IFCD104 INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO

SCORM 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

SCORM 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

SCORM 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

SCORM 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

SCORM 5. TECNOLOGÍAS UTILIZADAS EN EL ÁMBITO HOSPITALARIO Y EL SISSCORM 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