En un mundo marcado por el aumento de enfermedades infecciosas y la desigualdad en infraestructura sanitaria, este estudio analiza

cómo la inteligencia artificial expandible (IAE) puede optimizar el análisis epidemiológico, especialmente en regiones de bajos

recursos. El objetivo central es analizar cómo la IAE puede mejorar la detección y respuesta ante brotes, respondiendo a preguntas

sobre limitaciones técnicas en modelos actuales y el diseño de soluciones accesibles para contextos con infraestructura digital

precaria. Se identifican vacíos como la falta de integración en sistemas de salud fragmentados y la ausencia de marcos éticos claros.

La metodología es mixta: revisión sistemática de modelos de IA aplicados a enfermedades como malaria, dengue y tuberculosis, y

análisis cualitativo de desafíos y oportunidades en contextos reales, priorizando estudios validados y testimonios de campo. Los

hallazgos muestran que la IAE incrementa la precisión predictiva (hasta un 20% más en malaria y 41% de reducción de casos de

dengue), pero enfrenta barreras como conectividad limitada, sesgos algorítmicos y resistencia institucional. La conclusión central

es que la IAE no reemplaza el conocimiento local, sino que lo amplifica, y que la colaboración transdisciplinaria, la adaptación

contextual y la ética son claves para su éxito en salud pública.