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 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
