Tendencias de la inteligencia artificial (IA) en salud.

Actualización y Tics Multidisciplinarios
Remoto
Inicia el 27 de mayo de 2024

Inversión	$ 520,000
Horarios	Lunes y jueves de 6:00pm a 9:00pm
duración	5 Semanas
Facultad	Medicina
CONTENIDO DEL PROGRAMA

Objetivo

Establecer una base de conocimiento sobre la inteligencia artificial y sus posibles aplicaciones en el campo de la salud.

Dirigido a

• Profesionales de la salud: Médicos, enfermeros, radiólogos, farmacéuticos y otros profesionales que busquen entender y aplicar las innovaciones de la IA en sus campos de práctica.

• Participantes de medicina y ciencias de la salud: Quienes busquen complementar su formación académica con conocimientos en tecnología y las últimas tendencias en IA aplicada a la salud.

• Profesionales de TI y ciencias de la computación: Desarrolladores, ingenieros de software, científicos de datos y otros profesionales técnicos interesados en especializarse en soluciones de IA para el sector salud.

• Investigadores y académicos: Personas involucradas en la investigación y enseñanza que deseen explorar o integrar aspectos de la IA en proyectos de salud.

• Gestores y administradores sanitarios: Quienes estén buscando mejorar la eficiencia y la toma de decisiones en instituciones médicas a través de la implementación de soluciones tecnológicas.

• Emprendedores y startups: Individuos o equipos que busquen innovar en el ámbito de la salud digital y quieran entender mejor las oportunidades y desafíos asociados con la IA.

• Profesionales en ética y regulación: Aquellos interesados en las implicaciones éticas y legales del uso de la IA en el ámbito sanitario, y que deseen adquirir una base técnica y aplicada para guiar decisiones y políticas.

a)   Facilitar la comprensión de los conceptos fundamentales y modelos bioinspirados de la inteligencia artificial, así como los desafíos y estrategias para la consolidación de datos en el ámbito de la salud, a través de ejemplos y casos de estudio relevantes.
b)   Proporcionar a los participantes una visión general de los diferentes enfoques de aprendizaje automático (supervisado, no supervisado y semi-supervisado) y cómo se pueden aplicar en la resolución de problemas y la interpretación de datos en el campo de la salud.
c)   Exponer a los participantes a las aplicaciones de aprendizaje profundo en salud, incluyendo el análisis de imágenes médicas y la generación de datos, así como las tendencias actuales en inteligencia artificial, procesamiento de lenguaje natural (NLP) y las consideraciones éticas y legales relacionadas con el uso de la IA en el ámbito sanitario.
Competencia cognitiva y técnica: Capacidad para comprender, aplicar y utilizar herramientas de IA en contextos sanitarios.
Competencia analítica y comunicativa: Habilidad para interpretar datos médicos mediante IA y comunicar efectivamente sus resultados e implicaciones.
Competencia ética y crítica: Entender y aplicar principios éticos en soluciones de IA y desarrollar un pensamiento crítico sobre sus aplicaciones y limitaciones en salud.

Módulo 1.
Introducción a modelos bioinspirados.

Se revisará la importancia de los datos en la toma de decisiones en el sector salud y cómo diferentes modelos pueden apoyar algunos procesos en el sector salud. Además, se explorará diferentes problemas de Inteligencia Artificial en el este campo.

Módulo 2.
Introducción a Python Análisis Exploratorio de Datos.

Para trabajar los modelos de machine learning e inteligencia artificial es necesario usar software especializado y conocer algunos elementos fundamentales de programación. En esta sesión se hace una rápida introducción al software Python: los diferentes entornos de trabajo, objetos, operaciones, variables, etc. Se aplican los conceptos al análisis exploratorio de datos, donde se utilizan algunos conceptos estadísticos en python y gráficas que apoyan el análisis de la información.

Módulo 3.
Introducción al aprendizaje automático, Conceptos Generales.

Problema de ML Intro a aprendizaje supervisado: En esta sesión trabajaremos los conceptos y problemas clásicos de aprendizaje supervisado y no supervisado. Inicialmente, se hará una introducción a los fundamentos: tipos de problemas (clasificación y regresión), conjunto de entrenamiento, de prueba, validación cruzada, búsqueda en grilla. Lo anterior a la luz del método de los vecinos más cercanos KNN, la regresión logística y los árboles de decisión.

Módulo 4.
Modelos de aprendizaje supervisado y no supervisado.

En esta sesión se abordarán los métodos de regresión y el método de clustering k-means.

Módulo 5.
IA + Introducción a redes Neuronales Aplicaciones a clasificación.

Uno de los campos más utilizados en inteligencia artificial son las redes neuronales que son modelos inspirados en el funcionamiento de la neurona humana. En esta sesión se abordarán los conceptos fundamentales de las redes neuronales artificiales, tales como el perceptrón, las capas, la función de activación, la función de pérdida. Entre otros y se usarán las redes neuronales para problemas de clasificación en datos del contexto médico.

Módulo 6.
IA+Introducción a redes Neuronales Aplicaciones a clasificación.

Continuamos con redes neuronales y en esta sesión examinaremos aplicaciones relacionadas con la clasificación de imágenes médicas y otros problemas.

Módulo 7.
Procesamiento de Lenguaje Natural.

El PLN es un campo de gran auge en la Inteligencia Artificial y que combina diferentes áreas, como el machine learning, la lingüística, entre otros, con el fin de analizar información que contiene texto o en general lenguaje natural (audio, videos, etc). Exploraremos la limpieza de texto (normalización), construcción de nubes de palabras y frecuencias. Así como también, algunas librerías para extraer datos de internet y hacer análisis de sentimientos.

Módulo 8.
Generative IA (promts IA)

En la última sesión del programa se explorarán algunos elementos de la inteligencia artificial generativa que tienen como base los modelos de machine learning, las redes neuronales y el procesamiento de lenguaje natural. Se estudiarán algunas de estas aplicaciones y promts para realizar tareas de forma fácil y eficiente, a partir de estudios de caso reales en el contexto del sector salud y otros.