Predicción de Diagnóstico y Tratamiento Clínico Apoyada en la Inteligencia Artificial
REF 102807
$380.00
Disponible
1
Información del producto
DESCRIPCIÓN
Dentro del campo de la medicina, diariamente se genera una gran cantidad de datos clínicos, los mismos que son de utilidad para el médico a la hora de prescribir tratamientos o realizar un diagnóstico a los pacientes. Sin embargo, se requiere de un nivel de experiencia alto por parte de los médicos para dar con el tratamiento o el diagnóstico oportuno a partir de todos los datos disponibles de cada paciente. Es por ello por lo que hoy en día se promueve el uso de diversas herramientas de la Inteligencia Artificial para la construcción de modelos predictivos que faciliten la toma de decisiones clínicas y, a su vez, permitan extraer nuevos hallazgos clínicos sobre una determinada enfermedad de una forma práctica y simplificada.
DURACIÓN
El curso está estructurado en 40 horas y será dictado en modalidad virtual.
OBJETIVO
Capacitar a la audiencia médica para poder examinar las aplicaciones de la Inteligencia Artificial en la medicina y hacer uso de las herramientas necesarias para la construcción de modelos predictivos a partir de las historias clínicas, extrayendo información relevante de los mismos, usando la rigurosidad científica de los métodos y aplicando soluciones prácticas con el software que se utilice.
DIRIGIDO A
Personal hospitalario y estudiantes de medicina que tengan conocimientos básicos de ofimática. Se recomienda tener un buen nivel de lectura en inglés (no indispensable).
COMPETENCIAS
Valorar con rapidez y precisión las ventajas e inconvenientes de hacer uso de una determinada técnica de la Inteligencia Artificial en la medicina.
Aprender a colectar datos clínicos que faciliten la posterior construcción de modelos predictivos.
Evaluar con criterio crítico y rigor científico los modelos predictivos generados mediante la aplicación de las técnicas del aprendizaje automático.
Extraer conocimiento médico a partir de la descripción de los modelos predictivos.
CONTENIDO
MÓDULO 1: El punto de vista analítico – 5 horas -¿Qué es Analítica? -Tipos de analítica -IBM Watson -Framingham Heart Study -D2Hawkeye -Categorizar respuesta a Botox en migraña -Propósito del seminario MÓDULO 2: Clasificación Supervisada – 10 horas -Proceso de minería de datos -Modelos y algoritmos -Regresión -Clasificación Supervisada -Reglas de clasificación -Árboles de clasificación -Redes bayesianas -Redes neuronales -Overfitting -Métricas -Evaluación honesta del rendimiento MÓDULO 3: Clasificación No Supervisada – 10 horas -Clasificación vs. Clustering -Tipos: Determinista vs. probabilista, Exclusivo vs. superpuesto, Jerárquico vs. plano, Top-down vs. bottom-up -Evaluación de Clusters -Clustering Simple: K-means -Jerárquico e incremental MÓDULO 4: Preprocesamiento – 10 horas -Problemas en Datos clínicos -Tratando con los datos -Imputación -Selección de atributos (FSS) MÓDULO 5: Extracción de conocimiento – 5 horas -Interpretando los datos -Significancia estadística -Gráficos -Tipos de gráficos -Infografías y Mapas
METODOLOGÍA DE TRABAJO
Las clases serán dictadas bajo modalidad virtual en la plataforma de E-learning establecida por la UEES.
Cada sesión llevará una secuencia de docencia, tutorización, seguimiento y retroalimentación, a través de material de apoyo, consultas de retroalimentación, y prácticas en ordenador.
Las clases iniciarán con la exposición de los fundamentos teóricos, aplicación de estos mediante el uso de un aplicativo informático, revisión de artículos de alto impacto que hagan uso de las técnicas descritas en clase y explicación/revisión de las actividades a realizar de forma autónoma.
La audiencia deberá asistir a todas las sesiones y cumplir con cada actividad para poder aprobar el curso. El mínimo de asistencia requerido es del 80%.
EVALUACIÓN
Asistencia: 20%
Actividades en clase: 20%
Proyecto final: 60%
INSTRUCTOR
Franklin Parrales se desempeña como docente Titular en la carrera de Ingeniería de Software Universidad de Guayaquil. En el 2020 obtuvo su Doctorado en Ingeniería Informática por la Universidad Complutense de Madrid (UCM) con su trabajo sobre Metodologías de procesamiento de datos en el área de E-Salud para categorizar respuestas terapéuticas en pacientes con migraña.
Además, cuenta con una Maestría en Inteligencia Artificial otorgada por la Universidad Politécnica de Madrid en el año 2019 y una Maestría en Ingeniería Informática en la UCM en 2015, donde desarrolló su Tesis sobre un sistema de apoyo para mejorar la actividad de lectura en pacientes con enfermedad de Parkinson y temblor esencial.
Ha sido galardonado con: beca europea de estancia doctoral HIPEAC (H2020-ICT-2015-687689) de septiembre de 2017 a enero de 2018 para la colaboración entre la UCM y el Instituto Josef Stefan; beca europea de estancia doctoral HIPEAC (H2020- ICT-2017-779656) Octubre 2019-Enero 2020 para la colaboración entre la Universidad Complutense de Madrid y el Instituto INESC-ID (Portugal-Universidad de Lisboa); beca predoctoral de SENESCYT-Ecuador bajo la beca 8905-AR5G-2016, para desarrollar su tesis doctoral en la UCM.
Su principal área de investigación es la e-Salud, la minería de datos y el aprendizaje automático. Actualmente lidera un proyecto de investigación sobre la aplicación de la Inteligencia Artificial en el campo de la preeclampsia en colaboración con el Hospital IESS Los Ceibos y la Universidad de Guayaquil.
FECHAS:Junio 27,28,29,30; Julio 4,5,6,7,11,12,13,14,18,19,20,21,22,26,27,28 de 2022
