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 (2 días)
Temario del curso
Introducción a la IA en la salud
- Aplicaciones de la IA en el apoyo a la decisión clínica y el diagnóstico
- Panorama general de las modalidades de datos de salud: estructurados, texto, imágenes, sensores
- Desafíos únicos del desarrollo de IA médica
Preparación y gestión de datos de salud
- Trabajo con historias clínicas 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 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 tareas para clasificación y regresión
- Ajuste fino con pocos recursos cuando se dispone de datos anotados limitados
Predicción de enfermedades y pronóstico de resultados
- Puntuación de riesgo y sistemas de alerta temprana
- Analítica predictiva para readmisiones y respuesta al tratamiento
- Integración de modelos multimodales
Ética, privacidad y consideraciones regulatorias
- HIPAA, RGPD y manejo de datos de los pacientes
- Mitigación del sesgo 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
- Pruebas simuladas frente a pipelines de prueba 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 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 de salud, como historias clínicas electrónicas (EMR), datos de imágenes o notas clínicas
- Conocimientos de Python y marcos de aprendizaje automático (por ejemplo, TensorFlow, PyTorch)
Dirigido a:
- Desarrolladores de IA médica
- Científicos de datos en el sector salud
- Profesionales que construyen modelos diagnósticos o predictivos para la atención sanitaria
