Inteligencia Artificial para el Análisis de Datos en Salud

Áreas de la Salud y Ciencias de la Vida
Remoto

Virtual
Inicia el 27 de octubre 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	15 semanas
intensidad	91 horas
Facultad	Escuela de Medicina y Ciencias de la Salud

CONTENIDO DEL PROGRAMA

Objetivo

Formar a profesionales del sector salud con las competencias técnicas, metodológicas y éticas necesarias para diseñar, implementar y desplegar soluciones de aprendizaje automático e Inteligencia Artificial Generativa, aplicando estándares globales de interoperabilidad (HL7 FHIR, SNOMED CT, LOINC) y modelos de datos clínicos (OMOP), con el fin de convertir los datos en evidencia accionable que mejore la seguridad del paciente, la calidad asistencial y la sostenibilidad del sistema de salud, bajo un marco de actuación ético, normativo y socialmente responsable.

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.

Comprender los fundamentos teóricos de la IA y la estadística aplicada a la salud.
Identificar y aplicar modelos de Machine Learning y Deep Learning en problemas clínicos y administrativos reales.
Implementar soluciones de analítica predictiva para apoyar la toma de decisiones asistenciales, administrativos y de salud pública
Utilizar herramientas de código abierto (Python y librerías asociadas) para desarrollar y desplegar procesos de análisis predictivo en salud.
Comprender la arquitectura Transformer y el funcionamiento de los LLMs como base de la IA generativa moderna.
Diseñar prompts efectivos y aplicar técnicas avanzadas como Chain of Thought y prompts condicionales para resolver tareas clínicas y administrativas complejas.
Aplicar la ingeniería de prompts de grado médico para generar resúmenes clínicos, salidas estructuradas y codificación automática de información sanitaria.
Analizar el impacto de la IA generativa en la salud pública y la atención médica, identificando oportunidades y riesgos.
Comprender las arquitecturas RAG que conecten LLMs con bases de conocimiento locales (guías de práctica clínica), garantizando trazabilidad y respuestas basadas en evidencia.

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.