GRUPO 06 - DIAPOSITIVAS UBICACIÓN DE LOS PASOS DEL MÉTODO CIENTÍFICO.pdf

Este trabajo presenta la identificación y ubicación de los pasos del método científico dentro de un artículo de investigación. Se analizan las etapas de observación, problema, hipótesis, experimentación y conclusiones, destacando su aplicación práctica en la estructura del artículo científico. El documento fue elaborado por el Grupo 06 como parte del curso de Metodología de la Investigación Científica.

1. PROFESOR: FELIX JULIAN VALERIO HARO
CURSO: METODOLOGÍA DELA
INVESTIGACIÓNCIENTÍFICA
GRUPO06
INTEGRANTES:
1.CUCHOGARCÍA, KARENJENNIFER
2.CUTIPAAPAZA, YENI
3.PAITANLUNA,NICOLLEDIANE
4.PISCOMONTENEGRO,ELIN
5.ULLOAQUISPE,MARÍAISABEL
UBICACIÓN DE LOS PASOS DEL
MÉTODO CIENTÍFICO

2. Análisis comparativo de los
sistemas de inteligencia artificial
generativa en la resolución de
problemas de farmacia clínica:
estudio de métodos mixtos
Un análisis riguroso del desempeño de ocho modelos de IA generativa en
escenarios clínicos farmacéuticos reales, evaluando su precisión, seguridad y
aplicabilidad en la práctica profesional contemporánea.

3. OBSERVACIÓN
Transformación Digital
El avance exponencial de la IA generativa está revolucionando la
atención sanitaria, especialmente en farmacia clínica, donde la
precisión en la información puede ser determinante para la
seguridad del paciente.
Capacidades Emergentes
Los sistemas de IA demuestran habilidades para responder
consultas sobre indicaciones, dosificaciones, interacciones
medicamentosas, efectos adversos y generar planes de atención
farmacéutica personalizados.
Problemática Identificada
A pesar del potencial transformador, los investigadores observaron reportes sistemáticos de errores críticosen las respuestas generadas por
IA, incluyendo información fabricada, recomendaciones clínicamente inapropiadas y falta de contextualización a guías locales.
Ejemplo Crítico:Múltiples chatbots recomendaron antibióticos inadecuados para Mycoplasma pneumoniae resistente en China,
ignorando completamente las directrices clínicas locales y patrones de resistencia antimicrobiana regional.
Esta observación revela que mientras la IA representa una herramienta potencialmente revolucionaria para la práctica farmacéutica, su
confiabilidad en escenarios clínicos reales permanece como una incógnita que requiere investigación sistemática y rigurosa.

4. PROBLEMA
Limitaciones de la Investigación Previa
Los estudios anteriores presentaban deficiencias metodológicas significativas que comprometían la validez de sus conclusiones:
Evaluación Fragmentada
Análisis aislados de modelos individuales sin
comparativas directas, limitando la
comprensión del panorama completo de
capacidades y limitaciones entre diferentes
sistemas de IA.
Tareas Específicas Limitadas
Foco en escenarios clínicos muy acotados,
sin abordar la complejidad y variabilidad de
las decisiones farmacéuticas en la práctica
profesional real.
Ausencia de Validación Clínica
Falta de evaluación en cadenas completas
de decisiones clínicas que reflejen los
procesos cognitivos y las responsabilidades
del farmacéutico en el cuidado del paciente.
Pregunta de Investigación Central
¿Cuál es la efectividad relativa de diferentes modelos de IA generativa para resolver problemas clínicos en farmacia, y cómo varía su desempeño entre
tareas de diferente complejidad cognitiva?
Relevancia Clínica
Los farmacéuticos clínicos requieren evidencia científica robustapara determinar qué sistemas de IA son seguros para integrar en su práctica profesional. La
cuestión no es si la IA funciona en términos generales, sino qué modelos específicos ofrecen mayor confiabilidad y en qué contextos clínicos particulares
pueden ser aplicados de manera segura y efectiva.

5. HIPÓTESIS / OBJETIVO
Hipótesis de Investigación
Los investigadores plantearon que no todos los modelos de IA generativa ofrecen niveles equivalentes de seguridad y exactitud en aplicaciones farmacéuticas, y que mediante un sistema de evaluación
multidimensional y riguroso sería posible identificar cuáles modelos son más confiables y caracterizar sus patrones específicos de error.
Sistema de Evaluación Multidimensional
Precisión
Exactitud de la información farmacológica proporcionada y adherencia a
evidencia científica actual.
Rigor
Fundamentación científica de las recomendaciones y citación de fuentes
confiables.
Aplicabilidad
Relevancia práctica de las recomendaciones para el contexto clínico
específico.
Coherencia Lógica
Consistencia interna del razonamiento y ausencia de contradicciones.
Concisión
Claridad comunicativa y capacidad de síntesis apropiada para el contexto
profesional.
Universalidad
Adaptabilidad de las recomendaciones a diferentes contextos
geográficos y poblacionales.
Objetivo Específico
Evaluar ocho modelos de IA (DeepSeek-R1, Qwen, GPT-4o, Claude, Gemini, Kimi, Doubao y ERNIE Bot) mediante el sistema de seis dimensiones en cuatro escenarios representativos de la práctica
farmacéutica: consulta de medicamentos, educación farmacéutica, revisión de prescripciones y análisis de casos clínicos complejos.
Este sistema de evaluación multidimensional funciona como un "examen clínico integral"aplicado a las IA, midiendo no solo su capacidad de generar respuestas, sino su utilidad y seguridad real
en la práctica farmacéutica profesional.

6. EXPERIMENTACIÓN
Protocolo Experimental
El experimento se ejecutó siguiendo un diseño controlado y sistemático que garantizó la consistencia y reproducibilidad de los resultados:
1Aplicación Estandarizada
Tres investigadores independientes aplicaron las 48 preguntas
clínicas a cada uno de los ocho modelos de IA el 20 de febrero
de 2025, utilizando protocolos idénticos de interacción.
2Generación de Respuestas
Se obtuvieron 384 respuestas totales (48 ×8), cada una
documentada con metadatos sobre tiempo de respuesta y
características técnicas del modelo.
3Evaluación Multidimensional
Cada respuesta fue evaluada independientemente por los seis
farmacéuticos clínicos en las seis dimensiones establecidas,
bajo condiciones de cegamiento.
Análisis Estadístico Riguroso
Pruebas Paramétricas
• ANOVA de una vía:Identificación de diferencias significativas entre modelos de IA
• Tukey HSD:Comparaciones post-hoc múltiples entre pares de modelos
• Nivel de significancia:α= 0.05
Validación de Confiabilidad
Coeficiente de Correlación Intraclase (ICC):Medición de consistencia entre evaluadores (ICC > 0.75 =
confiabilidad alta)
Análisis Cualitativo Complementario
Paralelamente al análisis cuantitativo, se realizó una revisión cualitativa sistemáticade patrones de error recurrentes:
Errores de Localización
Falta de adaptación a guías clínicas locales y patrones
epidemiológicos regionales específicos.
Instrucciones Técnicas Deficientes
Errores en el manejo de dispositivos médicos especiales y técnicas
de administración complejas.
Omisiones Críticas
Ausencia de advertencias sobre contraindicaciones absolutas y
interacciones potencialmente fatales.
La combinación de metodología doble ciego y análisis estadístico robustogarantiza que los resultados trascienden las opiniones subjetivas, proporcionando evidencia científica sólida sobre el desempeño
relativo de cada modelo.

7. CONCLUSIÓN
Conclusiones Principales
Liderazgo de DeepSeek-R1
Se estableció como el modelo más confiable y consistente,
particularmente sobresaliente en el análisis de casos clínicos
complejos que requieren razonamiento multifactorial y integración
de conocimientos especializados.
Limitaciones Universales
Ningún modelo alcanzó seguridad del 100%. Todos presentaron
vulnerabilidades sistemáticas: bases de datos desactualizadas,
razonamiento deficiente en contextos específicos y errores graves en
decisiones críticas.
Imperativo de Supervisión
La supervisión humana especializada no es opcional sino obligatoria
para garantizar la seguridad del paciente en cualquier
implementación de IA en farmacia clínica.
Recomendaciones para la Práctica Profesional
Integración Responsable
• Utilizar IA como herramienta de apoyo, nunca como sustituto del juicio clínico profesional
• Implementar protocolos de verificación cruzada para todas las recomendaciones generadas por IA
• Establecer límites claros sobre qué decisiones pueden ser apoyadas por IA y cuáles requieren evaluación
exclusivamente humana
Mejoras Tecnológicas Necesarias
• Desarrollo de bases de datos dinámicas con actualización continua
• Implementación de localización clínica adaptada a contextos geográficos específicos
• Fortalecimiento del razonamiento complejo y detección de contradicciones
Visión Futura
La investigación apunta hacia el desarrollo de sistemas inteligentes híbridosque integren efectivamente las capacidades computacionales de la IA con el expertise clínico humano. Estos sistemas deberán incorporar:
Actualización Continua
Sistemas de aprendizaje que se actualicen constantemente con
nueva evidencia científica, cambios regulatorios y patrones
emergentes de resistencia farmacológica.
Ética Médica Integrada
Frameworks éticos incorporados que prioricen la seguridad del
paciente y respeten los principios fundamentales de la práctica
farmacéutica.
Colaboración Interdisciplinaria
Plataformas que faciliten la colaboración efectiva entre
farmacéuticos, médicos, enfermeros y otros profesionales de la
salud.
La responsabilidad ética de los investigadores es clara: la IA no reemplaza al farmacéutico clínico, sino que debe complementar y potenciar su expertise profesional, siempre bajo supervisión humana especializada.
Esta investigación establece las bases para una integración responsable y basada en evidencia de la inteligencia artificial en la práctica farmacéutica, priorizando siempre la seguridad del paciente y la excelencia en el cuidado de la
salud.

8. REFERENCIAS BIBLIOGRÁFICAS
1.TopolEJ.High-performancemedicine:theconvergenceofhuman
andartificialintelligence.NatMed.Jan2019;25(1):44-56.[doi:
10.1038/s41591-018-0300-7][Medline:30617339]
2.HuangX,EstauD,LiuX,YuY,QinJ,LiZ.Evaluatingthe
performanceofChatGPTinclinicalpharmacy:acomparativestudy
ofChatGPTandclinicalpharmacists.BrJClinPharmacol.Jan
2024;90(1):232-238.[doi:10.1111/bcp.15896][Medline:
37626010]
3.MoulaeiK,YadegariA,BaharestaniM,FarzanbakhshS,SabetB,
RezaAfrashM.Generativeartificialintelligenceinhealthcare:a
scopingreviewonbenefits,challengesandapplications.IntJMed
Inform. Aug 2024;188:105474. [doi: 10.
1016/j.ijmedinf.2024.105474][Medline:38733640]
4.Al-AshwalFY,ZawiahM,GharaibehL,Abu-FarhaR,BitarAN.
Evaluatingthesensitivity,specificity,andaccuracyofChatGPT-3.5,
ChatGPT-4,BingAI,andBardagainstconventionaldrug-drug
interactionsclinicaltools.DrugHealthcPatientSaf.2023;15:137-
147.[doi:10.2147/DHPS.S425858][Medline:37750052]
5.TemsahA,AlhasanK,AltamimiI,etal.DeepSeekinhealthcare:
revealingopportunitiesandsteeringchallengesofanewopen-
source artificialintelligencefrontier. Cureus. Feb
2025;17(2):e79221.[doi:10.7759/cureus.79221][Medline:
39974299]
6.SyrowatkaA,SongW,AmatoMG,etal.Keyusecasesforartificial
intelligencetoreducethefrequencyofadversedrugevents:a
scopingreview.LancetDigitHealth.Feb2022;4(2):e137-e148.
[doi:10.1016/S2589-7500(21)00229-6][Medline:34836823]