Este máster en Aplicaciones de Inteligencia Artificial en Sanidad te prepara para comprender y liderar equipos multidisciplinares que desarrollan proyectos de Inteligencia Artificial en las organizaciones sanitarias e industria relacionada.
Persona interesada en adquirir o perfeccionar sus conocimientos en aplicaciones de inteligencia artificial en la sanidad IDAD.
Módulo 1: El entorno
Introducción
La cuarta revolución Industrial.
¿Qué entendemos por IA?
Breve historia de la interacción entre medicina e inteligencia artificial.
¿Para qué podemos usar algoritmos de IA en el ámbito clínico?
Sistemas de aprendizaje: Un mapa del entorno de la IA.
¿Qué necesitamos para desarrollar sistemas IA?
Datos sanitarios: fuentes y características.
Protección de Datos: RGPD.
Investigación y ensayos clínicos.
Implicaciones éticas.
Tendencias actuales en atención y gestión sanitaria
Medicina 5Ps.
Decisión basada en valor.
Situación actual de la IA en sanidad y potencial transformador
Estrategia europea/nacional/autonómica.
Impacto esperado de la IA en los próximos años.
Casos de éxito en gestión de recursos.
Casos de éxito en atención sanitaria.
Módulo 2: La técnica
Bases matemáticas de la IA
Sistemas expertos basados en reglas. Los precursores de la IA.
Aprendizaje máquina o Machine Learning: modelos de regresión, clasificación y agrupamiento.
Redes neuronales y aprendizaje profundo.
El paradigma de aprendizaje. Selección de características y optimización de modelos.
Python. Bloque 1: Introducción a Python
¿Qué es Python? Introducción. Python y la ciencia de los datos. Instalación y entorno de trabajo.
Empezando en Python. (Teoría) Tipos de datos, variables, operadores, bucles y otras estructuras.
Empezando en Python. (Práctica) Tipos de datos, variables, operadores, bucles y otras estructuras.
Orientación a objetos: clases e instancia, atributos y métodos. Trabajar con llibrerías.
Librerías fundamentales de Python para trabajar con datos: Numpy y Pandas.
Python. Bloque 2: ML y DL en Python
Introducción a la IA en Python. Librerías y niveles de abstracción.
Análisis de datos en Python. Spicy, Matplotlib, Seaborn, statsmodels.
Estructuración de datos: conjutos de datos para entrenamiento, validación y prueba. Data augmentation.
Machine Learning en Python: Scikit-learn y ejemplos prácticos.
Redes neuronales en Python: Pythorch, Tensorflow y Keras.
Módulo 3: Aplicaciones de la IA en sanidad
Minería de datos en sanidad
Tipos de datos en sanidad.
Sistema informáticos hospitalarios (HIS) e historia clínica electrónica (HCE).
Sistema de gestión de imágenes (PACS y DICOM).
Interoperabilidad de datos en Sanidad. El estándar FHIR.
AI en sanidad. Algoritmos y estrategias
Minado de textos y Natural Language Processing (NLP).
Análisis de la imágen médica. U-Nets y GANs.
Automatización Robótica de procesos.
Inteligencia Artificial y Computación en la nube.
Ámbitos de aplicación
Sistemas de Ayuda a la Decisión: Diagnóstico y tratamiento.
AI en Drug Discovery y tratamientos personalizados.
Mejoras de gestión.
Interacción con el paciente y telemedicina.
Módulo 4: Implementación de proyectos de IA en Sanidad
Evaluación y despliegue de IA en Sanidad
Framework evaluación Outcome-Action-Pair (OAP).
Ciclo de vida de un proyecto IA.
Diseño y desarrollo.
Validación.
Monitorización y mantenimiento.
Actores relevantes IA Sanidad.
Desafíos y aspectos regulatorios IA en Sanidad
Sesgo, interpretabilidad y equidad.
Privacidad y seguridad.
Entorno regulatorio.
Organizaciones de salud orientadas a IA
Implantación de una estrategia de IA.
Intraemprendimiento corporativo y cambio cultural.
Gestión de proyectos.
Herramientas de financiación pública y privada de proyectos innovadores.
Trabajo Fin de Máster
No son necesarios conocimientos previos en el tema.