Las Redes Neuronales Informadas por la Física (PINNs) han surgido como un enfoque poderoso para integrar leyes físicas en un marco de aprendizaje profundo, ofreciendo capacidades mejoradas para resolver problemas complejos. A pesar de su potencial, la implementación práctica de PINNs presenta desafíos significativos. Este documento explora la aplicación de PINNs a sistemas de ecuaciones diferenciales ordinarias (ODEs), centrándose en dos desafíos clave: el problema directo de la aproximación de soluciones y el problema inverso de la estimación de parámetros. Presentamos tres estudios de caso detallados que involucran sistemas dinámicos para el crecimiento de tumores, la expresión génica y el modelo SIR (Susceptible, Infected, Recovered) para la propagación de enfermedades. Este documento describe los principios fundamentales de PINNs y su integración con leyes físicas durante el entrenamiento de redes neuronales. Detalla los pasos involucrados en la implementación de PINNs, enfatizando el papel crítico de la arquitectura de la red y la optimización de hiperparámetros para lograr un rendimiento óptimo. Además, proporcionamos un paquete de Python, ODE-PINN, para reproducir resultados para sistemas basados en ODE. Nuestros hallazgos demuestran que PINNs pueden ofrecer soluciones precisas y consistentes, pero su rendimiento es altamente sensible a la arquitectura de la red y a la optimización de hiperparámetros. Estos resultados subrayan la necesidad de configuraciones personalizadas y estrategias de optimización robustas. En general, este estudio confirma el significativo potencial de PINNs para avanzar en la comprensión de sistemas dinámicos en biología y epidemiología.