Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la IA en el sector salud
- Aplicaciones de la IA en el apoyo a decisiones clínicas y diagnósticos.
- Panorama general de las modalidades de datos médicos: estructurados, texto, imágenes y sensores.
- Desafíos únicos en el desarrollo de IA médica.
Preparación y gestión de datos médicos
- Trabajo con historiales médicos electrónicos (HME), resultados de laboratorio y datos HL7/FHIR.
- Preprocesamiento de imágenes médicas (DICOM, tomografía computarizada [TC], resonancia magnética [RM], rayos X).
- Manejo de datos de series temporales provenientes de dispositivos portátiles o monitores de la UCI.
Técnicas de ajuste fino para modelos de salud
- Aprendizaje por transferencia y adaptación específica al dominio.
- Ajuste de modelos específicos para tareas de clasificación y regresión.
- Ajuste fino con recursos limitados cuando se dispone de pocos datos anotados.
Predicción de enfermedades y anticipación de resultados
- Puntuaciones de riesgo y sistemas de alerta temprana.
- Análisis predictivo para readmisiones y respuesta al tratamiento.
- Integración de modelos multimodales.
Ética, privacidad y consideraciones regulatorias
- HIPAA, GDPR y manejo de datos del paciente.
- Mitigación de sesgos y auditoría de equidad en los modelos.
- Explicabilidad en la toma de decisiones clínicas.
Evaluación y validación de modelos en entornos clínicos
- Métricas de rendimiento (AUC, sensibilidad, especificidad, F1).
- Técnicas de validación para conjuntos de datos desbalanceados y de alto riesgo.
- Comparación entre flujos de trabajo de pruebas simuladas y en el mundo real.
Despliegue y monitoreo en entornos de atención médica
- Integración de modelos en los sistemas informáticos hospitalarios.
- Implementación continua e integración continua (CI/CD) en entornos médicos regulados.
- Detección de deriva posterior al despliegue y aprendizaje continuo.
Resumen y próximos pasos
Requerimientos
- Comprensión de los principios del aprendizaje automático y del aprendizaje supervisado.
- Experiencia con conjuntos de datos médicos, como historiales médicos electrónicos, imágenes o notas clínicas.
- Conocimientos de Python y frameworks de aprendizaje automático (p. ej., TensorFlow, PyTorch).
Público objetivo
- Desarrolladores de IA médica.
- Científicos de datos en el sector salud.
- Profesionales que desarrollan modelos de diagnóstico o predicción en atención médica.
14 Horas
