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 la atención sanitaria
- Aplicaciones de la IA en el apoyo a las decisiones clínicas y el diagnóstico.
- Visión general de las modalidades de datos sanitarios: estructurados, texto, imágenes, sensores.
- Desafíos exclusivos del desarrollo de IA médica.
Preparación y gestión de datos sanitarios
- Trabajo con historias médicas electrónicas (EMR), resultados de laboratorio y datos HL7/FHIR.
- Preprocesamiento de imágenes médicas (DICOM, TC, RMN, rayos X).
- Manejo de datos de series temporales procedentes de wearables o monitores UCI.
Técnicas de ajuste fino para modelos sanitarios
- Aprendizaje por transferencia y adaptación específica del dominio.
- Ajuste de modelos específicos para la clasificación y la regresión.
- Ajuste fino con recursos limitados mediante datos anotados reducidos.
Predicción de enfermedades y previsión de resultados
- Evaluación de riesgo y sistemas de alerta temprana.
- Análisis predictivo para reingresos y respuesta al tratamiento.
- Integración de modelos multimodales.
Ética, privacidad y consideraciones normativas
- HIPAA, GDPR y manejo de datos del paciente.
- Mitigación de sesgos y auditorías 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.
- Pruebas simuladas frente a canales de prueba en el mundo real.
Implementación y supervisión en entornos sanitarios
- Integración de modelos en los sistemas informáticos hospitalarios.
- CI/CD en entornos médicos regulados.
- Detección de deriva posterior a la implementación y aprendizaje continuo.
Resumen y próximos pasos
Requerimientos
- Comprensión de los principios del aprendizaje automático y el aprendizaje supervisado.
- Experiencia con conjuntos de datos sanitarios, como historias médicas electrónicas (EMR), datos de imágenes o notas clínicas.
- Conocimientos de Python y marcos de aprendizaje automático (p. ej., TensorFlow, PyTorch).
Perfil del participante
- Desarrolladores de IA médica.
- Científicos de datos en el sector sanitario.
- Profesionales que desarrollan modelos de diagnóstico o predicción en atención sanitaria.
14 Horas
