Introducción: La deserción escolar constituye un problema complejo que afecta el desarrollo educativo y social, siendo el resultado de múltiples factores interrelacionados. En este contexto, el uso de técnicas analíticas avanzadas permite mejorar su comprensión y predicción temprana. Objetivo: Analizar la eficacia del análisis estadístico multivariado y de los modelos de machine learning en la detección temprana del riesgo de deserción escolar. Métodos: Se desarrolló un estudio cuantitativo de tipo predictivo, utilizando una base de datos de estudiantes que incluyó variables académicas, conductuales y sociodemográficas. Se aplicó regresión logística para el análisis estadístico multivariado y modelos de machine learning (árbol de decisión, Random Forest y SVM). El desempeño de los modelos fue evaluado mediante métricas de clasificación y curva ROC. Resultados: El rendimiento académico y la asistencia se identificaron como los principales predictores del riesgo de deserción. El modelo Random Forest presentó el mejor desempeño, con mayor exactitud y capacidad discriminativa (AUC = 0.91), superando a los demás modelos evaluados. Discusión: Los resultados confirman la relevancia de los factores académicos en la deserción escolar y evidencian la superioridad de los modelos de ensamble en la predicción de fenómenos complejos. Asimismo, se destaca la importancia de integrar enfoques estadísticos y computacionales para mejorar tanto la precisión como la interpretabilidad. Conclusión: La combinación de análisis estadístico multivariado y técnicas de machine learning constituye una estrategia eficaz para la detección temprana del riesgo de deserción escolar.
Introducción: La Enfermedad de Alzheimer constituye la principal causa de demencia a nivel global y se caracteriza por un deterioro progresivo de las funciones cognitivas, asociado a alteraciones estructurales y funcionales del sistema nervioso central. La identificación de biomarcadores confiables y accesibles resulta fundamental para mejorar el diagnóstico temprano.. Objetivo: Analizar la sensibilidad y especificidad de los biomarcadores topográficos derivados de la electroencefalografía en la clasificación de pacientes con enfermedad de Alzheimer frente a sujetos sanos. Metodología: Se realizó una revisión sistemática de la literatura científica, basada en los lineamientos de Preferred Reporting Items for Systematic Reviews and Meta-Analyses, mediante la consulta de bases de datos internacionales como PubMed, Scopus y Web of Science. Se incluyeron estudios publicados entre 2010 y 2025 que evaluaran biomarcadores topográficos de la electroencefalografía y reportaran métricas de sensibilidad y especificidad. Resultados: Los estudios analizados evidenciaron valores de sensibilidad y especificidad comprendidos entre 70% y 92%, indicando un adecuado rendimiento diagnóstico. Se identificaron patrones consistentes caracterizados por el incremento de la actividad en bandas de baja frecuencia y la disminución de las bandas de mayor frecuencia en pacientes con enfermedad de Alzheimer. Conclusiones: Los biomarcadores topográficos derivados de la electroencefalografía presentan un alto potencial como herramienta complementaria en el diagnóstico de la enfermedad de Alzheimer.
Introducción: La quinua peruana es uno de los productos agrícolas de mayor proyección en los mercados internacionales, pero enfrenta desafíos críticos de trazabilidad, certificación y transparencia que limitan su competitividad. La tecnología blockchain ofrece una plataforma descentralizada e inmutable para registrar cada etapa de la cadena de exportación. Objetivo: Analizar la evidencia científica sobre la aplicación de tecnología blockchain para mejorar la trazabilidad y transparencia en la exportación de quinua peruana hacia mercados internacionales. Métodos: Se realizó una revisión sistemática de la literatura en Scopus, Web of Science, IEEE Xplore, SciELO y Google Scholar, incluyendo 22 artículos publicados entre 2016 y 2026 que cumplieron los criterios de inclusión establecidos. Resultados: El blockchain demostró mejoras significativas en trazabilidad (87%), reducción del fraude (82%) y confianza del consumidor (91%) en cadenas agroalimentarias similares. Los modelos más efectivos integran contratos inteligentes con sistemas IoT para el monitoreo en tiempo real. Discusión: A pesar del potencial documentado, la implementación de blockchain en la cadena quinuera peruana requiere una revisión crítica de sus condiciones reales de adopción. Las asimetrías tecnológicas entre actores de la cadena y la ausencia de marcos regulatorios específicos constituyen los obstáculos más relevantes. Conclusión: El blockchain puede mejorar la competitividad de la quinua peruana en mercados exigentes, pero requiere colaboración entre productores, exportadores y el Estado, además de inversión en infraestructura digital rural.
Introducción: La industria agroexportadora enfrenta presiones crecientes para mejorar su eficiencia operativa, reducir mermas y responder con agilidad a las exigencias de los mercados internacionales. En este escenario, los algoritmos de segmentación inteligente han emergido como herramientas de alto valor para identificar patrones ocultos en los datos de producción, clasificar lotes con precisión y optimizar cada etapa de la cadena productiva. Objetivo: Analizar la evidencia científica disponible sobre la aplicación de algoritmos de segmentación inteligente en la optimización de procesos industriales en cadenas productivas agroexportadoras, identificando los algoritmos de mayor rendimiento, las etapas de mayor impacto y las condiciones para una implementación efectiva. Métodos: Se realizó una revisión sistemática en Scopus, Web of Science, IEEE Xplore, SciELO y Google Scholar, incluyendo 22 artículos publicados entre 2016 y 2026 que cumplieron los criterios de inclusión definidos mediante el protocolo PRISMA 2020. Resultados: K-Means adaptativo y DBSCAN con integración IoT mostraron el mayor impacto en eficiencia operativa (+38% y +34% respectivamente) y reducción de desperdicio (-31% y -28%). La segmentación inteligente demostró mejoras transversales en trazabilidad, calidad de selección, tiempo de proceso y satisfacción del cliente respecto a los procesos sin segmentación. Conclusión: Los algoritmos de segmentación inteligente fortalecen la competitividad agroexportadora, pero su éxito depende de invertir en datos, capacitación técnica y una adecuada integración entre tecnología y estrategia productiva.