IFCD104 Inteligencia artificial y big data aplicado al ámbito biosanitario

1. PROGRAMACIÓN, DATOS Y MODELOS DE INTELIGENCIA ARTIFICIAL

• Distinción de los fundamentos de la IA y sus diferencias respecto al desarrollo de aplicaciones convencionales
  • Tipos de IA
  • Aplicaciones de la IA
  • Áreas de la IA
  • Datos y IA
• Identificación de los conceptos básicos del lenguaje Python así como de las herramientas necesarias para trabajar con datos
  • Entornos Integrados de Desarrollo. Anaconda
  • Jupyter Notebooks
  • El lenguaje Python
  • Modulos avanzados de Python: numpy, pandas, matplotlib, ScikiLearn
• Aplicación de aspectos avanzados de procesamiento de datos en Python
  • Tipos de datos: estructurados y no estructurados
  • Adquisición y almacenamiento de datos
  • Limpieza de datos
  • Enriquecimiento de datos
  • Preprocesamiento de datos: estandarización, normalización, codificación, discretización, imputación
• Interpretación de la información contenida en un conjunto de datos
  • Uso de distribuciones de probabilidades para la caracterización de datos
  • Estadísticos básicos
  • Clustering y reducción de dimensionalidad
  • Visualización de datos
• Identificación de los tipos de datos complejos y de las herramientas aplicables a su análisis
  • Análisis de datos tabulares
  • Análisis de grafos
  • Análisis de datos textuales
  • Análisis de series temporales
  • Análisis de imágenes
• Adquisición de buenas prácticas de programación y de revisión de código, uso de sistemas de controles de versiones y metodologías de trabajo ágiles
  • Buenas prácticas de desarrollo Python
  • Control de versiones (Github o similares)
  • Metodologías Ágiles
  • Documentación

2. SISTEMAS DE APRENDIZAJE AUTOMÁTICO

• Compresión de las bases del aprendizaje supervisado
  • Definición del problema: la función de pérdida
  • Curva de aprendizaje
  • Conjunto de aprendizaje, conjunto de test, conjunto de validación
  • Análisis de errores
  • Métricas
• Distinción y aplicación de los métodos básicos de clasificación
  • K-nn
  • Árboles de decisión
  • Random Forests
  • Máquinas de vectores de soporte
• Distinción y aplicación de los métodos básicos de regresión
  • Métodos lineales
  • Regresión múltiple
  • Regresión logística
  • Random Forests
• Identificación de las herramientas de desarrollo de redes neuronales
  • Plataformas de desarrollo: Tensorflow
  • Regresión con redes neuronales
  • Clasificación con redes neuronales
  • Aplicaciones a la visión por computador
  • Aplicaciones al procesamiento del lenguaje natural
• Implementación y puesta en marcha de un sistema de aprendizaje automático
  • Gestión del ciclo de vida de un sistema de aprendizaje automático
  • Contenedores y APIs: Docker
  • Servicio en la nube
• Identificación de las limitaciones de los sistemas de aprendizaje y de las consecuencias éticas de su mal uso
  • Circunstancias en las que usar las técnicas de aprendizaje para crear sistemas de toma de decisiones
  • Datos y sesgos en las decisiones
  • Gestión de la incertidumbre en las decisiones
  • Otros aspectos éticos

3. SISTEMAS DE BIG DATA

• Distinción de los fundamentos del Big Data
  • Definición de un sistema de Big Data
  • Computación distribuida. Computación paralela
  • Sistemas de almacenamiento distribuidos. Tolerancia a fallos
  • Aplicación de Big Data a las empresas y organizaciones
• Distinción de las arquitecturas y herramientas utilizadas en el Big Data
  • Definición de la arquitectura del Big Data
  • Recolección y almacenamiento en el sistema Big Data
  • Procesamiento y análisis del sistema Big Data
  • Herramientas y proveedores del Big Data: Hive, Pig, Flume, etc
• Identificación y análisis de los usos más comunes de Big Data
  • Configuración de cuadros de mando en entornos computacionales
  • Soluciones con sistemas de almacenamiento
  • Soluciones con sistemas de procesamiento
  • Soluciones con sistemas de analítica
• Aplicación de un caso práctico de Big Data en la nube
  • Arquitectura Cloud.
  • IaaS, PaaS y SaaS
  • Introducción a Azure, AWS y Google Cloud
  • Powershell y Scripting
  • Máquinas virtuales
  • Componentes y Arquitecturas
  • Administración de sistemas en la nube
  • Desarrollo completo de una aplicación simple en la nube
  • Monitorización, optimización y solución de problemas
  • Planificación y gestión de costos

4. FUNDAMENTOS DE PROBABILIDAD Y ESTADÍSTICA CON R

• Compresión del ciclo del conocimiento científico en general y de las ciencias de la salud en particular
  • Método científico
  • Diseño del experimento
  • Observación y obtención de datos experimentales
  • Aplicación de métodos matemáticos y estadísticos
  • Construcción de hipótesis y de modelos
• Aplicación de la estadística descriptiva a los datos poblacionales biosanitarios
  • Tablas de frecuencias
  • Representaciones gráficas: diagramas de sectores, diagramas de barras, histograma, polígono de frecuencias
• Distinción de los parámetros estadísticos que resumen y caracterizan un conjunto de datos epidemiológico
  • Parámetros de tendencia central
  • Parámetros de dispersión
  • Parámetros de asimetría y forma
• Aplicación de gráficos exploratorios a los datos poblacionales epidemiológicos
  • Gráficos para datos cualitativos
  • Gráficos para datos cuantitativos discretos
  • Gráficos para datos cuantitativos continuos
• Búsqueda de una solución probabilista en algunos casos del ámbito biosanitario
  • Definición de probabilidad y propiedades. Regla de Laplace
  • Combinatoria
  • Teorema de Bayes
• Identificación de variables aleatorias unidimensionales en datos biosanitarios
  • Variables Discretas
  • Variables Continuas
  • Media o Esperanza Matemática
  • Varianza y Desviación típica
• Identificación de distribuciones unidimensionales en datos biosanitarios
  • Distribución Binomial. Ejemplos
  • Distribución Normal. Ejemplos
• Aplicación de las pruebas de significación y contraste de hipótesis para el proceso de decisión
  • Test de hipótesis y límites de significación
  • Errores de tipo I y II. Riesgos alfa y beta
• Identificación de los datos masivos (Big-Data) en la investigación biomédica y en la atención sanitaria
  • Datos médicos de carácter personal
  • Anonimización de los datos
  • Legislación en protección de datos
  • Tipos de datos biomédicos

5. TECNOLOGÍAS UTILIZADAS EN EL ÁMBITO HOSPITALARIO Y EL SISTEMA DE SALUD

• Identificación de los diferentes estamentos que forman parte de la organización del sistema de salud
  • Ecosistema de salud y su cadena de valor
  • Organización, planificación y localización de recursos
  • Modelos de provisión de servicios
  • Atención a crónicos
  • Tecnología y salud
• Análisis de la gestión y toma de decisiones en ciencias de la salud, el sistema sanitario, la atención primaria y la salud pública
  • Estrategia de salud pública
  • Salud y sociedad
  • Epidemiología
  • Investigación en el mundo sanitario
• Implementación y puesta en marcha de las tecnologías digitales más utilizadas en salud
  • Sistemas maestros (HIS, LIS, PACs, FIS, EHR, etc.)
  • Terminologías estándares e interoperabilidad (LOINC, HL7-CDA, HL7-FHIR, SNOMED-CT, ICD-10, CPT, openEHR, etc)
  • Marco conceptual de documentación clínica
  • Conceptos básicos de bioinformática