Diplomado en Inteligencia Artificial aplicada al diagnóstico médico

El Diplomado en Inteligencia Artificial para el diagnóstico médico está diseñado para equipar a los y las profesionales de la salud con un profundo conocimiento y habilidades prácticas en la aplicación de tecnologías de Inteligencia Artificial (IA) en el área de la medicina. Los y las estudiantes aprenderán conceptos fundamentales y avanzados de Machine Learning y Deep Learning, aplicados específicamente al diagnóstico y pronóstico médico. A través de cursos como fundamentos computacionales para IA en medicina, análisis exploratorio y visualización de datos, introducción a IA para diagnóstico y pronóstico médico, y Deep Learning, los participantes desarrollarán la capacidad de analizar datos estructurados y no estructurados, interpretar señales de sensores, textos e imágenes médicas, y aplicar estos conocimientos en su práctica profesional.

La pertinencia de este diplomado radica en su capacidad para transformar la práctica clínica a través de la integración de tecnologías avanzadas de IA. Este programa no solo introduce y actualiza al profesional en las últimas tendencias tecnológicas de IA aplicadas al ámbito de la salud, sino que también habilita a los participantes para liderar la implementación de soluciones de IA en sus respectivos entornos de trabajo.

El diplomado adopta una metodología dinámica e interactiva, utilizando una plataforma de streaming para la entrega de clases sincrónicas, a través de una plataforma de videoconferencia, que permite la participación activa de los y las estudiantes desde cualquier lugar, así como seminarios presenciales que permiten el networking con sus pares. El diplomado combina teoría con proyectos prácticos, permitiendo a los y las estudiantes aplicar directamente los conocimientos adquiridos en escenarios reales y simulados. Este enfoque práctico garantiza que los y las graduadas no sólo comprendan los aspectos teóricos de la IA, sino que también sean capaces de utilizar estas soluciones en sus respectivos campos profesionales. La colaboración entre la Facultad de Ingeniería y el Instituto de Ingeniería Biológica y Médica (de las Facultades de Ingeniería, Medicina y Ciencias Biológicas) UC con el Instituto Milenio en Ingeniería e Inteligencia Artificial para la Salud (iHEALTH) enriquece el programa, a través de un enfoque interdisciplinario que integra conocimientos técnicos y clínicos. Esta sinergia asegura que los contenidos no solo sean de alta calidad técnica, sino también ajustados a las necesidades y desafíos reales del sector salud.

Diseñado para profesionales del área de la salud como medicina, enfermería, obstetricia y puericultura, kinesiología, odontología, tecnología médica, ingeniería biomédica, químicos farmacéuticos, médicos veterinarios, entre otras carreras afines. Este diplomado es ideal para los y las profesionales del área de la salud que deseen estar a la vanguardia en la aplicación de tecnologías de Inteligencia Artificial (IA) para el diagnóstico y pronóstico médico.

Aplicar los principios fundamentales de la inteligencia artificial, en casos reales de uso, para el diagnóstico médico.

Se requiere grado de licenciatura o título profesional universitario en carreras del área de la salud, ingeniería biomédica o carreras afines.

Se recomienda a responsabilidad del estudiante:
– Manejo de inglés para acceder a bibliografía en ese idioma.
– En caso de no tener conocimientos básicos en Python o programación, realizar el MOOC “Introducción a la programación en Python I: Aprendiendo a programar con Python” u otro similar.

Al final del curso podrás:
– Utilizar algoritmos basados en herramientas de programación para dar solución a problemas interdisciplinarios utilizando datos internos y externos de las organizaciones de salud.
– Aplicar teorías, métodos y técnicas con el enfoque basado en datos para analizar problemas del área de la salud.

Contenidos:
Fundamentos computacionales
– Conceptos técnicos para el uso de IA y de computación para IA.
– Herramientas de programación en Python.

Fundamentos de programación
– Tipos de variables y estructura de datos en Python.
– Control de flujo: condiciones, bifurcaciones y bucles en Python.
– Tipos de errores más comunes en programación en Python.

Módulos estándar de Python usados en aplicaciones para el diagnóstico y pronóstico médico
– NUMPY, indexación, funciones universales, funciones estadísticas, funciones relacionales. Estadística básica con numpy, números aleatorios, distribución normal, selección aleatoria y permutaciones. Caso de estudio, en datos demográficos de pacientes.
– MATPLOTLIB, visualización de gráficos y sus características, tipos de línea, labels, límites y grilla, leyenda, llenado entre curvas, scatter plots, datos con barra de errores, histogramas. Caso de estudio, datos de monitoreo fisiológico de pacientes.
– PANDAS, manejo de dataframes, ordenar, agrupar y fusionar dataframes, visualización de gráficos con pandas. Caso de estudio, en datos epidemiológicos.
– PYDICOM, lectura de imágenes médicas, y cabecera DICOM. Caso de estudio, aplicación a imágenes de resonancia magnética.

Herramientas útiles en aplicaciones para el diagnóstico y pronóstico médico
– Búsqueda eficiente y ejecución de algoritmos en Python extraídos de la web.
– Uso de Kaggle para la lectura y limpieza de bases de datos médicos, y uso de Google Collaboratory para la lectura y limpieza de bases de datos médicos.
– Introducción al uso de algoritmos de inteligencia artificial disponibles en Github, para el procesamiento de datos médicos, cómo configurarlos, y ejecutarlos correctamente.

Al final del curso podrás:
– Aplicar teorías, métodos y técnicas estadísticas para el análisis de datos en contexto médico.
– Desarrollo de técnicas de visualización de datos en medicina.

Contenidos:
Análisis exploratorio de datos en medicina
– Medidas de tendencia central: promedio, mediana y estimadores robustos. Estimaciones de variabilidad. Distribución de los datos: histogramas, percentiles y boxplots. Variables binarias y categóricas. Correlación y causalidad en el contexto médico. Análisis multivariable con ejemplos médicos.

Fundamentos de muestreo de datos en medicina
– Muestreo aleatorio simple y sesgo de selección. Muestreo por conglomerados y por estratos. Teorema del límite central y error estándar. Bootstrapping e intervalos de confianza. Resampleo: test de permutación y Bootstrap. Poder estadístico y determinación del tamaño muestral en estudios médicos.

Experimentos estadísticos y tests de significancia médicos
– Testeo A/B y su aplicación en ensayos clínicos. Test de hipótesis y su relevancia en la toma de decisiones médicas. Distribuciones de probabilidad relevantes para la medicina: Gaussiana, de cola pesada, t-Student, binomial y Poisson. Significancia estadística, valores p y su interpretación en el análisis de datos clínicos. Pruebas de comparación de grupos: Test t, testeo múltiple, ANOVA y test chi cuadrado.

Análisis de supervivencia en medicina
– Conceptos básicos de análisis de supervivencia: curva de supervivencia, riesgo acumulado, tasa de riesgo. Métodos de estimación de la función de supervivencia: Kaplan-Meier. Análisis de regresión de Cox y modelos paramétricos para datos de supervivencia. Aplicaciones prácticas en medicina: análisis de supervivencia en ensayos clínicos, estudios epidemiológicos y seguimiento de pacientes.

Visualización de datos médicos
– Codificación visual de datos médicos, incluyendo gráficos básicos, líneas, scatter plot, y visualización en 2D y 3D. Tablas y gráficos específicos para representar datos médicos de manera efectiva. Visualización con mapas. Representación de redes y árboles para visualizar relaciones en datos médicos. Uso de texto y narrativa para comunicar resultados médicos. Creación de gráficos interactivos (dashboards) para análisis de datos clínicos.

Al final del curso podrás:
– Identificar áreas de aplicación de Machine Learning en el área de diagnóstico médico.
– Comprender las técnicas utilizadas para la resolución de problemas en el diagnóstico médico.

Contenidos:
Fundamentos
– ¿Qué es Machine Learning? Introducción a scikit-learn, una librería de Python para machine learning. Determinación de parámetros de entrenamiento y validación de modelos. Ingeniería de características (Feature engineering).

Métodos básicos
– Naive Bayes. Regresión logística. k-nearest Neighbors. Support Vector Machines.

Métodos estadísticos
– Análisis discriminante.

Métodos basados en árboles de búsqueda
– Modelos de árboles de decisión. Random forest.

Métodos no-supervisados
– Análisis de componentes principales. K-Means clustering. Clustering jerárquico. Gaussian Mixtures. Kernel Density Estimation. Escalado y variables categóricas.

Evaluación y mejora de modelos en contextos clínicos
– Boosting: AdaBoost y XGBoost. Evaluación de modelos de clasificación en aplicaciones prácticas en medicina. Estrategias para datos desbalanceados en análisis de datos clínicos.

Aplicaciones en casos reales en salud
– Clasificación de lesiones en imágenes en dermatología. Detección de patrones cardiorespiratorios en audio. Predicción de enfermedades crónicas.

Al final del curso podrás:
– Analizar las herramientas de Deep Learning aplicadas a la práctica clínica.
– Utilizar técnicas de Deep Learning junto con visualización de datos a contextos clínicos reales.

Contenidos:
Fundamentos
– ¿Qué es Deep Learning?.
– Necesidades de modelos complejos.
– Del perceptrón a las redes neuronales.
– Redes Neuronales convolucionales.

Deep Learning
– Entrenamiento y parámetros clave para convergencia.
– Análisis de resultados y métricas de desempeño para aplicaciones clínicas.
– Ventajas y desventajas de arquitecturas más utilizadas en diagnóstico médico.
– Uso de modelos pre-entrenados y fine tuning.

Aplicaciones de Deep Learning en medicina
– Reconocimiento visual con Deep Learning: Segmentación y análisis de imágenes, desde los datos hasta la visualización.
– Procesamiento de Lenguaje Natural: Análisis de registros clínicos.
– Integrando múltiples herramientas: Construyendo modelos de prognosis.

Se realizarán dos seminarios durante el transcurso del diplomado

Al final del curso podrás:
– Explicar los fundamentos y aplicaciones de la inteligencia artificial en la salud.
– Analizar el proceso de innovación y transferencia tecnológica en el sector salud.
– Discutir los desafíos éticos y legales en el uso de la IA para el diagnóstico médico.

Contenidos:
– Introducción al rol de la inteligencia artificial en la salud.
– Innovación y transferencia tecnológica en el ámbito de la salud.
– Desafíos Éticos/ Derecho en el uso de AI para el diagnóstico médico.