencia artificial
Innovación
Registros médicos
Artificial intelligence
Medical records
dc.subject.eng.fl_str_mv Artificial intelligence
Medical records
description En un sentido amplio la inteligencia artificial y el aprendizaje automático se ha aplicado a los datos médicos desde los inicios de la informática dado el profundo arraigo de esta área en la innovación, pero los últimos años han sido testigo de una generación cada vez mayor de datos relacionados con las ciencias de la salud, cuestión que ha dado nacimiento a un nuevo campo de las ciencias de la computación llamado big data. Los datos médicos a gran escala (en forma de bases de datos estructuradas y no estructuradas) si son apropiadamente adquiridos e interpretados pueden generar grandes beneficios al reducir los costos y los tiempos del servicio de salud, pero también podrían servir para predecir epidemias, mejorar los esquemas terapéuticos, asesorar a médicos en lugares remotos y mejorar la calidad de vida. Los algoritmos de deep learning son especialmente útiles para manejar esta gran cantidad de datos complejos, poco documentados y generalmente no estructurados; todo esto debido a que el deep learning puede irrumpir al crear modelos que descubren de forma automática las características principales, así como las que mejor predicen el comportamiento de otras variables dentro de una gran cantidad de datos complejos. En el futuro, la relación hombre-máquina en biomedicina será más estrecha; mientras que la máquina se encargará de tareas de extracción, limpieza y búsquedas de correlaciones, el médico se concentraría en interpretar estas correlaciones y buscar nuevos tratamientos que mejoren la atención y en última instancia la calidad de vida del paciente.
publishDate 2019
dc.date.issued.none.fl_str_mv 2019
dc.date.accessioned.none.fl_str_mv 2020-01-30T14:39:58Z
dc.date.available.none.fl_str_mv 2020-01-30T14:39:58Z
dc.type.eng.fl_str_mv article
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.driver.eng.fl_str_mv article
dc.identifier.issn.none.fl_str_mv 18564550
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12442/4605
identifier_str_mv 18564550
url https://hdl.handle.net/20.500.12442/4605
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 Internacional
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv pdf
dc.publisher.spa.fl_str_mv Cooperativa servicios y suministros 212518 RS
dc.source.spa.fl_str_mv Revista Latinoamericana de Hipertensión
Vol. 14, No. 5 (2019)
institution Universidad Simón Bolívar
dc.source.uri.none.fl_str_mv http://www.revhipertension.com/rlh_5_2019/13_una_introduccion.pdf
bitstream.url.fl_str_mv https://bonga.unisimon.edu.co/bitstreams/4f7870a0-e8b7-4303-8036-ecfd667fc05a/download
https://bonga.unisimon.edu.co/bitstreams/f3e697d4-1880-417e-8363-441231ddbb03/download
https://bonga.unisimon.edu.co/bitstreams/ba665a01-c297-4075-b665-6b64b2097f68/download
https://bonga.unisimon.edu.co/bitstreams/5ff3be98-02d4-40bc-a155-c184c97bd4e9/download
https://bonga.unisimon.edu.co/bitstreams/2aff4277-5fcb-454b-89a9-0bdd15f6d3aa/download
bitstream.checksum.fl_str_mv 842af27eeb34294fd60325190ad78237
4460e5956bc1d1639be9ae6146a50347
733bec43a0bf5ade4d97db708e29b185
1d5627eee4867c5bc230820f567eb3fb
5926196577b6a7c5c512e8236e7f131e
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital Universidad Simón Bolívar
repository.mail.fl_str_mv repositorio.digital@unisimon.edu.co
_version_ 1814076108823330816
spelling Arias, Victordf200d84-616b-4da7-b458-245d90425d8eSalazar, Juanfbd053e7-5aea-424c-812f-92153ecb9181Gariciano, Carlos5298940f-531a-4044-83ed-b019e85b5e00Contreras, Julioee6833d4-08fc-4f10-8638-cd5206d5aeddChacón, Gerardo09c43ece-2735-4074-9b8c-5852a95df0e4Chacín-González, Maricarmenf2de0f64-ef1d-446f-97f7-509c45051d35Añez, Roberto0a8ecfdc-a89a-4435-9859-b66bba8947faRojas, Joselyn2aa91570-0516-424d-8f76-25cd7b39be6eBermúdez-Pirela, Valmorefc117ee2-5c90-4775-a924-fc7674e776572020-01-30T14:39:58Z2020-01-30T14:39:58Z201918564550https://hdl.handle.net/20.500.12442/4605En un sentido amplio la inteligencia artificial y el aprendizaje automático se ha aplicado a los datos médicos desde los inicios de la informática dado el profundo arraigo de esta área en la innovación, pero los últimos años han sido testigo de una generación cada vez mayor de datos relacionados con las ciencias de la salud, cuestión que ha dado nacimiento a un nuevo campo de las ciencias de la computación llamado big data. Los datos médicos a gran escala (en forma de bases de datos estructuradas y no estructuradas) si son apropiadamente adquiridos e interpretados pueden generar grandes beneficios al reducir los costos y los tiempos del servicio de salud, pero también podrían servir para predecir epidemias, mejorar los esquemas terapéuticos, asesorar a médicos en lugares remotos y mejorar la calidad de vida. Los algoritmos de deep learning son especialmente útiles para manejar esta gran cantidad de datos complejos, poco documentados y generalmente no estructurados; todo esto debido a que el deep learning puede irrumpir al crear modelos que descubren de forma automática las características principales, así como las que mejor predicen el comportamiento de otras variables dentro de una gran cantidad de datos complejos. En el futuro, la relación hombre-máquina en biomedicina será más estrecha; mientras que la máquina se encargará de tareas de extracción, limpieza y búsquedas de correlaciones, el médico se concentraría en interpretar estas correlaciones y buscar nuevos tratamientos que mejoren la atención y en última instancia la calidad de vida del paciente.In a broad sense, artificial intelligence and machine learning have been applied to medical data since the beginning of computing given the deep roots of this area in innovation, but recent years have witnessed an increasing generation of data related to health sciences, an issue that has given birth to a new field of computer science called big data. Large-scale medical data (in the form of structured and unstructured databases) if properly acquired and interpreted can generate great benefits by reducing costs and times of health service, but could also serve to predict epidemics, improve therapeutic schemes, advise doctors in remote places and improve the quality of life. The deep learning algorithms are especially useful to deal with this large amount of complex, poorly documented and generally unstructured data, all this because deep learning can break when creating models that automatically discover the predictive characteristics of a large amount of complex data. In the future, the human-machine relationship in the medical evaluation will be narrower and complex; while the machine would be responsible for extraction, cleaning and assisted searches, the physician will be concentrate on both, data interpretation and the best treatment option, improving the patient´s attention and ultimately, quality of life.pdfspaCooperativa servicios y suministros 212518 RSAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2Revista Latinoamericana de HipertensiónVol. 14, No. 5 (2019)http://www.revhipertension.com/rlh_5_2019/13_una_introduccion.pdfInteligencia artificialInnovaciónRegistros médicosArtificial intelligenceMedical recordsUna introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricosAn introduction to artificial intelligence applications in medicine: Historical aspectsarticlearticlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_6501DiCarlo JJ, Zoccolan D, Rust NC. How does the brain solve visual object recognition? Neuron. el 9 de febrero de 2012;73(3):415–34.Wan J, Wang D, Hoi SCH, Wu P, Zhu J, Zhang Y, et al. Deep Learning for Content-Based Image Retrieval: A Comprehensive Study. En: Proceedings of the 22Nd ACM International Conference on Multimedia [Internet]. New York, NY, USA: ACM; 2014 [citado el 18 de octubre de 2017]. p. 157–166. (MM ’14). Disponible en: http://doi.acm. org/10.1145/2647868.2654948Nilsson F. Intelligent network video: understanding modern video surveillance systems. Boca Raton: CRC Press; 2009. 389 p.Leuba G, Kraftsik R. Changes in volume, surface estimate, three-dimensional shape and total number of neurons of the human primary visual cortex from midgestation until old age. Anat Embryol (Berl). el 1 de octubre de 1994;190(4):351–66.Hof RD. Is Artificial Intelligence Finally Coming into Its Own? [Internet]. MIT Technology Review. [citado el 23 de octubre de 2017]. Disponible en: https://www.technologyreview.com/s/513696/deep-learning/Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. el 2 de febrero de 2017;542(7639):115–8.Brouillette M. AI diagnostics are coming [Internet]. MIT Technology Review. [citado el 23 de octubre de 2017]. Disponible en: https://www. technologyreview.com/s/604271/deep-learning-is-a-black-box-buthealth- care-wont-mind/Eastwood G. How deep learning is transforming healthcare [Internet]. Network World. 2017 [citado el 23 de octubre de 2017]. Disponible en: https://www.networkworld.com/article/3183745/health/howdeep- learning-is-transforming-healthcare.htmlSuk H-I. An Introduction to Neural Networks and Deep Learning. En: Deep Learning for Medical Image Analysis [Internet]. Elsevier; 2017 [citado el 13 de agosto de 2017]. p. 3–24. Disponible en: http://linkinghub. elsevier.com/retrieve /pii/B978012810408800002XRosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychol Rev. noviembre de 1958;65(6):386–408.McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys. el 1 de diciembre de 1943;5(4):115– 33.Minsky M, Papert S. Perceptrons. Oxford, England: M.I.T. Press; 1969.Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators. Neural Netw. 1989;2(5):359–66.Linnainmaa S. Taylor expansion of the accumulated rounding error. BIT Numer Math. el 1 de junio de 1976;16(2):146–60.Werbos PJ. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Harvard University; 1975.906 p.Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature. el 9 de octubre de 1986;323(6088):533–6.Rumelhart DE, Hinton GE, Williams RJ. Learning Internal Representations by Error Propagation. 1985 sep.Bengio Y. Learning Deep Architectures for AI. Found Trends® Mach Learn. 2009;2(1):1–127.Bay H, Ess A, Tuytelaars T, Van Gool L. Speeded-Up Robust Features (SURF). Comput Vis Image Underst. el 1 de junio de 2008;110(3):346– 59.Zhou H, Yuan Y, Shi C. Object tracking using SIFT features and mean shift. Comput Vis Image Underst. el 1 de marzo de 2009;113(3):345–52.Dalal N, Triggs B. Histograms of oriented gradients for human detection. En: Computer Vision and Pattern Recognition, 2005 CVPR 2005 IEEE Computer Society Conference on [Internet]. IEEE; 2005 [citado el 11 de mayo de 2017]. p. 886–893. Disponible en: http://ieeexplore.ieee.org/abstract/document/1467360/LeCun Y, Boser B, Denker JS, Henderson D, Howard RE, Hubbard W, et al. Backpropagation Applied to Handwritten Zip Code Recognition. Neural Comput. diciembre de 1989;1(4):541–51.Hubel DH, Wiesel TN. Receptive fields and functional architecture in two nonstriate visual areas (18 and 19) of the cat. J Neurophysiol. 1965;28(2):229–289.Lecun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learning applied to document recognition. Proc IEEE. noviembre de 1998;86(11):2278–324.Waibel A, Hanazawa T, Hinton G, Shikano K, Lang KJ. Phoneme recognition using time-delay neural networks. IEEE Trans Acoust Speech Signal Process. marzo de 1989;37(3):328–39.Werbos PJ. Backpropagation through time: what it does and how to do it. Proc IEEE. octubre de 1990;78(10):1550–60.Bengio Y, Simard P, Frasconi P. Learning long-term dependencies with gradient descent is difficult. IEEE Trans Neural Netw. marzo de 1994;5(2):157–66.Schwarz G. Estimating the Dimension of a Model. Ann Stat. marzo de 1978;6(2):461–4.Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Netw. enero de 2015;61:85–117.Bengio Y. A connectionist approach to speech recognition. Int J Pattern Recognit Artif Intell. el 1 de agosto de 1993;07(04):647–67.Hochreiter S. {Untersuchungen zu dynamischen neuronalen Netzen. Diploma thesis, Institut f\\”{u}r Informatik, Lehrstuhl Prof. Brauer, Technische Universit\\”{a}t M\\”{u}nchen}. 1991;Hochreiter S, Schmidhuber J. Long Short-Term Memory. Neural Comput. el 1 de noviembre de 1997;9(8):1735–80.LeCun Y, Jackel LD, Bottou L, Brunot A, Cortes C, Denker JS, et al. Comparison of learning algorithms for handwritten digit recognition. En: International conference on artificial neural networks [Internet]. Perth, Australia; 1995 [citado el 2 de mayo de 2017]. p. 53–60. Disponible en: https://pdfs.semanticscholar.org/d50d/ce749321301f0104689f2dc582303a83be65. pdfHinton GE, Osindero S, Teh Y-W. A Fast Learning Algorithm for Deep Belief Nets. Neural Comput. el 17 de mayo de 2006;18(7):1527–54.DL4J. A Beginner’s Tutorial for Restricted Boltzmann Machines - Deeplearning4j: Open-source, Distributed Deep Learning for the JVM [Internet]. [citado el 14 de agosto de 2017]. Disponible en: https:// deeplearning4j.org/restrictedboltzmannmachineSalakhutdinov R. Learning deep generative models [Internet]. University of Toronto; 2009 [citado el 14 de agosto de 2017]. Disponible en: http://www.cs.toronto.edu/~rsalakhu/papers/Russ_thesis.pdfKullback S, Leibler RA. On Information and Sufficiency. Ann Math Stat. 1951;22(1):79–86.Hinton GE. Training Products of Experts by Minimizing Contrastive Divergence. Neural Comput. el 1 de agosto de 2002;14(8):1771–800.Bengio Y, Lamblin P, Popovici D, Larochelle H, others. Greedy layer-wise training of deep networks. Adv Neural Inf Process Syst. 2007;19:153.Raina R, Madhavan A, Ng AY. Large-scale Deep Unsupervised Learning Using Graphics Processors. En: Proceedings of the 26th Annual International Conference on Machine Learning [Internet]. New York, NY, USA: ACM; 2009 [citado el 2 de mayo de 2017]. p. 873–880. (ICML ’09). Disponible en: http://doi.acm.org/10.1145/1553374.1553486Srivastava N, Hinton GE, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting. J Mach Learn Res. 2014;15(1):1929–1958.Jarrett K, Kavukcuoglu K, LeCun Y, others. What is the best multistage architecture for object recognition? En: Computer Vision, 2009 IEEE 12th International Conference on [Internet]. IEEE; 2009 [citado el 13 de mayo de 2017]. p.2146–2153. Disponible en: http://ieeexplore. ieee.org/abstract/document/5459469/Dahl GE, Sainath TN, Hinton GE. Improving deep neural networks for LVCSR using rectified linear units and dropout. En: 2013 IEEE International Conference on Acoustics, Speech and Signal Processing. 2013. p. 8609–13.Nair V, Hinton GE. Rectified linear units improve restricted boltzmann machines. En: Proceedings of the 27th international conference on machine learning (ICML-10) [Internet]. 2010 [citado el 13 de mayo de 2017]. p. 807–814. Disponible en: http://machinelearning.wustl.edu/ mlpapers/paper_files/icml2010_NairH10.pdfGlorot X. Apprentissage des réseaux de neurones profonds et applications en traitement automatique de la langue naturelle. 2015 [citado el 13 de mayo de 2017]; Disponible en: https://papyrus.bib.umontreal. ca/xmlui/handle/1866/11989Krizhevsky A, Sutskever I, Hinton GE. ImageNet Classification with Deep Convolutional Neural Networks. En: Pereira F, Burges CJC, Bottou L, Weinberger KQ, editores. Advances in Neural Information Processing Systems 25 [Internet]. Curran Associates, Inc.; 2012 [citado el 13 de mayo de 2017]. p. 1097–1105. Disponible en: http://papers. nips.cc/paper/4824-imagenet-classification-with-deep-convolutionalneural- networks.pdfChannin D. Deep Learning in Healthcare: Challenges and Opportunities [Internet]. The Mission. 2016 [citado el 14 de mayo de 2017]. Disponible en: https://themission.co/deep-learning-in-healthcare-challenges- and-opportunities-d2eee7e2545Leaper DJ, Horrocks JC, Staniland JR, de Dombal FT. Computer-Assisted Diagnosis of Abdominal Pain using “Estimates” Provided by Clinicians. Br Med J. el 11 de noviembre de 1972;4(5836):350–4.Reaz MBI, Hussain MS, Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol Proced Online. diciembre de 2006;8(1):11–35.Ristevski B, Chen M. Big Data Analytics in Medicine and Healthcare. J Integr Bioinforma [Internet]. el 25 de septiembre de 2018 [citado el 2 de agosto de 2019];15(3). Disponible en: http://www.degruyter.com/ view/j /jib.2018.15.issue-3/jib-2017-0030/jib-2017-0030.xmlSalazar J, Espinoza C, Mindiola A, Bermudez V. Data Mining and Endocrine Diseases: A New Way to Classify? Arch Med Res. abril de 2018;49(3):213–5.Gruber K. Is the future of medical diagnosis in computer algorithms? Lancet Digit Health. mayo de 2019;1(1):e15–6.Miotto R, Li L, Kidd BA, Dudley JT. Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records. Sci Rep. el 17 de mayo de 2016;6:26094.Xiong HY, Alipanahi B, Lee LJ, Bretschneider H, Merico D, Yuen RKC, et al. The human splicing code reveals new insights into the genetic determinants of disease. Science. el 9 de enero de 2015;347(6218):1254806.Gawehn E, Hiss JA, Schneider G. Deep Learning in Drug Discovery. Mol Inform. el 1 de enero de 2016;35(1):3–14.Cao C, Liu F, Tan H, Song D, Shu W, Li W, et al. Deep Learning and Its Applications in Biomedicine. Genomics Proteomics Bioinformatics. 2018; 16(1): 17–32.Shen D, Wu G, Suk HI. Deep Learning in Medical Image Analysis. Annu Rev Biomed Eng. 2017;19:221-248.Klann JG, Szolovits P. An intelligent listening framework for capturing encounter notes from a doctor-patient dialog. BMC Med Inform Decis Mak. 2009; 9(Suppl 1): S3.Pang S, Du A, Orgun MA, Yu Z. A novel fused convolutional neural network for biomedical image classification. Med Biol Eng Comput. 2019;57(1):107-121.ORIGINALPDF.pdfPDF.pdfPDFapplication/pdf1885223https://bonga.unisimon.edu.co/bitstreams/4f7870a0-e8b7-4303-8036-ecfd667fc05a/download842af27eeb34294fd60325190ad78237MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://bonga.unisimon.edu.co/bitstreams/f3e697d4-1880-417e-8363-441231ddbb03/download4460e5956bc1d1639be9ae6146a50347MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8381https://bonga.unisimon.edu.co/bitstreams/ba665a01-c297-4075-b665-6b64b2097f68/download733bec43a0bf5ade4d97db708e29b185MD53TEXTPDF.pdf.txtPDF.pdf.txtExtracted texttext/plain57303https://bonga.unisimon.edu.co/bitstreams/5ff3be98-02d4-40bc-a155-c184c97bd4e9/download1d5627eee4867c5bc230820f567eb3fbMD54THUMBNAILPDF.pdf.jpgPDF.pdf.jpgGenerated Thumbnailimage/jpeg1958https://bonga.unisimon.edu.co/bitstreams/2aff4277-5fcb-454b-89a9-0bdd15f6d3aa/download5926196577b6a7c5c512e8236e7f131eMD5520.500.12442/4605oai:bonga.unisimon.edu.co:20.500.12442/46052024-08-14 21:52:29.832http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internacionalopen.accesshttps://bonga.unisimon.edu.coRepositorio Digital Universidad Simón Bolívarrepositorio.digital@unisimon.edu.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

Publicaciones similares