Facultad de Medicina

Componente: Teórico -práctico

Descripción: El curso explorará cómo los métodos de aprendizaje automático pueden ser usados para la investigación y práctica en el ámbito de la salud. Se abordarán técnicas fundamentales como el aprendizaje supervisado y no supervisado, con énfasis en algoritmos de clasificación, agrupamiento, detección de anomalías y reglas de asociación. El curso incluye el uso de herramientas modernas de desarrollo, como Python, bibliotecas especializadas (Pandas, Scikit-learn, Matplotlib, Numpy) y entornos de computación prácticos (Github, Conda, Copilot). Los estudiantes trabajarán con conjuntos de datos biomédicos, implementando modelos que cumplan con los requisitos de precisión y relevancia médica. Además, se analizarán aspectos éticos clave, como la privacidad de los datos, el sesgo algorítmico y el consentimiento informado, promoviendo el diseño de sistemas responsables y equitativos. Este programa es ideal para investigadores y profesionales interesados en la intersección entre salud y tecnología.

Resultados de aprendizaje esperados:

Al finalizar el curso el estudiante estará en capacidad de:

1. Comprender los fundamentos conceptuales de inteligencia artificial y aprendizaje automático aplicados a la investigación en salud.

2. Usar modelos computacionales empleando metodologías de aprendizaje automático que respondan a problemas específicos de investigación en salud.

3. Implementar algoritmos de aprendizaje automático adecuados para abordar y resolver desafíos en el ámbito de la investigación en salud.

4. Evaluar el desempeño de los modelos desarrollados, considerando métricas clave y principios éticos como privacidad, equidad y transparencia.

5. Integrar los conceptos éticos en el diseño, desarrollo y aplicación de modelos de inteligencia artificial en el contexto de investigación en salud.

Contenidos temáticos

1. Introducción al aprendizaje automático, ciencia de datos e inteligencia artificial.

2. Aplicaciones de aprendizaje automático para la investigación en salud: apoyo a la decisión diagnostica, administración en salud, detección de fraude, salud mental, salud pública, farmacovigilancia.

3. Fundamentos para un ambiente de desarrollo práctico en aprendizaje automático (Python, Github, Conda, Copilot).

4. Metodología de aprendizaje automático para la investigación en salud: gestión de datos, entrenamiento de los modelos, evaluación del desempeño, y despliegue.

5. Tareas de aprendizaje automático: clasificación, regresión, detección de anomalías, series de tiempo, clustering, reglas de asociación, sistemas de recomendación.

a. Algoritmos de clasificación para el apoyo a la decisión clínica: arboles de decisión, máquinas de soporte vectorial, redes neuronales.

b. Algoritmos de reglas de asociación para farmacovigilancia: FP-growth algoritm, a priori algorithm.

c. Algoritmos de detección de anomalías para la salud mental: Distance-based, density-based, LOF.

d. Algoritmos de agrupamiento (clustering) para la salud pública: k-means, density-based clustering.

6. Consideraciones éticas para el diseño de modelos de aprendizaje automático enfocados en la investigación en Salud