Get in Touch

Temario del curso

Introducción a la IA en la atención médica

  • Aplicaciones de la IA en el apoyo a la toma de decisiones clínicas y el diagnóstico.
  • Visión general de las modalidades de datos médicos: estructurados, texto, imágenes, sensores.
  • Desafíos únicos en el desarrollo de IA médica.

Preparación y gestión de datos médicos

  • Trabajo con historiales médicos electrónicos (EMR), resultados de laboratorio y datos HL7/FHIR.
  • Preprocesamiento de imágenes médicas (DICOM, tomografía computarizada [CT], resonancia magnética [MRI], radiografías).
  • Manejo de datos de series temporales provenientes de dispositivos portátiles o monitores de UCI.

Técnicas de ajuste fino para modelos de salud

  • Aprendizaje por transferencia y adaptación específica del dominio.
  • Ajuste de modelos específicos para clasificación y regresión.
  • Ajuste fino en recursos limitados con datos anotados escasos.

Predicción de enfermedades y proyección de resultados

  • Puntuación 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.
  • Pruebas simuladas frente a flujos de trabajo en el mundo real.

Implementación y monitoreo en entornos de atención médica

  • Integración del modelo en los sistemas de TI hospitalarios.
  • Integración y entrega continuas (CI/CD) en entornos médicos regulados.
  • Detección de deriva post-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 de atención médica, como historiales médicos electrónicos (EMR), datos de imágenes o notas clínicas.
  • Conocimiento de Python y marcos de aprendizaje automático (por ejemplo, TensorFlow, PyTorch).

Público objetivo

  • Desarrolladores de IA médica.
  • Científicos de datos en el sector salud.
  • Profesionales que construyen modelos de diagnóstico o predictivos para la atención médica.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas