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 el sector salud
- Aplicaciones de la IA en soporte de decisiones clínicas y diagnóstico
- Visión general de las modalidades de datos en salud: estructurados, texto, imágenes, sensores
- Retos exclusivos del desarrollo de IA en el ámbito médico
Preparación y gestión de datos de salud
- Trabajo con registros médicos electrónicos, resultados de laboratorio y datos HL7/FHIR
- Preprocesamiento de imágenes médicas (DICOM, TC, RMN, radiografías)
- 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 de modelos específicos para tareas de clasificación y regresión
- Ajuste fino con recursos limitados y datos etiquetados escasos
Predicción de enfermedades y proyección de resultados
- Sistemas de puntuación de riesgo y alertas tempranas
- Análisis predictivo para readmisiones y respuesta al tratamiento
- Integración de modelos multimodales
Consideraciones éticas, de privacidad y normativas
- HIPAA, GDPR y manejo de datos de pacientes
- Mitigación de sesgos y auditoría 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
- Pipelines de prueba simulados frente a entornos reales
Despliegue y supervisión en entornos de salud
- Integración de modelos en sistemas de TI hospitalarios
- CI/CD en entornos médicos regulados
- Detección de desviación post-despliegue y aprendizaje continuo
Resumen y siguientes pasos
Requerimientos
- Comprensión de los principios del aprendizaje automático y el aprendizaje supervisado
- Experiencia con conjuntos de datos del sector salud, como registros médicos electrónicos, imágenes o notas clínicas
- Conocimiento de Python y frameworks de aprendizaje automático (por ejemplo, TensorFlow, PyTorch)
Público objetivo
- Desarrolladores de IA médica
- Científicos de datos del sector salud
- Profesionales que desarrollan modelos de diagnóstico o predictivos en el ámbito de la salud
