Diplomado en Inteligencia Artificial aplicada al diagnóstico médico

Docente(s): Julio Sotelo

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 3

Horas Totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso: 

Este curso consiste en una introducción a los fundamentos computacionales para el uso de IA en aplicaciones de diagnóstico y pronóstico médico. El curso proporciona una mejor comprensión de cómo se puede aprovechar Python para ayudar a los profesionales de la salud en la práctica de la medicina, abarcar la investigación clínica y la atención al paciente. 

Resultados de aprendizaje:

1. Utilizar algoritmos basados en herramientas de programación para dar solución a problemas interdisciplinarios utilizando datos internos y externos de las organizaciones de salud.
2. 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
  • Conceptos técnicos 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.
  • 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.

Estrategias metodológicas: 

• Clases expositivas y participativas.
• Talleres prácticos de análisis de casos de estudios en el área de salud.

Estrategias evaluativas:

• Controles: 1 vez por semana, al principio de cada clase - 20%
• Tareas: 3 Problemas cortos de solución acotada que serán desarrollados de manera grupal o individual como complemento a lo trabajado en clases - 40%
• Evaluación final: Proyecto aplicado - 40%

Docente(s): María Rodríguez (Responsable) y Marcelo Andía

Unidad académica responsable: Instituto de Ingeniería Biológica y Médica (IIBM)

Requisitos: Sin prerrequisitos

Créditos: 3

Horas Totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso: 

El objetivo de este curso es proporcionar a los estudiantes una introducción a métodos de investigación cuantitativa y técnicas estadísticas para el análisis de datos en el contexto médico. Para ello se utilizará un enfoque práctico, orientado a usar métodos estadísticos para analizar problemas reales en medicina. Entre las temáticas a trabajar se encuentran: estadística descriptiva e inferencial, muestreo, diseño experimental, pruebas paramétricas y no paramétricas de diferencia y regresión.

Resultados de aprendizaje:

1. Aplicar teorías, métodos y técnicas estadísticas para el análisis de datos en contexto médico.
2. 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.

Estrategias metodológicas: 

• Clases expositivas y participativas con ejemplos y casos de estudios del campo de la medicina.
• Talleres prácticos de análisis de casos de estudios en el área de salud.

Estrategias evaluativas:

1. Controles 1 vez por semana, al principio de cada clase - 20%
2. Tareas: 3 problemas cortos de solución acotada que serán desarrollados de manera grupal o individual como complemento a lo trabajado en clases -40%
3. Evaluación final: Proyecto aplicado - 40%

Docente(s): Rodrigo Cádiz (responsable) y Claudia Prieto

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 3

Horas Totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso: 

Esta asignatura ofrece una visión introductoria a las temáticas, herramientas y técnicas fundamentales en Aprendizaje Automático o de Máquina (Machine Learning, ML). Los estudiantes primero identificarán las distintas áreas de aplicación de ML, con el fin de identificar problemas en los que ML es aplicable. Luego, desarrollarán capacidades para elegir herramientas y técnicas adecuadas y pertinentes para los problemas a resolver, en conjunto con conocimiento para entender el desempeño de las propuestas realizadas, a través de algunos casos de estudio. Finalmente, se expondrán los posibles caminos a seguir luego de este curso, tanto para profundizar los conocimientos adquiridos como para conocer nuevas técnicas en el área.

Resultados de aprendizaje:

1. Identificar áreas de aplicación de Machine Learning en el área de diagnóstico médico.
2. 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

Estrategias metodológicas:

• Clases expositivas y participativas.
• Talleres prácticos de análisis de casos de estudios en el área de salud.

Estrategias evaluativas:

• Controles 1 vez por semana, al principio de cada clase - 20%
• Tareas: 3 problemas cortos de solución acotada que serán desarrollados de manera grupal o individual como complemento a lo trabajado en clases - 40%
• Evaluación final: Proyecto aplicado - 40%

Docente(s): Francisco Sahli (responsable) y Denis Parra

Unidad académica responsable: Instituto de Ingeniería Biológica y Médica (IIBM)

Requisitos: Sin prerrequisitos

Créditos: 3

Horas Totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso: 

Este curso introduce técnicas de Aprendizaje Profundo (Deep Learning, DL) y ofrece herramientas para su aplicación en la práctica clínica. Los estudiantes estudiarán casos con datos diversos, como imágenes médicas, registros clínicos y modelos de prognosis. Al finalizar, podrán integrar estas técnicas con modelos avanzados de DL para diagnóstico clínico, junto con visualización de datos, en contextos clínicos reales.

Resultados de aprendizaje:

1. Analizar las herramientas de Deep Learning aplicadas a la práctica clínica.
2. 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

Estrategias metodológicas: 

• Clases expositivas y participativas.
• Talleres prácticos de aplicación de la materia a través de programación.

Estrategias evaluativas:

• Controles 1 vez por semana, al principio de cada clase - 20%
• Tareas: 3 problemas cortos de solución acotada que serán desarrollados de manera grupal o individual como complemento a lo trabajado en clases - 40%
• Evaluación final: Proyecto aplicado - 40%

Docente(s): Claudia Prieto y Marcelo Andia 

Unidad académica responsable: Instituto de Ingeniería Biológica y Médica (IIBM)

Requisitos: Sin prerrequisitos

Créditos: 0

Horas Totales: 6 | Horas directas: 6 | Horas indirectas: 0

Descripción del curso: 

Este seminario se enfoca en explorar el impacto transformador de la inteligencia artificial (IA) en el sector salud, abordando su rol, la innovación y transferencia tecnológica, así como los desafíos éticos y legales asociados. Los participantes adquirirán una comprensión de cómo la IA está revolucionando el diagnóstico y tratamiento médico, al tiempo que analizarán las implicaciones y responsabilidades éticas de su implementación. El curso está dividido en 3 seminarios de 2 horas de duración.

Resultados de aprendizaje: 

1. Explicar los fundamentos y aplicaciones de la inteligencia artificial en la salud.
2. Analizar el proceso de innovación y transferencia tecnológica en el sector salud.
3. 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 

Estrategias metodológicas:

• Clases expositivas por parte de los docentes con apoyo multimedia 
• Estudios de caso
• Debates 

Estrategias evaluativas: 

• Este curso no tiene evaluaciones, pues es un complemento de los contenidos entregados a lo largo del programa.