Red neuronal recurrente
Sinónimos: RNN · Recurrent neural network · Redes neuronales recurrentes
Definición ampliada
Una red neuronal recurrente, o RNN, procesa los datos como una secuencia y conserva un estado interno que se actualiza en cada paso. A diferencia de una red que trata cada entrada por separado, la salida depende también de lo visto antes, lo que permite modelar orden y dependencias temporales.
Ese estado es una memoria acotada, no un registro completo de la secuencia. Su capacidad de arrastrar información a lo largo del tiempo es limitada, y ahí está tanto su utilidad como su debilidad principal [1].
Contexto histórico
Las RNN se formularon en los años ochenta para tratar datos secuenciales. Pronto se comprobó que aprender dependencias largas con descenso de gradiente es intrínsecamente difícil [2], lo que motivó arquitecturas con compuertas como LSTM y GRU, capaces de conservar información durante más pasos [1].
Importancia actual
A fecha de septiembre de 2026, los transformer han desplazado a las RNN en la mayoría de tareas de lenguaje, porque procesan la secuencia en paralelo y capturan mejor las relaciones a distancia. Las RNN y sus variantes siguen siendo razonables en series temporales, señales continuas y contextos con pocos datos o poco cómputo, donde una arquitectura más pequeña basta.
Aplicaciones
Generales
- Modelar series temporales y previsión.
- Procesar señales continuas y audio.
- Etiquetar secuencias cuando el orden importa.
Sanitarias
- Modelar la evolución de constantes vitales durante un ingreso.
- Analizar señales fisiológicas como el electrocardiograma.
- Aprovechar la secuencia temporal de la historia clínica electrónica, en lugar de tratar cada registro como un caso aislado.
Limitaciones
- El gradiente se desvanece o se desborda en secuencias largas.
- El procesamiento es secuencial, lo que dificulta paralelizar el entrenamiento.
- Los datos clínicos longitudinales llegan con huecos e intervalos irregulares que la arquitectura no resuelve por sí sola.
- Una predicción temporal acertada no identifica la causa del deterioro.
Ejemplos
Un modelo recurrente puede recibir la secuencia de constantes de las últimas horas y estimar el riesgo de deterioro. La cuestión decisiva no es que capte el patrón en su cohorte de desarrollo, sino si lo mantiene en otro centro, con otra frecuencia de registro y otra prevalencia.