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
1. La cuarta revolución industrial. ¿Qué entendemos por IA?
2. Breve historia de la interacción entre medicina e inteligencia artificial.
3. ¿Para qué podemos usar algoritmos de IA en el ámbito clínico?
4. Sistemas de aprendizaje: Un mapa del entorno de la IA. ¿Qué necesitamos para desarrollar sistemas IA?
5. Datos sanitarios: fuentes y características.
6. Protección de Datos: RGPD.
7. Investigación y ensayos clínicos.
8. Implicaciones éticas. Tendencias actuales en atención y gestión sanitaria
9. Medicina 5Ps.
10. Decisión basada en valor. Situación actual de la IA en sanidad y potencial transformador
11. Estrategia europea/nacional/autonómica.
12. Impacto esperado de la IA en los próximos años.
13. Casos de éxito en gestión de recursos.
14. Casos de éxito en atención sanitaria.
Módulo 2. La técnica Bases matemáticas de la IA
1. Sistemas expertos basados en reglas. Los precursores de la IA.
2. Aprendizaje Máquina o Machine Learning: modelos de regresión, clasificación y agrupamiento.
3. Redes neuronales y aprendizaje profundo.
4. El paradigma de aprendizaje. Selección de características y optimización de modelos.
Python: bloque 1:
introducción a Python
Python: bloque 2: ML y DL en Python
5. ¿Qué es Python?
Introducción. Python y la ciencia de datos. Instalación y entorno de trabajo.
6. Empezando en Python. (Teoría) Tipos de datos, variables, operadores, bucles y otras estructuras.
7. Empezando en Python. (Práctica) Tipos de datos, variables, operadores, bucles y otras estructuras.
8. Orientación a objetos: clases e instancia, atributos y métodos. Trabajar con librerías.
9. Librerías fundamentales de Python para trabajar con datos: Numpy y Pandas.
10. Introducción a la IA en Python. Librerías y niveles de abstracción.
11. Análisis de datos en Python: Spicy, Matplotlib, Seaborn, statsmodels.
12. Estructuración de datos: conjuntos de datos para entrenamiento, validación y prueba. Data augmentation.
13. Machine Learning en Python: Scikit-learn y ejemplos prácticos.
14. Redes neuronales en Pyhton: Pytorch, Tensorflow y Keras.
Módulo 3. Aplicaciones de la IA en sanidad Minería de datos en sanidad
1. Tipos de datos en sanidad.
2. Sistema informáticos hospitalarios (HIS) e historia clínica electrónica (HCE).
3. Sistemas de gestión de Imágenes (PACS y DICOM).
4. Interoperabilidad de datos en Sanidad. El estándar FHIR. AI en sanidad. Algoritmos y estrategias
5. Minado de textos y Natural Language Processing (NLP).
6. Análisis de imagen médica. U-Nets y GANs.
7. Automatización Robótica de Procesos.
8. Inteligencia Artificial y Computación en la nube. Ámbitos de aplicación
9. Sistemas que Ayudan a la Decisión: Diagnóstico y tratamiento.
10. AI en Drug Discovery y tratamientos personalizados.
11. Mejoras de gestión.
12. Interacción con el paciente y telemedicina.
Módulo 4. Implementación de proyectos de IA en Sanidad Evaluación y despliegue de IA en Sanidad
1. Framework evaluación Outcome-Action-Pair (OAP).
2. Ciclo de vida de un proyecto IA.
3. Diseño y desarrollo.
4. Validación.
5. Monitorización y mantenimiento.
6. Actores relevantes IA Sanidad. Desafíos y aspectos regulatorios IA en sanidad
7. Sesgo, interpretabilidad y equidad.
8. Privacidad y seguridad.
9. Entorno regulatorio. Organizaciones de salud orientadas a IA
10. Implantación de una estrategia de IA.
11. Intraemprendimiento corporativo y cambio cultural.
12. Gestión de proyectos.
13. Herramientas de financiación pública y privada de proyectos innovadores.
Trabajo Fin de Máster (10 ECTS
No son necesarios conocimientos previos en el tema.
