Diplomado Online: INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO

Descripción

Objetivos:

• Aplicar inteligencia artificial para optimizar la gestión en el ámbito biosanitario.
• Desarrollar competencias en programación y análisis de datos con enfoque en salud.
• Gestionar sistemas de Big Data aplicados a entornos clínicos y de salud pública.
• Comprender el ecosistema sanitario y las tecnologías digitales utilizadas en salud.

Inicio: 05 de julio 2025

Duración: 300hrs

Modalidad: Online asincrónica

Módulos

• Módulo 1: PROGRAMACIÓN, DATOS Y MODELOS DE INTELIGENCIA ARTIFICIAL
  • Distinción de los fundamentos de la IA y sus diferencias respecto al desarrollo de aplicaciones convencionales
    – Tipos de IA
    – Aplicaciones de la IA
    – Áreas de la IA
    – Datos y IA
  • Identificación de los conceptos básicos del lenguaje Python así como de las herramientas necesarias para trabajar con datos
    – Entornos Integrados de Desarrollo. Anaconda
    – Jupyter Notebooks
    – El lenguaje Python
    – Modulos avanzados de Python: numpy, pandas, matplotlib, ScikiLearn
  • Aplicación de aspectos avanzados de procesamiento de datos en Python
    – Tipos de datos: estructurados y no estructurados
    – Adquisición y almacenamiento de datos
    – Limpieza de datos
    – Enriquecimiento de datos
    – Preprocesamiento de datos: estandarización, normalización, codificación, discretización, imputación
  • Interpretación de la información contenida en un conjunto de datos
    – Uso de distribuciones de probabilidades para la caracterización de datos
    – Estadísticos básicos
    – Clustering y reducción de dimensionalidad
    – Visualización de datos
  • Identificación de los tipos de datos complejos y de las herramientas aplicables a su análisis
    – Análisis de datos tabulares
    – Análisis de grafos
    – Análisis de datos textuales
    – Análisis de series temporales
    – Análisis de imágenes
  • Adquisición de buenas prácticas de programación y de revisión de código, uso de sistemas de controles de versiones y metodologías de trabajo ágiles
    – Buenas prácticas de desarrollo Python
    – Control de versiones (Github o similares)
    – Metodologías Ágiles
    – Documentación
• Módulo 2: SISTEMAS DE APRENDIZAJE AUTOMÁTICO
  • Compresión de las bases del aprendizaje supervisado
    – Definición del problema: la función de pérdida
    – Curva de aprendizaje
    – Conjunto de aprendizaje, conjunto de test, conjunto de validación
    – Análisis de errores
    – Métricas
  • Distinción y aplicación de los métodos básicos de clasificación
    – K-nn
    – Árboles de decisión
    – Random Forests
    – Máquinas de vectores de soporte
  • Distinción y aplicación de los métodos básicos de regresión
    – Métodos lineales
    – Regresión múltiple
    – Regresión logística
    – Random Forests
  • Identificación de las herramientas de desarrollo de redes neuronales
    – Plataformas de desarrollo: Tensorflow
    – Regresión con redes neuronales
    – Clasificación con redes neuronales
    – Aplicaciones a la visión por computador
    – Aplicaciones al procesamiento del lenguaje natural
  • Implementación y puesta en marcha de un sistema de aprendizaje automático
    – Gestión del ciclo de vida de un sistema de aprendizaje automático
    – Contenedores y APIs: Docker
    – Servicio en la nube
  • Identificación de las limitaciones de los sistemas de aprendizaje y de las consecuencias éticas de su mal uso
    – Circunstancias en las que usar las técnicas de aprendizaje para crear sistemas de toma de decisiones
    – Datos y sesgos en las decisiones
    – Gestión de la incertidumbre en las decisiones
    – Otros aspectos éticos
• Módulo 3: SISTEMAS DE BIG DATA
  • Distinción de los fundamentos del Big Data
    – Definición de un sistema de Big Data
    – Computación distribuida. Computación paralela
    – Sistemas de almacenamiento distribuidos. Tolerancia a fallos
    – Aplicación de Big Data a las empresas y organizaciones
  • Distinción de las arquitecturas y herramientas utilizadas en el Big Data
    – Definición de la arquitectura del Big Data
    – Recolección y almacenamiento en el sistema Big Data
    – Procesamiento y análisis del sistema Big Data
    – Herramientas y proveedores del Big Data: Hive, Pig, Flume, etc
  • Identificación y análisis de los usos más comunes de Big Data
    – Configuración de cuadros de mando en entornos computacionales
    – Soluciones con sistemas de almacenamiento
    – Soluciones con sistemas de procesamiento
    – Soluciones con sistemas de analítica
  • Aplicación de un caso práctico de Big Data en la nube
    – Arquitectura Cloud.
    – IaaS, PaaS y SaaS
    – Introducción a Azure, AWS y Google Cloud
    – Powershell y Scripting
    – Máquinas virtuales
    – Componentes y Arquitecturas
    – Administración de sistemas en la nube
    – Desarrollo completo de una aplicación simple en la nube
    – Monitorización, optimización y solución de problemas
    – Planificación y gestión de costos
• Módulo 4: FUNDAMENTOS DE PROBABILIDAD Y ESTADÍSTICA CON R
  • Compresión del ciclo del conocimiento científico en general y de las ciencias de la salud en particular
    – Método científico
    – Diseño del experimento
    – Observación y obtención de datos experimentales
    – Aplicación de métodos matemáticos y estadísticos
    – Construcción de hipótesis y de modelos
  • Aplicación de la estadística descriptiva a los datos poblacionales biosanitarios
    – Tablas de frecuencias
    – Representaciones gráficas: diagramas de sectores, diagramas de barras, histograma, polígono de frecuencias
  • Distinción de los parámetros estadísticos que resumen y caracterizan un conjunto de datos epidemiológico
    – Parámetros de tendencia central
    – Parámetros de dispersión
    – Parámetros de asimetría y forma
  • Aplicación de gráficos exploratorios a los datos poblacionales epidemiológicos
    – Gráficos para datos cualitativos
    – Gráficos para datos cuantitativos discretos
    – Gráficos para datos cuantitativos continuos
  • Búsqueda de una solución probabilista en algunos casos del ámbito biosanitario
    – Definición de probabilidad y propiedades. Regla de Laplace
    – Combinatoria
    – Teorema de Bayes
  • Identificación de variables aleatorias unidimensionales en datos biosanitarios
    – Variables Discretas
    – Variables Continuas
    – Media o Esperanza Matemática
    – Varianza y Desviación típica
  • Identificación de distribuciones unidimensionales en datos biosanitarios
    – Distribución Binomial. Ejemplos
    – Distribución Normal. Ejemplos
  • Aplicación de las pruebas de significación y contraste de hipótesis para el proceso de decisión
    – Test de hipótesis y límites de significación
    – Errores de tipo I y II. Riesgos alfa y beta
  • Identificación de los datos masivos (Big-Data) en la investigación biomédica y en la atención sanitaria
    – Datos médicos de carácter personal
    – Anonimización de los datos
    – Legislación en protección de datos
    – Tipos de datos biomédicos
• Módulo 5: TECNOLOGÍAS UTILIZADAS EN EL ÁMBITO HOSPITALARIO Y EL SISTEMA DE SALUD
  • Identificación de los diferentes estamentos que forman parte de la organización del sistema de salud
    – Ecosistema de salud y su cadena de valor
    – Organización, planificación y localización de recursos
    – Modelos de provisión de servicios
    – Atención a crónicos
    – Tecnología y salud
  • Análisis de la gestión y toma de decisiones en ciencias de la salud, el sistema sanitario, la atención primaria y la salud pública
    – Estrategia de salud pública
    – Salud y sociedad
    – Epidemiología
    – Investigación en el mundo sanitario
  • Implementación y puesta en marcha de las tecnologías digitales más utilizadas en salud
    – Sistemas maestros (HIS, LIS, PACs, FIS, EHR, etc.)
    – Terminologías estándares e interoperabilidad (LOINC, HL7-CDA, HL7-FHIR, SNOMED-CT, ICD-10, CPT, openEHR, etc)
    – Marco conceptual de documentación clínica
    – Conceptos básicos de bioinformática