25 DE JULIO
SÁBADOS Y DOMINGOS: 5:00pm - 7:00 pm (PE)
Este programa está dirigido a:
Médicos, enfermeros y profesionales asistenciales de la salud que deseen digitalizar su práctica clínica e incorporar herramientas de inteligencia artificial en sus decisiones médicas habituales.
Ingenieros de sistemas, bioinformáticos, científicos de datos y profesionales de TI interesados en aplicar algoritmos, machine learning e infraestructura de datos en el sector de la medicina.
Gestores hospitalarios, directores médicos y responsables de salud pública enfocados en optimizar la interoperabilidad, interoperación cloud y la eficiencia operativa en centros de salud.
Emprendedores e innovadores del sector healthtech orientados al desarrollo de soluciones, plataformas digitales y modelos de negocio de base tecnológica enfocados en la salud.
Después de este programa usted podrá:
Aplicar con solvencia la inteligencia artificial y la ciencia de datos en la optimización de procesos clínicos y en la toma de decisiones hospitalarias basadas en evidencia.
Programar en Python y procesar conjuntos de datos clínicos reales, realizando tareas de limpieza, normalización e imputación estadística.
Desarrollar, entrenar y evaluar modelos predictivos supervisados y no supervisados para la clasificación y la segmentación de riesgos en salud.
Construir asistentes clínicos y chatbots automáticos de triage médico consumiendo modelos de lenguaje masivos (LLMs) mediante programación de APIs.
Diseñar dashboards y tableros interactivos de analítica visual en Power BI conectados a bases de datos y flujos de información sanitaria.
Diagramar e implementar arquitecturas seguras de Big Data, planes de ciberseguridad y gobernanza del dato bajo regulaciones globales de privacidad médica.
Preprocesar metadatos en archivos DICOM y entrenar redes neuronales convolucionales para la clasificación automática de imágenes diagnósticas.
Formular y defender con viabilidad financiera modelos de negocio de base tecnológica aplicando metodologías ágiles al ecosistema de la salud digital.
Introducción a la Salud Digital e Inteligencia Artificial en Medicina
Evolución de la medicina tradicional hacia la salud digital basada en valor y casos de éxito globales.
Conceptos fundamentales de IA, machine learning, deep learning y tipos de datos en salud.
Principios éticos en IA médica (transparencia, sesgo, responsabilidad) y regulaciones internacionales (HIPAA, GDPR, FHIR).
Configuración de entornos de trabajo clínico-digitales en Google Colab y dashboards dinámicos en Power BI.
Fundamentos de IA y Ciencia de Datos en Medicina
Principios de la medicina basada en valor, ecosistema healthtech e identificación de cuellos de botella interoperables.
Clasificación y análisis de datos clínicos estructurados, no estructurados y de tipo ómicos (genómica y transcriptómica).
Modelos predictivos supervisados y no supervisados aplicados a la estratificación de riesgo en enfermedades crónicas.
Gobierno de datos en salud, buenas prácticas clínicas y técnicas de anonimización aplicadas a bases de datos.
Programación y Ciencia de Datos Clínicos con Python
Sintaxis básica de Python (variables, estructuras de control, funciones) aplicada a flujos biométricos en Colab.
Importación, manejo y limpieza de datasets hospitalarios mediante las librerías Pandas y NumPy.
Imputación estadística poblacional de laboratorios faltantes y depuración de historias médicas inconsistentes.
Visualización y detección de tendencias epidemiológicas con Matplotlib, Seaborn y su conexión con Power BI.
Inteligencia Artificial Aplicada a la Práctica Clínica
Selección estratégica de arquitecturas de algoritmos para solucionar problemas de diagnóstico asistido.
Programación y entrenamiento de modelos de clasificación supervisados (como Random Forest) usando Scikit-learn.
Segmentación de fenotipos y comorbilidades atípicas sin etiquetas previas mediante agrupamiento K-Means.
Métricas de validación médica (sensibilidad, especificidad, precisión, curvas ROC, matriz de confusión y overfitting).
IA Generativa y Asistentes Médicos Inteligentes
Introducción a modelos generativos de lenguaje (LLMs), prompt engineering clínico y control de alucinaciones.
Diseño de árboles de decisión conversacionales y flujos lógicos para triage automatizado de telemedicina.
Automatización de reportes clínicos, resúmenes de consultas verbales e historiales médicos estructurados en formato SOAP.
Conexión y despliegue de asistentes clínicos inteligentes consumiendo APIs de modelos de lenguaje (GPT-4 o Claude) en Python.
Telemedicina y Hospitales Inteligentes (Formato Sprint)
Evolución de la telesalud, integración de dispositivos wearables y sensores IoT para el monitoreo remoto de pacientes.
Concepto de Hospitales 4.0 y niveles de madurez digital aplicados a la logística e infraestructura hospitalaria.
Introducción a plataformas en la nube para el resguardo de datos médicos (Google Cloud Healthcare API, Azure, AWS).
Simulación interactiva de teleconsultas apoyadas por asistentes automáticos para sugerencias diagnósticas y terapéuticas.
Big Data en Salud Digital
Arquitectura, factibilidad y justificación de costos para la migración de servidores tradicionales a entornos Big Data.
Diseño conceptual de Lagos de Datos (Data Lakes) integrando sistemas de información clínica (HIS, RIS, LIS).
Procesamiento analítico distribuido a gran escala con PySpark y Spark sobre más de 100,000 registros históricos.
Gobierno masivo de datos clínicos, manuales de accesos lógicos y protocolos de ciberseguridad ante incidentes de ransomware.
Análisis de Imágenes Médicas y Genómica con IA
Lectura crítica de evidencia científica sobre algoritmos aplicados a radiología, tomografía y dermatología.
Fundamentos de Redes Neuronales Convolucionales (CNNs) e interpretabilidad visual anatómica mediante mapas de calor (Grad-CAM).
Lectura, extracción de metadatos y filtrado de formatos estándar de imagen médica como DICOM y NIfTI en Python.
Fundamentos de bioinformática ómica y medicina de precisión usando bases de datos genómicas públicas (como TCGA).
Transferencia de aprendizaje (Transfer Learning) con modelos preentrenados (como ResNet50) para clasificar placas patológicas.
Innovación, Emprendimiento y Modelos de Negocio Digital en Salud (Formato Sprint)
Metodologías ágiles (Design Thinking, Lean Startup y Scrum) enfocadas al diseño de soluciones centradas en el paciente.
Estructuración comercial de proyectos healthtech mediante el Lienzo Business Model Canvas.
Estrategias de crecimiento, monetización de datos clínicos y preparación de discursos de inversión (pitch comercial).
Presentación interactiva ante un panel evaluador en el «Demo Day» del prototipo integrador del diplomado.
Módulo Proyecto Final Integrador
Desarrollo de un Sistema de Alerta Temprana para Deterioro Clínico Intrahospitalario utilizando datos reales (base MIMIC-IV).
Entrenamiento de algoritmos predictivos en Python, diseño del dashboard en Power BI y automatización de notas SOAP vía API.
Introducción a la Salud Digital e Inteligencia Artificial en Medicina
Evolución de la medicina tradicional hacia la salud digital basada en valor y casos de éxito globales.
Conceptos fundamentales de IA, machine learning, deep learning y tipos de datos en salud.
Principios éticos en IA médica (transparencia, sesgo, responsabilidad) y regulaciones internacionales (HIPAA, GDPR, FHIR).
Configuración de entornos de trabajo clínico-digitales en Google Colab y dashboards dinámicos en Power BI.
Fundamentos de IA y Ciencia de Datos en Medicina
Principios de la medicina basada en valor, ecosistema healthtech e identificación de cuellos de botella interoperables.
Clasificación y análisis de datos clínicos estructurados, no estructurados y de tipo ómicos (genómica y transcriptómica).
Modelos predictivos supervisados y no supervisados aplicados a la estratificación de riesgo en enfermedades crónicas.
Gobierno de datos en salud, buenas prácticas clínicas y técnicas de anonimización aplicadas a bases de datos.
Programación y Ciencia de Datos Clínicos con Python
Sintaxis básica de Python (variables, estructuras de control, funciones) aplicada a flujos biométricos en Colab.
Importación, manejo y limpieza de datasets hospitalarios mediante las librerías Pandas y NumPy.
Imputación estadística poblacional de laboratorios faltantes y depuración de historias médicas inconsistentes.
Visualización y detección de tendencias epidemiológicas con Matplotlib, Seaborn y su conexión con Power BI.
Inteligencia Artificial Aplicada a la Práctica Clínica
Selección estratégica de arquitecturas de algoritmos para solucionar problemas de diagnóstico asistido.
Programación y entrenamiento de modelos de clasificación supervisados (como Random Forest) usando Scikit-learn.
Segmentación de fenotipos y comorbilidades atípicas sin etiquetas previas mediante agrupamiento K-Means.
Métricas de validación médica (sensibilidad, especificidad, precisión, curvas ROC, matriz de confusión y overfitting).
IA Generativa y Asistentes Médicos Inteligentes
Introducción a modelos generativos de lenguaje (LLMs), prompt engineering clínico y control de alucinaciones.
Diseño de árboles de decisión conversacionales y flujos lógicos para triage automatizado de telemedicina.
Automatización de reportes clínicos, resúmenes de consultas verbales e historiales médicos estructurados en formato SOAP.
Conexión y despliegue de asistentes clínicos inteligentes consumiendo APIs de modelos de lenguaje (GPT-4 o Claude) en Python.
Telemedicina y Hospitales Inteligentes (Formato Sprint)
Evolución de la telesalud, integración de dispositivos wearables y sensores IoT para el monitoreo remoto de pacientes.
Concepto de Hospitales 4.0 y niveles de madurez digital aplicados a la logística e infraestructura hospitalaria.
Introducción a plataformas en la nube para el resguardo de datos médicos (Google Cloud Healthcare API, Azure, AWS).
Simulación interactiva de teleconsultas apoyadas por asistentes automáticos para sugerencias diagnósticas y terapéuticas.
Big Data en Salud Digital
Arquitectura, factibilidad y justificación de costos para la migración de servidores tradicionales a entornos Big Data.
Diseño conceptual de Lagos de Datos (Data Lakes) integrando sistemas de información clínica (HIS, RIS, LIS).
Procesamiento analítico distribuido a gran escala con PySpark y Spark sobre más de 100,000 registros históricos.
Gobierno masivo de datos clínicos, manuales de accesos lógicos y protocolos de ciberseguridad ante incidentes de ransomware.
Análisis de Imágenes Médicas y Genómica con IA
Lectura crítica de evidencia científica sobre algoritmos aplicados a radiología, tomografía y dermatología.
Fundamentos de Redes Neuronales Convolucionales (CNNs) e interpretabilidad visual anatómica mediante mapas de calor (Grad-CAM).
Lectura, extracción de metadatos y filtrado de formatos estándar de imagen médica como DICOM y NIfTI en Python.
Fundamentos de bioinformática ómica y medicina de precisión usando bases de datos genómicas públicas (como TCGA).
Transferencia de aprendizaje (Transfer Learning) con modelos preentrenados (como ResNet50) para clasificar placas patológicas.
Innovación, Emprendimiento y Modelos de Negocio Digital en Salud (Formato Sprint)
Metodologías ágiles (Design Thinking, Lean Startup y Scrum) enfocadas al diseño de soluciones centradas en el paciente.
Estructuración comercial de proyectos healthtech mediante el Lienzo Business Model Canvas.
Estrategias de crecimiento, monetización de datos clínicos y preparación de discursos de inversión (pitch comercial).
Presentación interactiva ante un panel evaluador en el «Demo Day» del prototipo integrador del diplomado.
Módulo Proyecto Final Integrador
Desarrollo de un Sistema de Alerta Temprana para Deterioro Clínico Intrahospitalario utilizando datos reales (base MIMIC-IV).
Entrenamiento de algoritmos predictivos en Python, diseño del dashboard en Power BI y automatización de notas SOAP vía API.
