CONTROL DE BIOSEGURIDAD MEDIANTE INTELIGENCIA ARTIFICIAL PARA

EL ACCESO A ZONAS RESTRINGIDAS Y DE ALTO RIESGO BIOLÓGICO EN

HOSPITALES Y CLÍNICAS.

CINDY KATHERINE MANYOMA ANGULO

LUIS ENRIQUE RIASCOS MOSQUERA
JORGE IVÁN MANRIQUE LÓPEZ

DOCENTES

PHD. ARIEL ARMANDO RUIZ ZÚÑIGA

PHD. JUAN MANUEL NOGALES

UNIVERSIDAD DEL PACÍFICO

PROGRAMA DE INGENIERÍA DE SISTEMAS

BUENAVENTURA,
MARZO DE 2022
 Índice General

1. Introducción 1

2. Planteamiento del problema 1

3. Justificación 1

4. Objetivos 1

4.1. Objetivo General 1

4.2. Objetivos Específicos 2

5. Marco teórico y estado del arte 2

6. Metodología 3

7. Referencias bibliográficas 3

Índice de Figuras
Figura 1 . Modelo 4+1 vistas de kruchten, arquitectura de software.......................................8
Figura 2 Uso de Tapaboca.....................................................................................................9
Figura 3 Uso de Guantes.....................................................................................................10
Figura 4 Uso de Bata Clínica................................................................................................10

1. Introducción
(Se hará cuando se termine el proyecto, debe contener máximo 350 palabras)

2. Planteamiento del problema

Mediante la aparición y el desarrollo de múltiples enfermedades virales, se vio la

necesidad de implementar el uso del tapaboca y otros elementos de bioseguridad
para evitar el contagio y propagación de las mismas.

Los factores de riesgo biológico son todos aquellos seres vivos ya sea de origen
animal o vegetal, y todas las sustancias derivadas de ellos presentes en el puesto
de trabajo, que pueden producir efectos negativos al medio ambiente y en la salud
de los trabajadores, causando procesos infecciosos, tóxicos o alérgicos. Existen
diversos factores de riesgo, que se pueden presentar en dos grandes grupos:

Endógenos: inherentes al paciente como son su edad, género, disminución de las

defensas a causa del estrés que genera la hospitalización, la patología de base con
la cual ingresa al hospital, las alteraciones de las barreras anatómica (piel –
mucosa) e inmunológicas (inmunidad celular y humoral) debido a los procedimientos
invasivos, diagnósticos y terapéuticos, uso de los antimicrobianos e
inmunodepresores, entre otros necesarios para el tratamiento durante la
permanencia en el hospital, los cuales determinan la susceptibilidad particular.

Exógenos: relacionados con: a) La virulencia de la Cepa: determinada por la

patogenicidad de las especies y el número de los microorganismos. Generalmente
los agentes adquiridos en el medio hospitalario, pueden presentar más
patogenicidad y virulencia y ser más resistentes a los antibióticos y antisépticos. b)
Inherentes a la institución: incluyen la planta física, su mantenimiento, el
cumplimiento de protocolos, el volumen y rotación del personal y el cumplimiento
estricto por parte de éste de todas las normas de bioseguridad pertinentes.

A pesar de la agresividad de estos agentes la implementación de una bioseguridad

apropiada sumada a la responsabilidad de cada trabajador por su autocuidado, y el
manejo adecuado del medio ambiente laboral, hacen posible reducir el riesgo de
enfermar.

Después de analizar la información anterior y entendiendo la importancia de los

controles de bioseguridad que se ejercen en algunas zonas principalmente de
clínicas y hospitales, surge la siguiente pregunta:

¿Cómo mejorar los procesos de control de bioseguridad mediante un sistema de

inteligencia artificial que supervise los accesos a las zonas restringidas y de alto
riesgo biológico en hospitales y clínicas?

3. Justificación

Debido al avance tecnológico y a las ciencias de investigación la inteligencia artificial

tiene cabida en diferentes campos de aplicación, en el cual la salud no es una
excepción por tal motivo con este proyecto se busca realizar un análisis de
reconocimiento de elementos de bioseguridad a través de procesamiento de video
por medio de la IA haciendo más efectiva la revisión de estos elementos al
momento de ingresar a las UCI ya que se hace de manera automatizada,
disminuyendo la propagación de virus o bacterias, para proteger a los pacientes y
personal médicos de las clínicas y hospitales, mediante la utilización de recursos
tecnológicos como algoritmos de reconocimiento con el uso cámaras 360° y de esta
manera realizar un monitoreo constante de aquellos que van a ingresar a estas
zonas.
4. Objetivos

4.1. Objetivo General

Diseñar un sistema de control de bioseguridad mediante deep learning y el

procesamiento de imágenes en movimiento aplicado al control de acceso a zonas
restringidas y de alto riesgo biológico en el sector de la salud.

4.2. Objetivos Específicos

1. Definir los marcos teóricos, tecnológicos y metodológicos que reglamentan el

acceso a zonas restringidas y de alto riesgo biológico en el sector salud,
mediante deep learning y el procesamiento de imágenes en movimiento.

2. Caracterizar el estado actual del deep learning y el procesamiento de

imágenes en movimiento aplicado al control de acceso a zonas restringidas y de
alto riesgo biológico en el sector de la salud.

3. Diseñar un sistema de control de bioseguridad basado en deep learning y el

procesamiento de imágenes en movimiento.

5. Marco teórico y estado del arte

Marco teórico: La Inteligencia Artificial es la TIC que genera los cambios más
importantes en la revolución tecnológica que estamos atravesando. Las tendencias
internacionales y estudios realizados a nivel mundial muestran el impacto fuerte y
directo de la inteligencia artificial sobre el empleo en cuanto a tareas mecánicas y
rutinarias, aprovechamiento de oportunidades y beneficios, y la transición a nuevas
habilidades (Corvalan, 2019).

Teniendo en cuenta que hoy en día se maneja un flujo continuo de datos e

imágenes que necesitan ser procesados para darles sentido, la Inteligencia Artificial
cuenta con técnicas como el machine learning, la cual permite que una máquina
pueda aprender, o el Deep Learning, el cual consiste en modelos que aprenden a
partir de la transformación iterativa de los datos (Guirado y Martinez, 2021).
En cuanto al procesamiento de imágenes o video vigilancia, que es el tema que nos
importa en este momento, existen varias alternativas, una de ellas es llamada
Aprendizaje Competitivo para Distribuciones de Entrada Variantes o CL-VID, el cual
es un modelo neuronal con un algoritmo de aprendizaje en línea y extremadamente
rápido (Molina, 2018).

Otra alternativa, es la realizada con el algoritmo de detección de contornos que se

encuentra implementada en OpenCV (Cárdenas, 2018). Además, las CNNs o Redes
Neuronales Convolucionales, también se pueden utilizar como sistema para la
detección de objetos, aunque si necesitamos detectar objetos en 3D, el algoritmo
Growing Neural Gas o GNG sería el apropiado (Rangel, 2017).

Para nuestro trabajo, utilizaremos como framework TensorFlow, librerías como

Keras y una arquitectura CNN o modelo de redes neuronales convolucionales, por
medio de los cuales se realizará la identificación de los elementos de bioseguridad.

Para el diseño del prototipo se utilizará el modelo 4+1 de vistas de kruchten el cual
es un tipo de arquitectura de software basado en 5 vistas concurrentes (Moya,
2012):

Vista lógica: describe el modelo de objetos del diseño cuando se usa un método de
diseño orientado a objetos. Para diseñar una aplicación muy orientada a los datos,
se puede usar un enfoque alternativo para desarrollar algún otro tipo de vista lógica,
tal como diagramas de entidad-relación

Vista de procesos: Muestra los aspectos dinámicos del sistema, que explican sus
procesos y cómo se comunican. Se enfoca en el comportamiento del sistema en
tiempo de ejecución, considerando aspectos de: concurrencia, distribución,
rendimiento o desempeño, escalabilidad, flujo de trabajo paso a paso de negocio y
operación de los componentes del sistema. Describe los aspectos de concurrencia y
sincronización del diseño.
Vista de desarrollo: Se ocupa de la gestión del software, enfocándose en la
administración de los artefactos de software, y muestra cómo está dividido el
sistema, en sus componentes y las dependencias que hay entre ellos

Vista física: Muestra la topología de los componentes físicos del sistema, su

comunicación, y las conexiones que conforman la solución y sus servicios. Muestra
el despliegue de la aplicación en la red de computadoras. Describe el mapeo del
software en el hardware y refleja los aspectos de distribución.

Los diseñadores pueden organizar sus descripciones en estas vistas y

posteriormente realizar unos casos de uso en la vista de escenarios, y para cada
vista se puede realizar diagramas que ayuden a complementar la información como
se muestra en la figura 1

Figura 1 . Modelo 4+1 vistas de kruchten, arquitectura de software

Marco contextual

Al inicio de la pandemia 6 de marzo de 2020, donde apareció el primer caso de

CORONAVIRUS - COVID-19 en Colombia, la cual fue clasificada por la
Organización Mundial de la Salud (OMS) como una emergencia de salud pública
internacional en la cual con el pasar de los días el Instituto Nacional de Salud
(INS) informa diariamente la totalidad de casos en hospitalización, UCI, fallecidos y
pocos casos recuperados, la OMS, sólo recomendaba el uso de tapabocas para los
trabajadores de la salud, sin embargo, a principios de junio del 2020 la OMS
anunció que la evidencia reunida hasta el momento era suficiente para recomendar
su uso en la población general. (López León, 2020)

Teniendo en cuenta la aparición de diversas infecciones de tipo viral, se ha visto la

necesidad de la implementación de elementos de bioseguridad que ayuden a
contrarrestar la propagación de dichas enfermedades, las cuales afectan la salud
del personal médico, pacientes y particulares. El Centro para el Control y
Prevención de Enfermedades de Estados Unidos (CDC), el Gobierno de España y la
Cruz Roja se unieron a esta recomendación. (Perelman, 2020).

Actualmente el uso de estos elementos se considera indispensable o llevadero en

nuestra vida diaria, acentuándose como obligatorio en clínicas y hospitales, donde
se tratan y reposan muchas enfermedades.

Los dos principales beneficios obtenidos por el uso de implementos de bioseguridad

son: protección personal y protección al resto de la sociedad de un posible contagio
ya que reduce el inóculo en caso de exposición al virus.

Portabilidad de elementos de bioseguridad

Figura 2 Uso de Tapaboca

Figura 3 Uso de Guantes

 Figura 4 Uso de Bata Clínica

El desacato de la norma 223 de 2021 de portabilidad o uso inadecuado de estos

elementos, y de acuerdo con el Manual de Bioseguridad Hospitalaria (2018), nos
lleva proponer un modelo utilizando la inteligencia Artificial como aliada para
detectar por medio de video el uso permanente de estos elementos de bioseguridad
en espacios cerrados, por ejemplo: salas de diálisis, unidad de cuidados intensivos,
sala de parto, recolección de muestra etc.

Marco conceptual

Python 3.x: Python es un lenguaje de programación potente y fácil de aprender.

Tiene estructuras de datos de alto nivel eficientes y un simple pero efectivo sistema
de programación orientado a objetos. Python es el lenguaje base para el desarrollo
e implementación de este proyecto, posee módulos y librerías que facilitan
operaciones básicas dentro de la codificación

TensorFlow: Es una plataforma de código abierto de extremo a extremo para el

aprendizaje automático. Cuenta con un ecosistema integral y flexible de
herramientas, bibliotecas y recursos de la comunidad que les permite a los
investigadores impulsar un aprendizaje automático innovador y, a los
desarrolladores, compilar e implementar con facilidad aplicaciones con tecnología
de AA

Keras: Es una API de aprendizaje profundo escrita en Python, que se ejecuta sobre
la plataforma de aprendizaje automático TensorFlow. Fue desarrollado con un
enfoque en permitir la experimentación rápida

ResNet: Las redes residuales son un conjunto de datos creados a partir del
entrenamiento de redes neuronales profundas para la clasificación de objetos. Son
más fáciles de optimizar y pueden obtener precisión de profundidad
considerablemente mayor respecto a otras redes profundas
Google Colab: Colaboratory, también llamado "Colab", te permite ejecutar y
programar en Python en tu navegador con las siguientes ventajas: no requiere
configuración, da acceso gratuito a GPUs, permite compartir contenido fácilmente

Detección de objetos con OpenCV

Uno de los objetivos de OpenCV es el de proveer una infraestructura de visión

artificial fácil de usar, que ayude a la gente a realizar aplicaciones sofisticadas de
visión de una manera mucho más rápida y fácil Dentro de las funcionalidades
principales de OpenCV están:

✓ Procesamiento, lectura y creación de imágenes y video.

✓ Detección de objetos y Características.
✓ Visión artificial estéreo o basada en Geometría Monocular.
✓ Fotografía.
✓ Aprendizaje profundo (redes neuronales) y clustering.
✓ Aceleración por GPU.

Redes convolucionales: es un tipo de red neuronal artificial donde las neuronas artificiales,
corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza
visual primaria de un cerebro biológico

Marco legal
Dando lugar a la Resolución 223 de 2021 [Ministerio de Salud y Protección Social].
Por medio de la cual se modifica la Resolución 666 de 2020 en el sentido de
sustituir su anexo técnico. Con el objetivo de orientar en las medidas generales
de bioseguridad en el marco de la pandemia por el nuevo coronavirus COVID-
19, para adaptar en los diferentes sectores diferentes al sector salud con el fin de
disminuir el riesgo de transmisión del virus de humano a humano durante el
desarrollo de todas sus actividades. 25 de febrero de 2021.

Con el objetivo de brindar un monitoreo constante para la verificación del uso de los
elementos de bioseguridad requeridos para el personal médico y particulares dentro
de clínicas y hospitales, mediante la aplicación de herramientas e inteligencia
artificial, diseñaremos un Control de bioseguridad para el acceso a zonas restringida
y de alto riesgo biológico, tales como: Unidad de cuidados intensivo UCI,
Laboratorios, Salas de Diálisis etc. El cual generará practicidad y facilidad al
momento de detectar alguna persona dándole mal uso a los elementos de
bioseguridad personal.

Estado del arte

Los aspectos claves y tomados como referencia en este punto es la utilización del
deep learning como en el trabajo y las librerías que nos facilitarán el reconocimiento
del material de bioseguridad en las UCI de clínicas y hospitales. Dentro de los temas
abordados en una de las soluciones el sistema lograba detectar el uso de la
mascarilla con una precisión del 63%, dejando la marca en una base de datos para
su posterior intervención por quien administre la base de datos. (Oliveira, Pereira,
Donadon, 2021)

El uso de la red neuronal Pynq-YOLO-Net, es de gran utilidad ya que puede

ejecutarse en dispositivos de bajo rendimiento, al implementar esta red, se aplican
técnicas de compresión del modelo el cual reduce la complejidad del cálculo,
implementado tanto en hardware como en software, alcanzó un rendimiento óptimo
y eficiente al momento de detectar la mascarilla en espacios públicos. (Said, 2020)

al utilizar modelos FMY3 y el FMNMobile, se logró una gran precisión al momento

de detectar mascarillas en los rostros, siendo FMNMobile la de mayor porcentaje
con un 98 con respecto a FMY3 el cual obtuvo un 91% en la precisión, habiéndose
probado en una multitud de personas a través de procesamiento de video en tiempo
real.(Addagarla, 2020)

Teniendo en cuenta que antes de la pandemia mundial ocasionada por el covid-19,

no existía una ley general que abarcara el uso obligatorio del tapabocas, a partir de
este suceso, y a los grandes avances tecnológicos en cuanto a inteligencia artificial
se refiere, empiezan a originar diversos prototipos de inteligencia artificial para el
reconocimiento de mascarillas en sitios públicos aplicando redes neuronales
artificiales, a través del deep learning, todo esto con el fin de generar un mayor
control en estas zonas.
6. Metodología

Para el presente proyecto se utilizará la metodología para la revisión bibliográfica y

la gestión de información de temas científicos, a través de su estructuración y
sistematización.

La metodología propuesta para la revisión bibliográfica puede ser aplicada a

cualquier tema de investigación para determinar la relevancia e importancia del
mismo y asegurar la originalidad de una investigación. Además, permite que otros
investigadores consulten las fuentes bibliográficas citadas, pudiendo entender y
quizá continuar el trabajo realizado. La metodología propuesta se compone de tres
fases:

1. Búsqueda de la información: Este proceso se realizará en fuentes como

libros, revistas de divulgación o de investigación científica, actas de
congresos, reportes técnicos, normas, tesis, sitios web y demás información
necesaria.

2. Organización de la información: Esta fase es de gran importancia en todo

proyecto de investigación, consiste en organizar de manera sistemática la
documentación encontrada. Se puede realizar tanto de manera básica o
 detallada, en este caso, lo haremos por relevancia, distinguiendo los
principales documentos de los secundarios.

3. Análisis de la información: La tercera fase es analizar la información ya

organizada, indagando sobre cuáles son los documentos más útiles para la
temática en estudio. Teniendo en cuenta que esta fase es la tarea que toma
más tiempo en la investigación bibliográfica, se realizará en paralelo con la
primera fase, ya que es un proceso donde se verifican constantemente las
ideas planteadas en la formulación del problema.

4. Diseño del prototipo: En esta fase se decidió trabajar con el modelo de

arquitectura 4 + 1 y el diseño de una arquitectura de redes neuronales.

Conclusiones
En este documento se definieron los marcos teóricos, tecnológicos y
metodológicos que reglamentan el acceso a las zonas restringidas y de alto
riesgo en el sector de la salud mediante Deep learning.

Se identificó el estado actual del proceso de control de bioseguridad en las

zonas restringidas y de alto riesgo biológico en el sector de la salud.

Se caracterizó el estado actual del Deep learning y el procesamiento de

imágenes en movimiento aplicado al control de acceso.

Se detalló la tecnología de IA que se va a utilizar en el diseño del sistema de

control de bioseguridad basado en Deep learning y el procesamiento de
imágenes en movimiento. Esta tecnología incluye la arquitectura,
framework, algoritmos de redes neuronales, bibliotecas, etc.
 Se definió el diseño del sistema de control de bioseguridad basado en Deep
learning y el procesamiento de imágenes en movimiento.

Se realizó el diseño para ser aplicado al control de acceso a zonas

restringidas y de alto riesgo biológico en el sector de la salud.

7. Referencias bibliográficas

● Tomalá Guaranda Andrés Darío propuesta, “implementación de software

para la detección de rostros sin mascarillas mediante el entrenamiento de un
modelo de inteligencia artificial y visión por computadora en los laboratorios
de informática” trabajo de titulación, Universidad Estatal Península de Santa
Elena Facultad de Sistemas y Telecomunicaciones.
https://doi.org/10.1590/SciELOPreprints.1551
● Alexandre Pereira Junior, Thiago Pedro Donadon Homem y Fabio Oliveira
Teixeira. (2020). Aplicación de inteligencia artificial para monitorear. el uso de
mascarillas de protección. Revista Científica General José María Córdova.
http://www.scielo.org.co/pdf/recig/v19n33/2500-7645-recig-19-33-205.pdf
● Cristián Gómez. Re: Resumen del Modelo 4+1 de Kruchten. Duoc UC,
https://www.studocu.com/cl/document/duoc-uc/arquitectura-de-software/
resumen-del-modelo-41-de-kruchten/8518343
● A. S. Joshi, S. S. Joshi, G. Kanahasabai, R. Kapil and S. Gupta. (2020).
"Deep Learning Framework to Detect Face Masks from Video Footage," 2020
12th International Conference on Computational Intelligence and
 Communication Networks (CICN).
https://ieeexplore.ieee.org/abstract/document/9242625
● S. K. Addagarla. (2020). “Real Time Multi-Scale Facial Mask Detection and
Classification Using Deep Transfer Learning Techniques,” International
Journal of Advanced Trends in Computer Science and Engineering, vol. 9.
https://www.researchgate.net/publication/344252628_Real_Time_Multi-
Scale_Facial_Mask_Detection_and_Classification_Using_Deep_Transfer_Le
arning_Techniques
● Farady, C.-Y. Lin, A. Rojanasarit, K. Prompol, and F. Akhyar.(2020). “Mask
Classification and Head Temperature Detection Combined with Deep
Learning Networks,” 2020 2nd International Conference on Broadband
Communications, Wireless Sensors and Powering (BCWSP).
https://ieeexplore.ieee.org/abstract/document/9249454
● Y. Said .(2020). “Pynq-YOLO-Net: An Embedded Quantized Convolutional
Neural Network for Face Mask Detection in COVID-19 Pandemic Era,”
International Journal of Advanced Computer Science and Applications, vol.
11, no. 9. https://thesai.org/Downloads/Volume11No9/Paper_12-
Pynq_YOLO_Net_An_Embedded_Quantized.pdf
● Lasse Rouhiainen (2018), “Inteligencia artificial 101 cosas que debes saber
hoy sobre nuestro futuro”
https://static0planetadelibroscom.cdnstatics.com/libros_contenido_extra/
40/39308_Inteligencia_artificial.pdf
● Corvalán, J.G. (2019). El impacto de la inteligencia artificial en el trabajo.
Revista de Direito Econômico e Socioambiental, Curitiba, v. 10, n. 1, p. 35-51.
https://periodicos.pucpr.br/direitoeconomico/article/view/25870/23732
● Guirado, E., Martínez-Valderrama, J. 2021. Potencial de la inteligencia
artificial para avanzar en el estudio de la desertificación. Ecosistemas 30(3):
2250. https://doi.org/10.7818/ECOS.2250
● Molina Cabello M. A. T. (2018) Segmentación y detección de objetos en
imágenes y vídeo mediante inteligencia computacional [Tesis de Doctorado,
Universidad de Málaga]. http://orcid.org/0000-0002-8929-6017
● Cárdenas Talavera R. J. T. (2018) Modelo para la detección de rostros en
secuencias de vídeo con baja calidad [Tesis de Maestría, Universidad
 Nacional de San Agustín de Arequipa].
http://repositorio.unsa.edu.pe/handle/UNSA/6453
● Rangel Ortiz J. C. T. (2017) Scene Understanding for Mobile Robots
exploiting Deep Learning Techniques [Tesis de Doctorado, Universidad de
Alicante]. http://rua.ua.es/dspace/handle/10045/72503