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 en el diagnóstico.
- Descripción general de las modalidades de datos en salud: estructurados, texto, imágenes y sensores.
- Desafíos únicos en el desarrollo de IA médica.
Preparación y Gestión de Datos en Salud
- Trabajo con Registros Electrónicos de Salud (EMR), resultados de laboratorio y datos HL7/FHIR.
- Preprocesamiento de imágenes médicas (DICOM, CT, MRI, rayos X).
- Manejo de datos de series temporales provenientes de dispositivos portátiles o monitores de UCI.
Técnicas de Ajuste Fino para Modelos en Salud
- Aprendizaje por transferencia y adaptación específica del dominio.
- Ajuste de modelos específicos para tareas de clasificación y regresión.
- Ajuste fino con recursos limitados utilizando datos anotados insuficientes.
Predicción de Enfermedades y Pronóstico de Resultados
- Puntuación de riesgo y sistemas de alerta temprana.
- Análisis predictivo para reingresos hospitalarios y respuesta al tratamiento.
- Integración de modelos multimodales.
Ética, Privacidad y Consideraciones Regulatorias
- HIPAA, GDPR y manejo de datos de pacientes.
- 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.
- Pipelines de prueba simulados frente a pruebas en el mundo real.
Implementación y Monitoreo en Entornos de Atención Médica
- Integración de modelos en 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 del aprendizaje supervisado.
- Experiencia con conjuntos de datos médicos, como Registros Electrónicos de Salud (EMR), datos de imágenes o notas clínicas.
- Conocimientos de Python y frameworks de aprendizaje automático (por ejemplo, TensorFlow, PyTorch).
Público Objetivo
- Desarrolladores de IA médica.
- Científicos de datos en el sector de la salud.
- Profesionales que construyen modelos de diagnóstico o predicción para la atención médica.
