Inteligencia Artificial para el Análisis de Datos en Salud

Áreas de la Salud y Ciencias de la Vida
Remoto

Virtual
Inicia el 23 de junio de 2026
91 horas

Inversión	$ 2.950.000
Horarios	Acceso remoto (martes y jueves de 18:00 a 21:00) Virtual trabajo autónomo Habilitar plataforma moodle
duración	10 semanas
intensidad	91 horas
Facultad	Escuela de Medicina y Ciencias de la Salud

Objetivo

Capacitar a profesionales y líderes del sector salud en el diseño, implementación y gobernanza de soluciones de Salud Digital de alto valor, mediante el dominio de la Ciencia de Datos bajo el estándar OMOP, el entrenamiento de modelos de Machine Learning y el despliegue ético de IA Generativa, integrando con estándares de interoperabilidad (HL7 FHIR / SNOMED CT / LOINC) para transformar los datos clínicos en decisiones estratégicas que mejoren la seguridad del paciente y la sostenibilidad del sistema.

Dirigido a

El diplomado está dirigido a profesionales que se identifica con alguno de los siguientes perfiles:

Líderes Clínicos e Investigadores, Médicos, especialistas, enfermeros y profesionales de la salud, Gestores y Tomadores de Decisión, Directivos de hospitales, gerentes de EPS, secretarios de salud y consultores, Profesionales de Tecnología y Ciencia de Datos, Ingenieros de sistemas, bioingenieros y científicos de datos.
Son profesionales que buscan herramientas para optimizar la seguridad del paciente, reducir la carga administrativa y liderar proyectos de investigación traslacional mediante el uso de modelos de datos estandarizados como OMOP. Al mismo tiempo, requieren una visión estratégica para la adquisición e implementación de tecnologías de inteligencia artificial, comprendiendo conceptos clave como el ROI (Retorno de Inversión), la ética algorítmica y la gobernanza de datos, con el fin de garantizar una transformación digital sostenible y segura en sus organizaciones. Además, muchos de ellos ya trabajan o desean incursionar en el sector salud y buscan especializarse en la complejidad del dato clínico, dominando los estándares de interoperabilidad (HL7 FHIR, SNOMED CT, LOINC) y las arquitecturas de IA Generativa (RAG) que actualmente demanda el mercado sanitario.

Capacidad para transformar datos heterogéneos de historias clínicas en el modelo común de datos OMOP
Habilidad para seleccionar, entrenar y validar algoritmos de Machine Learning (supervisado y no supervisado) aplicados a diagnósticos y pronósticos médicos.
Identificar "datos ruidosos", valores atípicos y sesgos en la captura de información clínica que puedan comprometer la seguridad del paciente.
Habilidad técnica para conectar modelos de lenguaje (LLMs) con bases de conocimiento locales (guías de práctica clínica), garantizando respuestas basadas en evidencia.
Dominio en el diseño de instrucciones complejas para que la IA genere salidas estructuradas, resúmenes clínicos precisos y codificación automática.
Capacidad para interpretar y comunicar métricas técnicas (AUC-ROC, precisión, exhaustividad) en términos de impacto clínico y seguridad del paciente.
Habilidad para estructurar la salida de los modelos de IA en recursos FHIR, permitiendo que la "inteligencia" viaje entre diferentes sistemas hospitalarios.
Capacidad para diseñar protocolos de uso de datos que cumplan con la normativa de protección de datos personales (Ley 1581) y principios bioéticos, GDPR e HIPAA
Habilidad para detectar y corregir sesgos (de género, etnia o socioeconómicos) que los algoritmos puedan heredar de los datos históricos.
Habilidad para formular casos de negocio que justifiquen la inversión en salud digital ante juntas directivas, basándose en eficiencia operativa y mejora de desenlaces clínicos.

Módulo 0: Nivelación - Alfabetización Híbrida

Para Salud: Fundamentos de bases de datos, lógica algorítmica y anatomía de un dataset.
Para Tecnología: Flujos de atención clínica, terminología médica básica y ética del cuidado.
Glosario Común: Definiciones base de IA, ML y Salud Digital.

Módulo 1: Ciencia de Datos y Modelo de Datos Común (OMOP)

Arquitectura de Datos en Salud: Del registro clínico al dato estructurado.
El Estándar OMOP CDM: Estructura de tablas, dominios y lógica de estandarización.
Ecosistema OHDSI: Herramientas para la investigación observacional y analítica poblacional.
Procesos ETL: Extracción, Transformación y Carga de datos de Historias Clínicas a OMOP.

Módulo 2: Machine Learning y Fenotipado Clínico

Fenotipado Computacional: Cómo definir eventos clínicos (ej. falla renal) dentro de una base de datos.
Aprendizaje Supervisado: Modelos de riesgo, diagnóstico y pronóstico.
Aprendizaje No Supervisado: Descubrimiento de patrones y subgrupos de pacientes.
Métricas de Desempeño: Validación clínica de algoritmos (Sensibilidad, Especificidad, AUC-ROC).

Módulo 3: IA Generativa y LLMs en el Entorno de Salud

Fundamentos de Transformers: Cómo funcionan los modelos de lenguaje (LLMs) en medicina.
Prompt Engineering Clínico: Diseño de instrucciones para resúmenes, codificación y apoyo diagnóstico.
Mitigación de Alucinaciones: Estrategias para garantizar la veracidad de la información generada.

Módulo 4: Arquitecturas RAG e Interoperabilidad

Arquitectura RAG (Retrieval-Augmented Generation): Conexión de LLMs con Guías de Práctica Clínica y protocolos institucionales.
Estándares HL7 FHIR: Creación y gestión de recursos para el intercambio de información.
Terminologías Semánticas: Uso avanzado de SNOMED CT y LOINC para que la IA sea "entendible" por cualquier sistema.

Módulo 5: Estrategia, Ética y Proyecto Integrador

Gobernanza de Datos: Privacidad, seguridad y cumplimiento normativo.
Auditoría de Sesgos: Detección de sesgos algorítmicos en salud.
Presentación del Proyecto Integrador: Despliegue de una solución que recorra desde la estandarización en OMOP hasta la generación de una recomendación en FHIR.