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 decisión clínica y el diagnóstico
- 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 HCE, resultados de laboratorio y datos HL7/FHIR
- Preprocesamiento de imágenes médicas (DICOM, tomografía computarizada, resonancia magnética, rayos X)
- Manejo de datos de series temporales provenientes de dispositivos portátiles o monitores de UCI
Técnicas de ajuste fino para modelos médicos
- Aprendizaje por transferencia y adaptación específica del dominio
- Ajuste de modelos específicos para clasificación y regresión
- Ajuste fino en entornos con recursos limitados y datos anotados escasos
Predicción de enfermedades y previsión de resultados
- Puntuación de riesgos y sistemas de alerta temprana
- Análisis predictivo para reingresos 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 desequilibrados y de alto riesgo
- Pipelines de prueba simuladas frente a pruebas en el mundo real
Despliegue y monitoreo en entornos de atención médica
- Integración de modelos en los sistemas de TI hospitalarios
- CI/CD en entornos médicos regulados
- Detección de deriva post-despliegue y aprendizaje continuo
Resumen y próximos pasos
Requerimientos
- Comprensión de los principios del aprendizaje automático y el aprendizaje supervisado
- Experiencia con conjuntos de datos médicos como HCE, datos de imágenes o notas clínicas
- Conocimientos de Python y marcos de aprendizaje automático (por ejemplo, TensorFlow, PyTorch)
Audiencia objetivo
- Desarrolladores de IA médica
- Científicos de datos en el sector de la atención médica
- Profesionales que construyen modelos diagnósticos o predictivos para la atención médica
14 Horas