El éxito de los modelos de aprendizaje profundo (DML) en juegos y robótica ha aumentado su prueba en soluciones clínicas y de atención médica pública. Al aplicar DML a problemas de salud, existe un desafío especial de energía eléctrica y recursos informáticos inadecuados en áreas regionales y en desarrollo del mundo. En este documento, evaluamos y reportamos los compromisos de diseño de rendimiento computacional y predictivo para cuatro modelos candidatos de aprendizaje profundo que pueden implementarse para encontrar casos de malaria rápidamente. El objetivo es maximizar la precisión en la detección de malaria mientras se reduce el consumo de recursos informáticos y energéticos. Basándonos en nuestros resultados experimentales utilizando un conjunto de datos de prueba de malaria en frotis sanguíneo, las versiones cuantizadas de la Red Neuronal Convolucional Básica (B-CNN) y MobileNetV2 tienen un mejor rendimiento en la detección de malaria (hasta un 99% de sensibilidad), menor uso de memoria (modelo cuantizado de 2MB de 8 bits) y un tiempo de inferencia más corto (33-95 microsegundos en teléfonos móviles) que los modelos VGG-19 ajustados y cuantizados. Por lo tanto, hemos implementado MobileNetV2 en nuestra aplicación móvil, ya que tiene incluso un requisito de memoria más bajo que B-CNN. Este trabajo ayudará a contrarrestar los efectos negativos de la COVID-19 en los éxitos anteriores hacia la eliminación mundial de la malaria.