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.
Duración 14 horas
Temario del curso
Introducción a la IA en la salud
- Aplicaciones de la IA en el apoyo a decisiones clínicas y diagnósticos
- Descripción general de las modalidades de datos de salud: estructurados, texto, imágenes y sensores
- Desafíos únicos en el desarrollo de IA médica
Preparación y gestión de datos de salud
- Trabajo con EMR, resultados de laboratorio y datos HL7/FHIR
- Preprocesamiento de imágenes médicas (DICOM, TC, IRM, rayos X)
- 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 específico de la tarea para clasificación y regresión
- Ajuste fino con recursos limitados utilizando datos anotados escasos
Predicción de enfermedades y pronóstico de resultados
- Puntuación de riesgo y sistemas de alerta temprana
- Analítica predictiva para reingresos y respuesta al tratamiento
- Integración de modelos multimodales
Consideraciones éticas, de privacidad y regulatorias
- HIPAA, GDPR y manejo de datos del paciente
- Mitigación de sesgos y auditorías de equidad en 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 salud
- Integración de modelos en los sistemas de TI hospitalarios
- 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 salud, como EMR, datos de imágenes o notas clínicas
- Conocimiento de Python y marcos de trabajo de ML (por ejemplo, TensorFlow, PyTorch)
Audiencia objetivo
- Desarrolladores de IA médica
- Científicos de datos en el sector salud
- Profesionales que construyen modelos diagnósticos o predictivos para la salud