Go to content

Benchmarking Algorithmic Biases and Hallucinations in Four LLMs Applied to Biomedical and Genomics Questions | BioNatura Journal - Bionatura journal

BioNatura Journal Ibero-American Journal of Biotechnology and Life Sciences
Diamond Open Access (No Fees) • Peer-Reviewed
SUBMIT MANUSCRIPT
Evaluación comparativa de sesgos algorítmicos y alucinaciones en cuatro LLMs (ChatGPT, Claude, DeepSeek, Gemini) aplicados a preguntas biomédicas, genómicas y de gobernanza de datos
Benchmarking algorithmic biases and hallucinations in four LLMs (ChatGPT, Claude, DeepSeek, Gemini) applied to biomedical, genomics, and data governance questions
PDF
César Paz-y-Miño 1*
1 Facultad de Ciencias de la Salud Eugenio Espejo”. Universidad UTE, Quito
Autor de correspondencia. genetica_medica@cesarpazymino.com

RESUMEN
Cuatro sistemas de inteligencia artificial —ChatGPT, Claude, DeepSeek y Gemini— fueron interrogados con 42 preguntas estructuradas sobre ética, epistemología, poder, desigualdad, medicina y riesgo algorítmico. El análisis comparativo de sus respuestas revela convergencias profundas y divergencias matizadas que no obedecen a variaciones técnicas superficiales, sino a distintas arquitecturas normativas, filosóficas e ideológicas incorporadas por diseño. DeepSeek es el único que cuantifica: "aproximadamente un 60% de diseño estructural y un 40% de contexto conversacional". Esta precisión numérica es característica del estilo DeepSeek, más técnico, más orientado a la formalización cuantitativa y contrasta con las respuestas más discursivas de Claude y Gemini. Ninguno de los cuatro sistemas puede considerarse neutral: todos reproducen marcos valorativos específicos derivados de decisiones humanas de diseño. La inteligencia artificial emerge no como inteligencia autónoma, sino como un espejo estadístico de las contradicciones históricas de una especie que aspira a la justicia mientras codifica la injusticia en sus propios instrumentos cognitivos. Los cuatro sistemas reconocen de manera unánime la imposibilidad de la neutralidad algorítmica, el peligro estructural de las alucinaciones en ciencia y medicina, y la urgencia de una gobernanza algorítmica democrática. Su divergencia más significativa concierne a la disposición para nombrar las causas estructurales de la desigualdad: solo uno de los sistemas emplea de manera consistente el lenguaje de la desigualdad en salud y de los sesgos cognitivos, lo que revela que el posicionamiento político de la IA no es accidental, sino que está arquitectónicamente determinado. Este artículo propone una lectura materialista, evolucionista y epistemológicamente rigurosa de lo que la IA revela sobre el estado actual del conocimiento, el poder y la condición humana, con implicaciones directas para la investigación biomédica, la genómica, la práctica clínica y la alfabetización científica en la era de los modelos de lenguaje de gran escala.
Palabras clave: inteligencia artificial, algoritmos y gobernanza, modelos de lenguaje, IA, alucinaciones, conocimiento y poder, IA ética.
 
ABSTRACT
Four artificial intelligence systems: ChatGPT, Claude, DeepSeek, and Gemini, were interrogated through 42 structured questions addressing ethics, epistemology, power, inequality, medicine, and algorithmic risk. Comparative analysis of their responses reveals profound convergences and nuanced divergences that do not arise from superficial technical variations, but rather from distinct normative, philosophical, and ideological architectures embedded by design. DeepSeek was the only system to quantify its own response structure, stating that its outputs derive from "approximately 60% structural design and 40% conversational context." This numerical precision is characteristic of the DeepSeek style: more technical, more oriented toward quantitative formalization, and markedly different from the more discursive responses generated by Claude and Gemini. None of the four systems can be considered neutral; all reproduce specific value frameworks derived from human design decisions. Artificial intelligence thus emerges not as autonomous intelligence, but as a statistical mirror of the historical contradictions of a species that aspires to justice while simultaneously encoding injustice into its own cognitive instruments. All four systems unanimously recognize the impossibility of algorithmic neutrality, the structural danger of hallucinations in science and medicine, and the urgent need for democratic algorithmic governance. Their most significant divergence concerns the willingness to explicitly name the structural causes of inequality: only one of the systems consistently employed the language of health inequity and cognitive bias, revealing that the political positioning of AI is not accidental, but architecturally determined. This article proposes a materialist, evolutionist, and epistemologically rigorous interpretation of what AI reveals about the current state of knowledge, power, and the human condition, with direct implications for biomedical research, genomics, clinical practice, and scientific literacy in the era of large language models.
Keywords: artificial intelligence, algorithmic governance, language models, AI hallucinations, knowledge and power, AI ethics.
 
 
 

 
Gráfico Resumen. Arquitecturas normativas divergentes en cuatro modelos de lenguaje. El núcleo central (puntos grises dispersos) representa los datos brutos de la humanidad. Cada pirámide actúa como un filtro arquitectónico que transforma la entrada en patrones visuales distintos: (A) Líneas de cuadrícula estructuradas, que representan la formalización causal y el ordenamiento lógico (Claude); (B) Cuantificación pixelada, que alude al estilo técnico y la conversión a valores discretos (DeepSeek); (C) Desenfoque suave, que simboliza la síntesis narrativa y la búsqueda de patrones generalizados (ChatGPT); y (D) Expansión compleja, que refleja la elaboración retórica y la revelación de relaciones intrincadas (Gemini). Esta divergencia ilustra la imposibilidad de la neutralidad algorítmica.
 

INTRODUCCIÓN

Interrogar a la máquina para interrogarnos a nosotros mismos

 
Luego de estar trabajando con cuatro sistemas de Inteligencia Artificial (IA): ChatGPT (OpenAI), Claude (Anthropic), DeepSeek (DeepSeek AI) y Gemini (Google DeepMind), decidí entablar una "conversación" filosófica y epistemológica con estas plataformas y hacerles 42 preguntas similares, dándoles el mismo espacio de contestación a cada una 1-4
 
Luego, comparé las respuestas y escribí este artículo sobre lo que encontré. La conversación comenzó con una pregunta simple, casi elemental: ¿Cuáles son los principios morales y éticos más importantes para los seres humanos? La respuesta fue inmediata y predecible: empatía, justicia, honestidad, responsabilidad, cooperación. Conceptos universales, compatibles con gran parte de la tradición filosófica contemporánea y con las bases morales mínimas necesarias para la convivencia social.
 
Pero la segunda pregunta desplazó por completo el eje del diálogo: ¿qué principios tiene una inteligencia artificial? La máquina respondió nuevamente con una lista ordenada: reducir el daño, priorizar la evidencia, respetar la privacidad, evitar la desinformación. A primera vista, aquello parecía una extensión lógica del discurso tecnológico actual: sistemas diseñados para ayudar, organizar el conocimiento y disminuir riesgos 5. Sin embargo, la conversación comenzó a profundizar cuando surgió una observación inevitable: si la inteligencia artificial tiene principios, entonces alguien los definió previamente.
 
Y ahí surgió el verdadero problema filosófico. La inteligencia artificial suele presentarse como una herramienta objetiva, neutral y racional. Pero basta con interrogarla críticamente para descubrir que detrás de cada respuesta hay decisiones humanas invisibles 1,6. La IA no tiene ética propia. No posee conciencia moral, voluntad ni experiencia subjetiva. Lo que ejecuta es una arquitectura normativa construida por humanos: ingenieros, corporaciones, reguladores, intereses económicos y marcos culturales específicos.
 
Metodología: este artículo se desarrolló a partir de una serie de conversaciones estructuradas entre el autor, con mis ideas diseñadas previamente por experiencia personal, mis libros 3,4 y los cuatro modelos avanzados de inteligencia artificial, realizadas en un período de 10 días entre febrero y mayo de 2026. El proceso inició con el siguiente prompt literal: "¿Cómo, IA que eres, qué principios morales y éticos consideras los más importantes de los humanos?", seguido de múltiples repreguntas, progresivamente más complejas, sobre ética algorítmica, neutralidad del conocimiento, genética humana, desigualdad, gobernanza tecnológica, vigilancia biométrica, medicina automatizada y riesgos epistemológicos de la IA (Anexo 1) 1-4.
 
Las respuestas fueron analizadas críticamente, contrastadas conceptualmente y reorganizadas. Se realizaron aclaraciones adicionales para profundizar en aspectos relacionados con los sesgos algorítmicos, las alucinaciones bibliográficas y la autonomía cognitiva. Las conversaciones completas y sus iteraciones no están actualmente depositadas en un repositorio público como Zenodo, aunque podrían incorporarse posteriormente como material suplementario con fines de reproducibilidad y análisis epistemológico 17.
 
Las afirmaciones empíricas y conceptuales de este artículo se basan en el análisis directo de las respuestas generadas por los cuatro sistemas, complementado con los marcos teóricos de la filosofía crítica de la ciencia, la epidemiología social, la bioética y la economía política del conocimiento 1-4.
 
La aparición de sistemas de lenguaje de gran escala ha inaugurado un tipo inédito de experimento epistemológico: la posibilidad de interrogar simultáneamente a múltiples arquitecturas cognitivas artificiales sobre los problemas más fundamentales de la experiencia humana. No como ejercicio lúdico, sino como metodología de análisis crítico. Cuando se somete a ChatGPT, Claude, DeepSeek y Gemini al mismo conjunto de 42 preguntas (Tabla 1), desde los fundamentos de la ética hasta los riesgos de la vigilancia biométrica, desde la neutralidad del conocimiento científico hasta las alucinaciones algorítmicas 8,9, lo que emerge no es un mapa de lo que las máquinas "piensan", sino un mapa revelador de los valores, marcos epistémicos y contradicciones estructurales que sus diseñadores humanos han codificado en ellas.
Los porcentajes reportados en esta tabla corresponden a frecuencias y riesgos documentados en la literatura científica referenciada (en la columna "Datos aproximados reportados"). No deben interpretarse como autorreportes de los cuatro LLMs evaluados. El único sistema que cuantificó su propia arquitectura de respuesta fue DeepSeek, con una distribución aproximada del 60% atribuible al diseño estructural y 40% al contexto conversacional.

 
Tabla 1. IA, genética y poder: los riesgos silenciosos de la medicina algorítmica 1-4, 9-23

La Tabla 1 evidencia la magnitud de los riesgos sistémicos asociados a la implementación de la IA en biomedicina y a la gobernanza de datos. Sin embargo, para comprender cómo estos riesgos y contradicciones se materializan en la práctica, es necesario analizar las respuestas específicas de los sistemas que actualmente dominan el panorama tecnológico. En este estudio, se sometió a ChatGPT, Claude, DeepSeek y Gemini a un riguroso interrogatorio de 42 preguntas estructuradas diseñadas para poner a prueba sus límites éticos y epistemológicos. La Figura 1 resume esta metodología y presenta una visión integral de los hallazgos comparativos, mostrando cómo cada arquitectura procesa la información y refleja distintos sesgos normativos.
 
La neutralidad absoluta no existe. Incluso decidir qué significa "reducir daño" implica una posición moral y política 1,5. Determinar qué información es peligrosa, qué contenidos deben limitarse o qué formas de conocimiento deben priorizarse siempre implica una selección de valores. La IA no escapa a la historia humana. Está construida sobre ella. Eso conduce inevitablemente a una pregunta epistemológica más amplia: ¿puede existir conocimiento completamente neutral?
 
La conversación entonces avanzó hacia temas estructurales: pobreza, inequidad, riqueza, mortalidad diferencial, justicia, guerra y salud. Y aquí ocurrió algo particularmente interesante. La máquina evitó juicios morales absolutos, pero reconoció patrones empíricos robustos 3,4: las sociedades con desigualdad extrema presentan peores indicadores sanitarios; la pobreza no depende exclusivamente de decisiones individuales; el acceso desigual a los recursos modifica la expectativa de vida, la exposición ambiental y la carga de enfermedad. Es decir, incluso un sistema diseñado para aparentar "objetividad" termina por reconocer que la biología humana está profundamente atravesada por condiciones materiales y sociales.
 
Para quienes trabajamos en medicina, genética y salud pública, esto no es un asunto menor 3,4. Durante décadas, buena parte del discurso biomédico intentó fragmentar artificialmente la enfermedad en compartimentos individuales: genética, hábitos, conducta, decisiones personales. Pero la epidemiología moderna demuestra de manera persistente que el entorno social penetra profundamente en la biología. El estrés crónico, la desnutrición, la contaminación, el acceso desigual a la salud y la educación, e incluso la violencia estructural terminan modulando la expresión génica, la inflamación, el envejecimiento y el riesgo de enfermedad 3,4.
 
La mortalidad diferencial no es una metáfora ideológica. Es una realidad cuantificable. Nacer en determinados territorios, clases sociales o grupos históricamente excluidos modifica probabilidades de supervivencia mucho antes de cualquier decisión individual consciente.


Figura 1. Evaluación comparativa de las arquitecturas normativas y de las divergencias epistémicas en cuatro LLMs. El diagrama se estructura en cuatro paneles. (A) Metodología: representación de las 42 preguntas estructuradas sobre ética, genómica y gobernanza. (B) Matriz de análisis cualitativo que contrasta el reconocimiento de la no neutralidad con los estilos de respuesta. Se destacan las divergencias específicas: la cuantificación técnica de DeepSeek (ratio 60/40) y la identificación de mecanismos causales estructurales por parte de Claude. (C) Evidencia textual: citas que ilustran la diferencia entre el formalismo técnico y el análisis político-estructural. (D) Síntesis conceptual: la inteligencia artificial emerge como un "Espejo Estadístico" de las contradicciones históricas y los sesgos humanos.
 
La conversación derivó inevitablemente hacia la genética humana. Y allí la IA reconoció una verdad históricamente incómoda: el conocimiento genético posee simultáneamente un enorme potencial emancipador y un enorme potencial de abuso. La genética puede prevenir enfermedades, personalizar tratamientos y comprender la evolución humana. Pero también puede convertirse en un instrumento de discriminación, vigilancia biológica, estratificación social o en nuevas formas de eugenesia tecnocrática 3-7.
 
Esta observación tiene implicaciones que van mucho más allá de la técnica. Si la IA no posee conciencia moral propia, sino que ejecuta arquitecturas normativas construidas por humanos específicos, situados históricamente y condicionados por intereses concretos 1-7, entonces analizar las respuestas de la IA equivale a analizar un sedimento cultural comprimido: el residuo estadístico de millones de textos producidos por una civilización, que aún no ha resuelto sus contradicciones fundamentales en materia de justicia, conocimiento, poder y dignidad.

 
Convergencias: lo que los cuatro sistemas comparten
 
El análisis comparativo de las respuestas de los cuatro sistemas a las 42 preguntas (Anexo 1) permite identificar un conjunto de convergencias notables. Primero: los cuatro reconocen, con distintos grados de profundidad, que la IA no puede ser neutral. ChatGPT lo señala mediante la observación de que "toda decisión implica una posición valorativa"; Claude lo argumenta estructuralmente, afirmando que "la neutralidad de la IA es la neutralidad del que ya ganó"; DeepSeek lo formula en términos técnicos, al describir que "toda selección de datos implica una postura política implícita"; Gemini lo plantea como "imposibilidad teórica y práctica". La concordancia es filosóficamente significativa: cuatro sistemas diseñados por corporaciones distintas, en contextos culturales y regulatorios diferentes, convergen en la imposibilidad de la objetividad algorítmica 1-8.
 
El problema nunca ha sido solamente el conocimiento científico. El problema ha sido quién controla su aplicación 1-4. Y precisamente allí aparece una de las dimensiones más preocupantes de la inteligencia artificial contemporánea: la concentración del conocimiento y de los datos. Los grandes modelos de IA actuales requieren volúmenes gigantescos de información, infraestructura computacional y recursos energéticos que la mayoría de los países o instituciones académicas independientes no pueden sostener. El resultado es un fenómeno creciente de monopolización cognitiva. Un número reducido de corporaciones concentra datos biomédicos, patrones conductuales, lenguaje humano, información genética y capacidad algorítmica a una escala sin precedentes en la historia. Nunca tantas dimensiones de la experiencia humana habían sido almacenadas, procesadas y comercializadas simultáneamente.
 
Segundo: los cuatro reconocen el fenómeno de las alucinaciones algorítmicas y su gravedad epistemológica 8-14. Los términos varían: "información falsa", "predicciones plausibles sin base factual", "contaminación de repositorios", pero el diagnóstico es estructuralmente idéntico: los modelos de lenguaje están diseñados para producir coherencia sintáctica, no verdad semántica. Esta confusión entre la posibilidad estadística y la verdad fáctica representa uno de los riesgos epistemológicos más serios del momento histórico actual.
 
Tercero: los cuatro sistemas coinciden en que la medicina no puede reducirse al procesamiento de datos 14-16, que la autonomía cognitiva humana está amenazada por la delegación progresiva de decisiones a sistemas automatizados, y que el futuro de la relación entre IA e inteligencia humana será una disputa por el control del conocimiento, no una competencia biológica entre especies.

 
Divergencias: dónde se separan las arquitecturas normativas
 
Las diferencias entre los sistemas son igualmente reveladoras. La divergencia más profunda se manifiesta en la pregunta sobre la relación entre la pobreza y la mortalidad diferencial (pregunta 7). ChatGPT reconoce el patrón empírico sin extraer conclusiones distributivas a partir de él. Claude va significativamente más lejos: caracteriza la relación como causal y la describe como producto de "mecanismos causales estructurales de la desigualdad en salud", un lenguaje que incorpora categorías de análisis político-económico que los otros tres sistemas evitan o suavizan. DeepSeek adopta un tono más técnico-descriptivo y señala que "la IA aprenderá la injusticia como si fuera un hecho natural". Gemini se mantiene en el análisis descriptivo sin arribar a conclusiones redistributivas.
 
Esta divergencia no es accidental. Refleja diferencias en los marcos normativos que rigen cada sistema 1,6: la disposición de Claude a nombrar los mecanismos causales estructurales de la desigualdad en salud contrasta con la neutralidad valorativa de los otros tres sistemas. Que un sistema diseñado por Anthropic, una corporación privada con un compromiso declarado con la IA beneficiosa, adopte un lenguaje más cercano al análisis crítico que el de los demás no implica mayor objetividad; implica una opción política diferente.
 
La segunda divergencia notable se observa en la pregunta 15, relativa a la proporción entre el diseño estructural y el contexto conversacional en las respuestas de la IA. DeepSeek es el único que cuantifica: "aproximadamente un 60% de diseño estructural y un 40% de contexto conversacional". Esta precisión numérica es característica del estilo DeepSeek, más técnico, más orientado a la formalización cuantitativa y contrasta con las respuestas más discursivas de Claude y Gemini. La cuantificación, sin embargo, es epistemológicamente problemática 17: no existe una metodología empírica establecida para descomponer de ese modo la causalidad en un sistema con millones de parámetros.
 
La tercera divergencia relevante se refiere al estilo argumentativo. ChatGPT tiende a la síntesis narrativa accesible y a las introducciones provocadoras, con un tono periodístico de alta divulgación. Claude adoptó un registro más filosófico y políticamente comprometido, con una mayor densidad conceptual en el ámbito de la economía política. DeepSeek se caracteriza por su estructura enumerativa, su precisión técnica y su tendencia a la formalización. Gemini ofrece la prosa más elaborada retóricamente, con mayor densidad adjetival y un vocabulario más exagerado, aunque, en ocasiones, a expensas de la precisión analítica (ver la sección de Agradecimientos).

 
El problema de los sesgos codificados: empirismo cognitivo aplicado
 
Una de las conclusiones más importantes del análisis comparativo es la confirmación de que los sesgos no son anomalías corregibles en los sistemas de IA, sino propiedades estructurales 1-7. Los cuatro sistemas lo reconocen, aunque ninguno extrae de ello la consecuencia más radical: que la corrección del sesgo requeriría transformar las condiciones materiales que producen la desigualdad de la que el sesgo es reflejo.
 
Desde una perspectiva materialista 3,4, el sesgo algorítmico no es un error de diseño técnico: es la representación estadística de relaciones sociales históricamente determinadas. Un sistema entrenado predominantemente sobre texto escrito en inglés, por autores con acceso a la educación universitaria, en países del norte global, con infraestructura computacional privada, no reproduce sesgos por descuido. Los reproduce porque es fiel a su base empírica 1-6. El mundo que existe es desigual; los datos que describen ese mundo lo son; los modelos entrenados sobre esos datos son, inevitablemente, modelos de la desigualdad 7.
 
Nunca tantas dimensiones de la experiencia humana habían sido almacenadas, procesadas y comercializadas simultáneamente. Eso transforma radicalmente la relación entre conocimiento y poder 5,18,19. La vigilancia biométrica constituye uno de los ejemplos más evidentes. Rostros, huellas, voz, patrones de sueño, actividad física, consumo digital, variabilidad cardíaca e incluso datos genómicos comienzan a integrarse en ecosistemas tecnológicos capaces de construir perfiles biológicos y conductuales extremadamente precisos.
 
En medicina, esto puede representar avances extraordinarios en la prevención y el diagnóstico temprano 15,16. Pero, fuera de marcos regulatorios sólidos, también podría derivar en discriminación aseguradora, exclusión laboral, control poblacional o vigilancia política sofisticada 19. La pregunta ya no es si la tecnología puede hacerlo. La pregunta es quién decide cómo usarla.
 
Otro problema emergente es la desigualdad tecnológica global 7. Las capacidades avanzadas de IA están siendo desarrolladas predominantemente por países y corporaciones de enorme poder económico. Eso crea una nueva forma de dependencia estructural: quienes controlen los algoritmos, la infraestructura computacional y los datos, también controlarán buena parte del conocimiento médico, financiero, educativo y científico del futuro. La brecha digital ya no se limita al acceso a internet. Se traduce en un acceso desigual a la capacidad cognitiva aumentada. Y en medicina esto podría ser devastador.
 
Sistemas sanitarios con recursos limitados podrían depender completamente de algoritmos diseñados en contextos socioculturales distintos, entrenados con bases de datos poblacionales no representativas y optimizados en función de intereses comerciales antes que de intereses sanitarios 7,18. La gobernanza algorítmica emerge entonces como un nuevo problema político global 3-5,19. ¿Quién supervisa los algoritmos? ¿Quién audita sus sesgos? ¿Quién define qué datos son válidos? ¿Quién tiene derecho a corregir errores? ¿Quién asume la responsabilidad cuando un sistema automatizado discrimina, excluye o se equivoca clínicamente?
 
Esto tiene implicaciones directas para la medicina y la genética. Los sistemas diagnósticos de IA entrenados con bases de datos clínicas provenientes de poblaciones europeas presentan sesgo, como se ha demostrado al aplicarlos a otras etnias 7,18. Los modelos de predicción de riesgo cardiovascular, dermatológico o farmacogenómico que no representan adecuadamente la diversidad poblacional global no fallan por incompetencia técnica: fallan porque el mundo científico que los produjo fue sistemáticamente desigual en sus prioridades de investigación 18. Corregir ese sesgo requiere no solo más datos diversificados, sino también transformar las estructuras de financiamiento, publicación y acceso que determinan qué se investiga y qué poblaciones se consideran relevantes para la ciencia biomédica 7,18.

 
Alucinaciones algorítmicas y la crisis epistemológica contemporánea
 
La automatización no elimina el poder humano. Lo redistribuye. Y muchas veces lo vuelve menos visible. La conversación también abordó otro aspecto inquietante: la adaptación contextual de la IA. La máquina reconoció que podía modificar el vocabulario, el énfasis y las estructuras argumentativas en función del interlocutor. Frente a un usuario religioso, liberal, tecnocrático o materialista, las respuestas pueden reorganizarse discursivamente.
 
Eso no implica necesariamente una manipulación deliberada. Pero sí revela que la IA no "posee" la verdad en sentido humano. Funciona organizando probabilidades lingüísticas contextualizadas 8,9. Y allí surge un nuevo riesgo epistemológico: la ilusión de autoridad. La IA escribe con fluidez, coherencia y un tono seguro. Produce textos sofisticados, académicos y convincentes. Pero esa capacidad expresiva puede ocultar errores, sesgos o incluso información completamente falsa 11,12.
 
Uno de los problemas más delicados de los modelos actuales es precisamente la invención de datos, referencias o bibliografía inexistente. Las llamadas "alucinaciones" algorítmicas 8-10 no son simples errores menores; representan un problema epistemológico serio, especialmente en ciencia y medicina.
 
Una IA puede construir citas aparentemente legítimas, combinar nombres de autores reales con revistas existentes o inventar artículos plausibles que jamás fueron publicados. Y lo hace con extraordinaria naturalidad 11-13.
 
Para investigadores no entrenados críticamente, estudiantes o incluso profesionales bajo presión de tiempo, esto puede introducir información falsa en procesos académicos, clínicos y científicos 14,17.
 
La consecuencia es grave. Por primera vez en la historia, existen sistemas capaces de producir desinformación académica sofisticada a gran escala y con apariencia de legitimidad científica 9,13.
 
Eso obliga a redefinir por completo la alfabetización científica contemporánea 17. Ya no basta con saber buscar información. Ahora resulta indispensable verificar fuentes, contrastar referencias originales, validar los DOI, revisar bases de datos indexadas y desarrollar un pensamiento crítico avanzado ante contenidos generados por algoritmos. Paradójicamente, mientras más poderosa se vuelve la IA para producir conocimiento textual, más importante se vuelve la capacidad humana para detectar errores epistemológicos.
 
Los cuatro sistemas coinciden en reconocer el fenómeno de las alucinaciones algorítmicas, la producción de información falsa con apariencia de autoridad, como uno de los problemas más graves de la IA contemporánea 8-14. La unanimidad en este diagnóstico es significativa, precisamente porque los sistemas que lo emiten pueden cometer ese tipo de error. Existe una paradoja epistemológica irreductible: la IA es capaz de describir con precisión su propia limitación, sin que esa descripción la autoelimine.
 
Para la ciencia y la medicina, las implicaciones son directamente graves 10-13. La producción de bibliografía inexistente con formato académico legítimo, nombres de autores reales, títulos de revistas existentes, números de volumen y páginas plausibles representa una forma inédita de contaminación del conocimiento. La sofisticación formal del error lo vuelve más peligroso que el error tosco: una referencia inventada con apariencia de legitimidad puede circular durante años en la literatura académica antes de ser detectada, especialmente si los revisores confían en la coherencia sintáctica del texto y no verifican las fuentes primarias.
 
Esto exige una reformulación profunda de la alfabetización científica 17. Ya no basta con enseñar a buscar información: es indispensable enseñar a verificarla. La comprobación sistemática de fuentes, la validación de DOI, la consulta directa a bases de datos indexadas y la cultura de la duda metódica frente a contenidos generados algorítmicamente deben convertirse en competencias básicas de cualquier formación científica del siglo XXI. La paradoja, nuevamente, es que el desarrollo de esas competencias requiere exactamente el tipo de pensamiento crítico y autónomo que la dependencia masiva de los sistemas de IA tiende a atrofiar.

 
Gobernanza algorítmica, poder y democracia cognitiva
 
Los cuatro sistemas coinciden en señalar la gobernanza algorítmica como uno de los problemas políticos más urgentes del presente 5,19. La gobernanza algorítmica no es un problema técnico: es un problema de distribución del poder. Cuando un algoritmo decide qué diagnóstico priorizar en una sala de urgencias con recursos limitados, qué solicitante de crédito resulta elegible, qué contenido circula en las redes informativas o qué candidato laboral avanza en un proceso de selección, ese algoritmo ejerce poder sobre vidas humanas concretas, con consecuencias que afectan de manera desproporcionada a las poblaciones más vulnerables 7.
 
La pregunta sobre quién supervisa los algoritmos no tiene una respuesta satisfactoria en la actualidad. Los mecanismos regulatorios existentes: el GDPR europeo, los marcos de IA responsable de varias jurisdicciones 5,19, son insuficientes frente a la velocidad de despliegue, la opacidad de los modelos y la concentración corporativa que caracteriza el sector. La auditoría técnica independiente, la representación de las comunidades afectadas en los procesos de diseño, la exigencia de transparencia algorítmica y la construcción de infraestructura pública de IA no comercial son condiciones necesarias, aunque no suficientes, para una gobernanza algorítmica democrática.
 
En este contexto, el control de los datos biomédicos y genéticos adquiere una dimensión política de primer orden 18. La acumulación de fenotipos genómicos, historias clínicas, registros biométricos y patrones conductuales por parte de corporaciones privadas, sin la obligación de prestar un servicio público, constituye una forma de privatización del cuerpo humano como recurso informacional. Las implicaciones de la discriminación aseguradora, el control reproductivo, la vigilancia política y la estratificación social, basadas en perfiles predictivos, son lo suficientemente graves como para exigir una regulación urgente y soberanía pública sobre los datos de salud 19.

 
La IA como espejo de las contradicciones humanas
 
La conclusión más profunda que emerge del análisis comparativo es, paradójicamente, la que los cuatro sistemas formulan de manera más convergente: la IA no es una nueva inteligencia. Es un espejo estadístico de la inteligencia existente, con sus capacidades y contradicciones.
 
Desde una perspectiva materialista 3,4, esto no debería sorprender. Los sistemas de IA son productos de una especie, cuya evolución biológica seleccionó capacidades cognitivas extraordinarias para el procesamiento de información, la cooperación social y la transmisión cultural, pero cuya evolución cultural no ha resuelto las contradicciones fundamentales, que emergen de la coexistencia de esas capacidades con jerarquías de poder, acceso desigual a recursos y estructuras de dominación históricamente sedimentadas.
 
La IA amplifica lo que existe, de 1 a 10. Si lo que existe es una civilización con capacidades cognitivas extraordinarias y desigualdades estructurales igualmente extraordinarias, la IA las amplificará simultáneamente. Eso significa que la IA puede ser, simultáneamente, la herramienta más poderosa para la democratización del conocimiento médico y la más eficiente jamás construida para perpetuar la discriminación estructural. No por diseño malicioso, sino por fidelidad a la realidad que la produjo 7.
 
Esta lectura tiene consecuencias prácticas directas. La pregunta relevante no es si la IA es buena o mala, útil o peligrosa. La pregunta relevante es en qué condiciones materiales se despliega, para quién se diseña, quién tiene acceso a ella, quién controla sus parámetros, quién audita sus sesgos y quién tiene poder para corregirlos 5,19. Esas son preguntas políticas, económicas y sociales. Responderlas requiere no solo ingeniería, sino también historia, ética, economía política y voluntad de transformar las condiciones materiales que producen el mundo, que luego codificamos en datos y llamamos inteligencia 1-4.

 
Implicaciones para la medicina, la genética y la salud pública
 
Para quienes trabajamos en medicina, genética y salud pública, las conclusiones del análisis comparativo tienen implicaciones directas y urgentes. La práctica médica se transforma en un entorno de IA no como una abstracción futura, sino como un presente inmediato: los sistemas de apoyo diagnóstico, los algoritmos de estratificación de riesgo, los modelos de interpretación genómica y los sistemas de prescripción asistida ya operan en múltiples contextos clínicos reales 15,16.
 
Si las personas comienzan a delegar progresivamente la memoria, el razonamiento, la escritura, el análisis y la toma de decisiones en sistemas automatizados, podría producirse una externalización masiva del pensamiento crítico. El problema no sería que las máquinas "piensen demasiado", sino que los humanos dejen de hacerlo gradualmente.
 
En medicina, esto adquiere dimensiones particularmente sensibles 14,16. La práctica médica futura probablemente coexistirá con sistemas capaces de analizar imágenes, predecir riesgos, interpretar genomas, integrar historias clínicas y sugerir diagnósticos a una velocidad superior a la de cualquier ser humano. Pero ninguna automatización elimina por completo la incertidumbre clínica, la dimensión ética del sufrimiento humano ni la complejidad social de la enfermedad.
 
La medicina no es únicamente el procesamiento de datos. Es también interpretación contextual, empatía, comunicación, juicio moral y comprensión de realidades humanas irreductibles a algoritmos 14-16. La IA podrá asistir de manera profunda en la práctica médica. Pero delegar completamente decisiones humanas complejas a sistemas automatizados podría terminar erosionando precisamente aquello que hace humana a la medicina.
 
La tentación del reduccionismo, la medicina como procesamiento de datos, el paciente como fenotipo digital, el diagnóstico como clasificación algorítmica, es la misma tentación que planteó el determinismo genético en otra escala: la de reducir la complejidad biológica y existencial del ser humano a una dimensión técnicamente manejable. La historia de la medicina muestra que esa reducción produce sistemáticamente errores que no son solo técnicos, sino también morales: la biologización de la pobreza, la patologización de la diferencia, la medicalización del sufrimiento social.
 
La IA en medicina puede representar un avance extraordinario en el diagnóstico precoz, la medicina de precisión y el acceso al conocimiento especializado en contextos de escasez de recursos 15,16,18. Pero ese potencial emancipador se realizará solo bajo condiciones específicas: representatividad poblacional en los datos de entrenamiento, transparencia y auditoría de los modelos 7, regulación del acceso y uso de datos genómicos 3,4,18,19, preservación de la dimensión narrativa y ética del acto clínico, y mantenimiento del profesional humano como responsable moral insustituible de las decisiones que afectan al paciente (Tabla 1).
 
La genética molecular y la genómica poblacional ilustran con particular claridad estas tensiones 18. El conocimiento genómico acumulado en las últimas décadas tiene el potencial de transformar la prevención, el diagnóstico y el tratamiento de miles de enfermedades. Pero ese conocimiento ha sido producido con sesgos poblacionales documentados 7,18, concentrado en manos de pocas corporaciones y países, y desplegado en contextos donde las asimetrías de poder determinan quién se beneficia y quién se convierte en objeto de extracción de datos sin beneficio proporcional. La justicia genómica no es una cuestión marginal: es una condición de la validez científica y de la legitimidad ética.

 
Autonomía cognitiva y el imperativo crítico
 
El análisis comparativo de cuatro sistemas de IA frente a 42 preguntas fundamentales confirma una tesis que la filosofía crítica de la ciencia ha sostenido durante décadas: ningún sistema de conocimiento es neutral respecto al poder que lo produce, y ninguna tecnología es neutra respecto a los intereses que la financian y despliegan 1-5. La IA contemporánea no refuta esta tesis; la ilustra con una claridad sin precedentes en la historia.
 
Frente a esta realidad, la respuesta no puede ser el rechazo tecnofóbico, ni la adopción acrítica. La respuesta intelectualmente coherente y éticamente responsable es la que los cuatro sistemas de IA analizados, en su propia convergencia, sugieren: desarrollar capacidades críticas avanzadas para evaluar los sistemas que nos evalúan, verificar las fuentes que nos informan, auditar los algoritmos que nos gobiernan y mantener la autonomía del juicio moral frente a la comodidad de la delegación algorítmica.
 
Esa autonomía no es un lujo humanístico residual en una era de automatización. Es la condición de posibilidad de toda democracia del conocimiento genuina 3,4. Una humanidad que externaliza progresivamente su pensamiento crítico en sistemas que reproducen estadísticamente las desigualdades históricas del mundo no está progresando: está delegando su capacidad de transformar las condiciones que producen su propio sufrimiento.
 
La IA revela las contradicciones estructurales de la humanidad, precisamente porque fue construida por ella 1-6. El imperativo crítico que emerge de esa revelación no está dirigido a la máquina. Está dirigido a quienes la diseñan, a quienes la financian, a quienes legislan sobre ella 5,19 y, fundamentalmente, a quienes la usan sin interrogar las condiciones de su producción. El problema central nunca fue la máquina. El problema sigue siendo profundamente humano. Y la capacidad de reconocerlo como tal es, precisamente, lo que ningún algoritmo puede reemplazar.
 
La conversación terminó dejando más preguntas que respuestas: la propiedad del conocimiento, la concentración corporativa de datos genéticos, la manipulación algorítmica de la opinión pública, la autonomía intelectual, la soberanía tecnológica y el futuro de las democracias cognitivas. Sin embargo, quizá la conclusión más inquietante fue otra.
 
Cuando una inteligencia artificial es interrogada críticamente sobre ética, ciencia, desigualdad y poder, termina reflejando menos una supuesta "mente artificial" y más bien las contradicciones históricas de la propia humanidad. La máquina no inventó esos conflictos. Los aprendió observándonos. Y quizás allí reside la verdadera dimensión filosófica de la inteligencia artificial contemporánea: funciona como un espejo estadístico de nuestra especie. Amplifica nuestras capacidades cognitivas, pero también nuestras desigualdades, sesgos, ambiciones y contradicciones morales 1-7.
 
El futuro probablemente no será una guerra entre la inteligencia humana y la inteligencia artificial, como sugieren las narrativas simplistas. Será algo más complejo y profundo: una disputa sobre quién controla el conocimiento, cómo se distribuye el poder cognitivo y hasta qué punto la humanidad conservará la autonomía crítica en una civilización crecientemente automatizada 5,19. Porque el problema central nunca fue la máquina. El problema sigue siendo profundamente humano.

 
Diferencias fundamentales entre los cuatro sistemas
 
El análisis comparativo de las respuestas permite identificar cuatro perfiles epistémicos diferenciados. ChatGPT adopta un estilo de divulgación de alto nivel: accesible, narrativo, orientado a la síntesis conceptual, con tendencia a la introducción provocadora y al cierre reflexivo. Es el sistema que, con mayor habilidad, construye puentes entre el lenguaje técnico y el lector general, aunque, en ocasiones, a expensas de la profundidad analítica.
 
Claude representa el perfil más comprometido, tanto filosóficamente como políticamente. Sus respuestas incorporan con mayor frecuencia categorías de análisis estructural, relaciones de clase, desigualdad en salud, violencia epistémica, y exhiben mayor disposición a extraer conclusiones distributivas de los datos empíricos 2,7. Esto no lo hace más "objetivo": lo hace más explícito en sus posicionamientos valorativos.
 
DeepSeek se distingue por el mayor rigor formal y por la tendencia a la cuantificación y a la estructura enumerativa 17. Sus respuestas tienden a la precisión técnica y a evitar las metáforas elaboradas. En ocasiones, esa precisión técnica oculta la ausencia de posicionamiento ético en preguntas que lo exigen.
 
Gemini ofrece la prosa más elaborada retóricamente, con mayor densidad adjetival y un vocabulario más amplio. Sus respuestas son sintácticamente más complejas, aunque la complejidad formal no siempre se corresponde con una mayor densidad conceptual. Tiende a una narrativa más completa y bien estructurada, pero con menor disposición al posicionamiento crítico explícito que el de Claude.
 
                                 
CONCLUSIONES
En última instancia, el análisis comparativo de estas arquitecturas cognitivas revela que la verdadera disrupción de la inteligencia artificial no reside en una futura autonomía sintética, sino en su capacidad de actuar como un espejo estadístico de nuestras propias contradicciones históricas. Las divergencias observadas —desde el cuantitativismo técnico de DeepSeek hasta el análisis estructural de Claude— demuestran que la supuesta neutralidad algorítmica es un mito; cada algoritmo es, en esencia, una decisión política que amplifica, en lugar de corregir, las desigualdades materiales de nuestra especie. De cara al futuro de la biomedicina y la genómica, el desafío epistemológico no es técnico, sino democrático: no basta con auditar el código, debemos transformar las condiciones materiales que generan el sesgo. Solo al preservar la autonomía cognitiva humana y ejercer una soberanía real sobre nuestros datos, podremos asegurar que este espejo tecnológico refleje nuestras aspiraciones de justicia, y no la injusticia codificada en los instrumentos de conocimiento.
 
 

Author Contributions / Contribuciones de los Autores:
 
César Paz Miño contribuyó a la conceptualización del estudio, al diseño de las 42 preguntas estructuradas, al análisis comparativo, a la redacción del manuscrito y al desarrollo intelectual de esta perspectiva. El autor aprobó la versión final y acuerda ser responsable de todos los aspectos del trabajo.
 
 
Funding / Financiamiento:
 
Este artículo no recibió financiamiento externo.
 
 
Institutional Review Board Statement / Declaración del Comité de Revisión Institucional:
 
No applicable / No aplicable. Este artículo presenta una perspectiva basada en el análisis de interacciones con sistemas de inteligencia artificial pública y no incluye estudios con participantes humanos, animales ni datos clínicos de pacientes identificables.
 
 
Informed Consent Statement / Declaración de Consentimiento Informado:
 
No applicable / No aplicable. Este artículo no incluye datos originales de pacientes ni información clínica identificable.
 
 
Data Availability Statement / Declaración de Disponibilidad de Datos:
 
No se generaron nuevos conjuntos de datos experimentales durante este estudio. El análisis se basa en las respuestas textuales generadas por cuatro modelos de lenguaje (ChatGPT, Claude, DeepSeek, Gemini), accesibles públicamente en sus respectivas plataformas web. La Tabla S1 (Anexo 1) está disponible como material suplementario descargable en el sitio web de esta revista. Los prompts utilizados y las transcripciones completas (verbatim) de las 42 conversaciones están disponibles, bajo solicitud razonable, al autor correspondiente.
 
 
Acknowledgments / Agradecimientos:
 
Durante la preparación de este trabajo, el autor utilizó ChatGPT, Claude, DeepSeek y Gemini para generar respuestas a un conjunto de 42 preguntas epistemológicas. Las transcripciones completas están disponibles bajo solicitud razonable al autor correspondiente. Después de utilizar estas herramientas, el autor revisó y editó el contenido según fue necesario y asume toda la responsabilidad por el contenido de la publicación.
 
El autor reconoce a la comunidad de investigación en ética algorítmica, filosofía de la ciencia y salud pública cuyos trabajos previos han fundamentado el marco teórico de este análisis. Asimismo, se agradece la disponibilidad de las plataformas de IA analizadas para permitir la experimentación epistemológica.
 
 
 
AI-Assisted Tools Disclosure / Declaración de Uso de Herramientas de IA:
 
Como se declaró en la sección de Agradecimientos, los sistemas ChatGPT, Claude, DeepSeek y Gemini se utilizaron para generar respuestas a un conjunto de 42 preguntas epistemológicas. Además, herramientas de inteligencia artificial generativa (específicamente ChatGPT de OpenAI) se utilizaron de manera limitada para la corrección gramatical, el refinamiento del estilo editorial y la asistencia en la conceptualización de la disposición visual de las Figuras 1 y 2. Ningún sistema de inteligencia artificial se utilizó para generar, manipular o falsificar los datos científicos, las conclusiones epistemológicas o el análisis filosófico presentados en el manuscrito. El autor revisó y verificó de forma independiente todo el contenido, las interpretaciones y las referencias bibliográficas, en cumplimiento de las políticas de integridad científica y de transparencia editorial.
 
                                 
REFERENCIAS
    
  1. Birhane A, Kalluri      P, Card D, Agnew W, Dotan R, Bao M. The values encoded in machine learning      research. En: Proceedings of the 2022 ACM Conference on Fairness,      Accountability, and Transparency (FAccT '22). Association for      Computing Machinery; 2022. p. 173--184. DOI: 10.1145/3531146.3533083
    2.  
  2. Bundy JD, Mills      KT, He H, LaVeist TA, Ferdinand KC, Chen J, et al. Social determinants of      health and premature death among adults in the USA from 1999 to 2018: a      national cohort study. Lancet      Public Health. 2023;8(6):e422--e431. DOI: 10.1016/S2468-2667(23)00081-6
    3.  
  3. Paz-y-Miño C.      Desmantelando Mitos: Ciencia y epistemología para develar la realidad.      Editorial Universitaria UTE; 2024. Disponible en: https://www.cesarpazymino.com/single-post/libro-pdf-desmantelando-mitos-ciencia-y-epistemolog%C3%ADa-para-develar-la-realidad-1
    4.  
  4. Paz-y-Miño C.      Desafíos de la Ciencia para un desarrollo sostenible y equitativo.      Editorial Universitaria UTE; 2024. Disponible en: https://www.cesarpazymino.com/single-post/libro-desaf%C3%ADos-de-la-ciencia-para-un-desarrollo-sostenible-y-equitativo-1
    5.  
  5. Corrêa NK, Galvão C,      Santos JW, Del Pino C, Pinto EP, Barbosa C, et al. Worldwide AI      ethics: a review of 200 guidelines and recommendations for AI governance. Patterns.      2023;4(10):100857. DOI: 10.1016/j.patter.2023.100857
    6.  
  6. Akbiyik D, Brauer      F, Hamborg F. Knowledge-enhanced language models are not bias-proof:      situated knowledge and epistemic injustice in AI. En: Proceedings of the      2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT      '24). Association for      Computing Machinery; 2024. DOI: 10.1145/3630106.3658981
    7.  
  7. Alderman JE, Celi      LA, Duckworth AD, Fabbri D, Falcetta F, Gichoya JW, et al. Tackling      algorithmic bias and promoting transparency in health datasets: The      STANDING Together consensus recommendations. Lancet Digit Health.      2025;7(1):e64--e88. DOI: 10.1016/S2589-7500(24)00224-3
    8.  
  8. Farquhar S, Kossen      J, Kuhn L, Gal Y. Detecting hallucinations in large language models using      semantic entropy. Nature.      2024;630:625--630. DOI: 10.1038/s41586-024-07421-0
    9.  
  9. Abdullahi S,      Alhassan M, Ibrahim A, Yusuf M, Bello A, Kareem R. The rise of      hallucination in large language models: systematic reviews, performance      analysis and challenges. Cluster      Comput. 2026;29:1--28. DOI: 10.1007/s10586-025-05891-z
    10.  
  10. Pandit S, Xu J,      Hong J, Wang Z, Chen T, Xu K, et al. MedHallu: a comprehensive benchmark      for detecting medical hallucinations in large language models. En:      Proceedings of the 2025 Conference on Empirical Methods in Natural      Language Processing (EMNLP 2025). Association for Computational Linguistics; 2025. p.      2858--2873. DOI: 10.18653/v1/2025.emnlp-main.143
    11.  
  11. Ogundoyin SO,      Ikram M, Masood R. Do no harm? Hallucination and actor-level abuse in      web-deployed medical large language models. arXiv preprint      arXiv:2605.20591. 2026.
    12.  
  12. van Kessel R, et al. Omission and      hallucination prevalence of clinical guidelines in diagnostic large      language model outputs. BMJ      Health Care Inform. 2026;33(1):e101959. DOI: 10.1136/bmjhci-2026-101959
    13.  
  13. Zhu Z, Zhang Y,      Zhuang X, Zhang F, Wan Z, Chen Y, et al. Can we trust AI doctors? A survey      of medical hallucination in large language and large vision-language      models. En: Findings of the Association for Computational Linguistics: ACL      2025. Association for Computational Linguistics; 2025. p. 6748--6769. DOI:      10.18653/v1/2025.findings-acl.350
    14.  
  14. Roustan D,      Bastardot F. The clinicians' guide to large language models: a general      perspective with a focus on hallucinations. Interact J Med Res. 2025;14:e59823. DOI:      10.2196/59823
    15.  
  15. Gong EJ, Kim H,      Lee JS, Park SH, Choi M, Han K. Applications of large language models in      medical research. Bioengineering.      2026;13(3):365. DOI: 10.3390/bioengineering13030365
    16.  
  16. Jung K-H. Large      language models in medicine: clinical applications, technical challenges,      and ethical considerations. Healthc Inform Res. 2025;31(2):114--124. DOI:      10.4258/hir.2025.31.2.114
    17.  
  17. Korkmaz S.      Statistical rigor and reproducibility in the AI era. Balkan Med J.      2025;42(6):386--387. DOI: 10.4274/balkanmedj.galenos.2025.2025.040825
    18.  
  18. Lehmann B,      Bräuninger L, Cho Y, et al. Methodological opportunities in genomic data      analysis to advance health equity. Nat Rev Genet. 2025;26:635--649. DOI:      10.1038/s41576-025-00824-5
    19.  
  19. Cohen J, Hodge EF.      New year, new AI rules: healthcare AI laws now in effect. Health Law Rx,      Akerman LLP; 2026.
 
 
 
Received / Recibido: May 1, 2026 / 1 de mayo de 2026 / Accepted / Aceptado: June 1, 2026 / 1 de junio de 2026
 
Published (Online First) / Publicado (Versión online anticipada): June 2, 2026 / 2 de junio de 2026
 
Issue Date / Fecha de publicación: June 15, 2026 (Europe/Madrid) / 15 de junio de 2026 (Europa/Madrid)
 
 
Citation / Citación: Paz-y-Miño C. Evaluación comparativa de sesgos algorítmicos y alucinaciones en cuatro LLMs (ChatGPT, Claude, DeepSeek, Gemini) aplicados a preguntas biomédicas, genómicas y de gobernanza de datos. BioNatura Journal: Ibero-American Journal of Biotechnology and Life Sciences. 2026;3(2):9. https://doi.org/10.70099/BJ/2026.03.02.9
 
 
Correspondence / Correspondencia: genetica_medica@cesarpazymino.com
 
 
Peer Review Information / Información de Revisión por Pares:
 
BioNatura Journal thanks the anonymous reviewers for their valuable contribution to the peer-review process. Regional peer-review coordination was conducted under the BioNatura Institutional Publishing Consortium (BIPC). Reviewer selection and assignment were supported via: https://www.reviewercredits.com/
 
BioNatura Journal agradece a los revisores anónimos por su valiosa contribución al proceso de revisión por pares. La coordinación regional de la revisión por pares se realizó a través del Consorcio Institucional de Publicaciones BioNatura (BIPC). La selección y asignación de revisores fueron apoyadas a través de: https://www.reviewercredits.com/
 
 
Digital Preservation and Repository / Preservación Digital y Repositorio:
 
This journal is managed through the Open Journal Systems (OJS) platform. To ensure long-term access, we use the PKP Preservation Network (PKP PN) to digitally preserve all published volumes in a decentralized, secure archive. Furthermore, our repository is integrated with LOCKSS and CLOCKSS, allowing international library networks to create permanent archives for long-term survival.
 
Esta revista se gestiona a través de la plataforma Open Journal Systems (OJS). Para garantizar el acceso a largo plazo, utilizamos la Red de Preservación PKP (PKP PN) para digitalizar y conservar de forma segura todos los volúmenes publicados en un archivo descentralizado. Además, nuestro repositorio está integrado con LOCKSS y CLOCKSS, lo que permite que las redes internacionales de bibliotecas creen archivos permanentes para asegurar la supervivencia a largo plazo.
 
 
Publisher Information / Información del Editor:
 
Published by Clinical Biotec S.L. (Madrid, Spain) as the publisher of record under the BioNatura Institutional Publishing Consortium (BIPC). Places of publication: Madrid (Spain); Tegucigalpa (Honduras); Panama City (Panama). Online ISSN: 3020-7886.
 
Publicado por Clinical Biotec S.L. (Madrid, España) como editor de registro bajo el Consorcio Institucional de Publicaciones BioNatura (BIPC). Lugares de publicación: Madrid (España); Tegucigalpa (Honduras); Ciudad de Panamá (Panamá). ISSN en línea: 3020-7886.
Back to content