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 atención médica
- Aplicaciones de la IA en el apoyo a la decisión clínica y el diagnóstico.
- Descripción 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 de atención médica
- Trabajo con EMR, resultados de laboratorio y datos HL7/FHIR.
- Preprocesamiento de imágenes médicas (DICOM, TC, RM, rayos X).
- Manejo de datos de series temporales provenientes de dispositivos portátiles o monitores de UCI.
Técnicas de ajuste fino para modelos de atención médica
- Aprendizaje por transferencia y adaptación específica del dominio.
- Ajuste específico de tareas para clasificación y regresión.
- Ajuste fino con pocos recursos cuando hay datos anotados limitados.
Predicción de enfermedades y previsión de resultados
- Evaluación 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 de 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 desbalanceados y de alto riesgo.
- Pruebas simuladas frente a flujos de trabajo de prueba en el mundo real.
Despliegue y monitoreo en entornos de atención médica
- Integración del modelo en los sistemas de TI hospitalarios.
- CI/CD en entornos médicos regulados.
- Detección de deriva posterior al despliegue y aprendizaje continuo.
Resumen y próximos pasos
Requerimientos
- Comprensión de los principios del aprendizaje automático y del aprendizaje supervisado.
- Experiencia con conjuntos de datos de atención médica, como EMR, datos de imágenes o notas clínicas.
- Conocimiento de Python y marcos de aprendizaje automático (p. ej., TensorFlow, PyTorch).
Público objetivo
- Desarrolladores de IA médica.
- Científicos de datos en el sector salud.
- Profesionales que construyen modelos diagnósticos o predictivos para la atención médica.
