Máster en Inteligencia Artificial y Big Data en Salud

Tipología

Master (M) | Postgrado (P) | Curso de especialización (C)

Plazas

M: 20 | P: 15 | C: 40

Formato

En Línea

Idiomas

Castellano

Acreditación

M: 60 ECTS | P: 30 ECTS | C: 10 ECTS

Precios

M: 5.700 € | P: 2.850 € | C: 950 €

Inscripciones

Próximamente

programas

HTML y PDF

  • Presentación
  • Objetivos
  • Metodología
  • programas
  • Profesorado
  • Inscripción
  • Sede y contacto

Presentación

La formación en inteligencia artificial en salud se presenta con 3 modalidades formativas:

  • Máster en Inteligencia Artificial y Big Data en Salud: la formación más completa, con 2 años de duración, 60 créditos ECTS, 5 módulos formativos y TFM.
  • Diploma de Postgrado: 1 año de duración, 30 créditos ECTS, 3 primeros módulos formativos del Máster.
  • Curso de especialización en Inteligencia Artificial: 10 créditos ECTS correspondientes al primer módulo del Master.

Justificación

Estamos viviendo una revolución tan profunda que posiblemente superará a la invención del motor de vapor, el tren, la electricidad o la producción en masa en la magnitud de los cambios que traerá. Esta Cuarta Era Industrial gravita entorno a la inteligencia artificial (IA), la robótica y el Big Data, preconiza una profunda revolución que ya es visible en la forma que vivimos y trabajamos, quizás incluso en la forma en que nos vemos a nosotros mismos como humanos.

Esta revolución también afectará a la medicina. La misma medicina está en cierta forma en un momento de crisis. Como profesión, a pesar de los extraordinarios avances en el arte y la ciencia de la medicina en las últimas cuatro décadas, frecuentemente presenta limitaciones en el diagnóstico y sobre todo en su capacidad predictiva; hace pruebas y tratamiento innecesarios que elevan los costos de la medicina. Esta revolución puede ayudar en gran medida a hacer frente a estos problemas.

La cuarta revolución industrial

El potencial que nos proporciona el aprovechamiento de grandes cantidades de datos se fantástico. Mediante la capacidad de extracción de conocimiento y de aprender que tienen estos datos cuando las combinamos con métodos de inteligencia artificial y aprendizaje profundo, podemos conseguir una gran precisión en el diagnóstico y prognosis. Con la ayuda de estas tecnologías los clínicos podrían aumentar su eficacia y sobre todo su eficiencia en la atención a los pacientes que es quizás uno de los grandes problemas de la medicina actual.

Por lo tanto, la atención sanitaria es un sector que se beneficiaría enormemente de la IA. La IA permitirá ahorrar miles de millones de euros en mejorar la prevención, el diagnóstico y el tratamiento de problemas como la obesidad infantil, las enfermedades cardiovasculares y sus secuelas, las enfermedades neurodegenerativas y el cáncer de mama, entre otros ámbitos . Además, permitirá desarrollar nuevos medicamentos y fomentar la medicina personalizada y domiciliaria o mejorar la calidad de vida de las personas mayores.

La medicina personalizada ha creado un nuevo paradigma donde pocos médicos tienen la formación adecuada. Entonces, los profesionales implicados en el entorno sanitario necesitan en primer lugar lo conocemos para hacer frente a un cambio muy importante en la forma de hacer medicina. En segundo lugar, los conocimiento específicos que les permitirá abordar la generación y desarrollo de conocimiento relacionado con las tecnologías implicadas en este nuevo paradigma. En último lugar, necesitan la capacidad de creación de equipos multidisciplinares que integran profesionales de los entornos científico y de ingeniería que permitan abordar los nuevos retos que plantean esta medicina personalizada.

En este contexto es necesaria una IA capaz de ayudar eficientemente a los profesionales médicos en sus decisiones y mejorar los métodos de interacción persona-computador. En la actualidad, los médicos se basan en guías clínicas o en su experiencia. Las guías pueden tener la limitación de cubrir sólo una parte de la práctica clínica y la experiencia los sesgos asociados a esta. Una asistencia automática, capaz de efectuar estos cálculos de probabilidad de manera normativa y con acceso en tiempo real a los datos de la historia clínica electrónica, permitiría una mayor productividad de los profesionales sanitarios. La formación para la existencia de una nueva generación de médicos más tecnológicos y capaces de ayudar en el diseño de estos asistentes cognitivos es uno de los retos en este aspecto.

La llamada "Medicina P4" (predictiva, personalizada, preventiva y participativa), estará fundamentada en tecnologías emergentes como la IA y el análisis de grandes cantidades datos basado en el aprendizaje automático y la visión por computador. Así, la ciencia de datos se aplicará de manera rutinaria a información, estructurada y no estructurada, proveniente de registros electrónicos de salud, -ómicas (genómica, proteómica, transcriptómica, etc.) y herramientas de imágenes médicas.

Así, este Master, Postgrado i Cursos de Especialización van dirigidos a profesionales de la salud interesados ​​en conocer cómo se aplica la IA en salud y investigar con los datos que tienen acceso a sus puestos de trabajo, historiales clínicos y otros datos que recogen en los servicios donde trabajan. Generalmente estos profesionales están acostumbrados a investigar utilizando técnicas estadísticas y ahora quieren ir un paso más allá y ver que puede dar de sí las técnicas computacionales de la inteligencia artificial y cómo se pueden tratar datos masivos. Además, las implicaciones éticas a la hora de conducir una investigación tienen una importancia máxima en esta área de la salud, por lo que en este Máster los alumnos adquirirán los conocimientos necesarios sobre privacidad, ética y legalidad necesarias para escribir una propuesta de proyecto que pueda ser validada por los Comités Éticos de Investigación Clínica (CEIC).

Objetivos

Objetivos generales

El objetivo fundamental es adquirir el conocimiento necesario para analizar las necesidades de información que se plantean en el entorno de Salud y seguir todas las etapas del proceso de construcción de una solución basada en inteligencia artificial para mejorar el conocimiento y la toma de decisiones en el área de salud sin olvidar la parte legal y ética.

Los objetivos y competencias que hay a continuación corresponden al Master. Los del Diploma de Postgrado son un subconjunto de estos y están indicados con una P.

Objetivos específicos

  • Formar profesionales especializados en el procesamiento y análisis de datos clínicos relacionados con la salud mediante de utilización de las herramientas que proporciona la IA y el BD. (P)
  • Adquirir el conocimiento específico para analizar las necesidades de información que se plantean en el entorno de Salud y seguir todas las etapas del proceso de construcción de una solución para mejorar el conocimiento y la toma de decisiones en el área de salud sin olvidar la parte legal y ética. (P)
  • Desarrollar la capacidad de creación de equipos multidisciplinares que permitan abordar los nuevos retos que plantean esta medicina personalizada. (P)
  • Adquirir conocimientos avanzados en las áreas de la adquisición de los datos, almacenamiento y visualización de datos, seguridad y privacidad.
  • Desarrollar un proyecto de análisis de datos clínicos completo.

competencias específicas

Al finalizar el Master / Diploma, el alumno deberá ser capaz de:

  • Comprender las tecnologías de generación de datos sanitarios y analizar las necesidades de pretratamiento, almacenamiento y procesamiento de datos que se plantean en el ámbito de Ciencias de la Salud. (P)
  • Diseñar y evaluar un sistema, proceso, componente o programa para satisfacer las necesidades planteadas en Salud. (P)
  • Aplicar métodos matemáticos, principios algorítmicos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados ​​en el conocimiento en el ámbito de la Salud. (P)
  • Gestionar y explotar diferentes tipos de información relacionada con el ámbito de la salud para transformarla en conocimiento. (P)
  • Diseñar, implantar y gestionar sistemas para la gestión de conjuntos de datos masivos. (P)
  • Analizar críticamente los aspectos de seguridad y privacidad en un proyecto con datos clínicos.
  • Desarrollar un proyecto de análisis de datos clínicos siguiendo todas las etapas, y que cubra tanto los aspectos técnicos como los éticos.

competencias transversales

El alumno debe estar capacitado para:

  • Comprender los aspectos, problemas y responsabilidades profesionales, éticos, legales, de seguridad, y sociales. (P)
  • Funcionar eficazmente en equipos multidisciplinares para conseguir un objetivo común. (P)
  • Comunicarse de manera efectiva con una variedad de audiencias. (P)
  • Analizar el impacto local y global de aplicar Estrategias de Inteligencia Artificial y Big Data en los pacientes, las organizaciones y la sociedad. (P)

Metodología

  • Formato: Semipresencial. Principalmente online, con 6 clases presenciales por cada módulo (ver programa). Dada la situación excepcional actual, se ha convertido todo el contenido online, que irá recuperándose en la medida de las posibilidades progresivamente. Asimismo, si algún alumno tuviera problemas para poder acudir, el contenido presencial será grabado.
  • Plazas:
    • Master: 20.
    • Diploma de Postgrado: 15.
    • Cursos de especialización: 40.
  • créditos:
    • Máster: 60 ECTS.
    • Diploma de Postgrado: 30 ECTS.
    • Cursos de especialización: 10 ECTS.
  • Idioma: Castellano.

El programa está diseñado utilizando una metodología interactiva a través del campus virtual de la UAB que utiliza la plataforma educativa Moodle y que permite aprender de manera autónoma y propicia la reflexión sobre los conceptos más relevantes del Master.

Todos los contenidos del Master están alojados en el campus virtual de la Universidad Autónoma de Barcelona (UAB). Desde este campus virtual se realizan las diferentes actividades que integran los cursos: estudio del material teórico, resolución de casos prácticos o ejercicios y realización de autoevaluaciones.

Durante el desarrollo de los módulos, el alumno encontrará en el campus virtual diversas herramientas de comunicación, como el correo electrónico, los foros y los chats. Los foros, especialmente, permiten el intercambio de ideas entre alumnos y profesores y son un elemento fundamental de nuestro curso. En ellos se plantean las dudas, se proponen debates y se interactúa con el resto de compañeros, siempre bajo la supervisión de un profesor especialista en la materia.

Los alumnos contarán en todo momento con la ayuda de un tutor especializado que le guiará en su progreso personal y resolverá sus dudas sobre el funcionamiento del campus.

Duración y planificación docente

Los módulos de este Master se ofrecerán de forma secuencial a lo largo de dos años, un módulo cada trimestre (en el trimestre de verano no se ofrece nada).

Los módulos tendrán una duración de 12 semanas. Siguen una secuencia cronológica de los temas de estudio indicados anteriormente, que incorporan lecturas, debates y actividades vinculados con las temáticas trabajadas. Se trata de un planteamiento donde el estudiante debe superar en cada tema las exigencias académicas (teóricas y prácticas) del módulo.

Para cada módulo se organizarán 3 sesiones presenciales de 8 horas (viernes tarde y sábado mañana) de la siguiente forma:

  • La primera semana del módulo, se realizará la presentación del módulo, una conferencia realizada por un ponente relevante y relacionado con el contenido del módulo, clases magistrales y introducción a las prácticas.
  • La semana 6 se realizará la segunda reunión presencial del módulo. Se comenzará con conferencia realizada por un ponente relevante y relacionado con el contenido del módulo, clases magistrales, presentaciones del Trabajo realizado por los estudiantes, sesión de prácticas
  • La última semana del módulo (semana 12). Se comenzará con conferencia realizada por un ponente relevante y relacionado con el contenido del módulo, sesión de prácticas, presentaciones del Trabajo realizado por los estudiantes, sesión de evaluación.

trabajo final

Los estudiantes deberán realizar un trabajo final que consistirá en la planificación y el desarrollo de un proyecto de análisis de datos clínicos.

Se asignará un tutor que asesore y supervise el Trabajo realizado por los alumnos.

Se deberá entregar un informe final en formato artículo, tendrá entre 10 y 15 páginas de explicación del trabajo, estado del arte, métodos, discusión, resultados y bibliografía. Se pueden añadir páginas adicionales parar incluir material de apéndice. Se valorará la presentación de un vídeo explicativo del trabajo realizado.

El trabajo final se presentará (exposición oral) ante un tribunal de tres miembros, como mínimo dos de los cuales tienen que ser del equipo docente.

La evaluación final la hará el comité evaluador, que participará en la presentación pública.

Procedimientos de evaluación

Los cinco módulos del máster (a excepción del TFM) se evaluarán de forma similar. Se valorará el interés y grado de implicación demostrados por el estudiante (intervención en los foros del CV), la realización y defensa de los trabajos de curso, y el resultado obtenido en los cuestionarios y las actividades que habrá que entregar semanalmente. El peso de cada una de estas actividades en la nota final de cada módulo se muestra a continuación:

  1. Intervención en foros: 10%
  2. Cuestionarios: 15%
  3. Actividades semanales obligatorias: 45%
  4. Trabajo de curso (presentación presencial): 30%

El TFM será evaluado por un tribunal que tendrá en cuenta la memoria del proyecto y la presentación pública que se haga.

La nota global del máster y del diploma de Posgrado será la media ponderada de las notas de los módulos que componen estos programas.

programas generales

Calendarios

Edición 2020 - 2022

Master
Módulos 1, 2, 3, 4, 5 + Trabajo Fin Master
Postgrado
Módulos 1, 2, 3
Curso de especialización
módulo 1
módulo 1

Del 25/09/20 al 19/12/20

módulo 2 Del 08/01/21 al 28/03/21
módulo 3 Del 09/04/21 al 27/06/21
módulo 4 Del 24/09/21 al 19/12/21
módulo 5 Del 14/01/22 al 14/04/22
Trabajo Fin Master Fecha límite: 30/09/22

Edición 2021 - 2023

Master
Módulos 1, 2, 3, 4, 5 + Trabajo Fin Master
Postgrado
Módulos 1, 2, 3
Curso de especialización
módulo 1
módulo 1

Del 27/09/21 al 21/12/21

módulo 2 Del 10/01/22 al 03/04/22
módulo 3 Del 11/04/22 al 03/07/22
módulo 4 Del 26/09/22 al 18/12/22
módulo 5 Del 09/01/23 al 02/04/23
Trabajo Fin Master Fecha límite: 29/09/23

Edición 2022 - 2024

Master
Módulos 1, 2, 3, 4, 5 + Trabajo Fin Master
Postgrado
Módulos 1, 2, 3
Curso de especialización
módulo 1
módulo 1

Del 23/09/22 al 21/12/22

módulo 2 Del 09/01/23 al 31/03/23
módulo 3 Del 11/04/23 al 16/06/23
módulo 4 Del 22/09/23 al 20/12/23
módulo 5 Del 08/01/24 al 27/03/24
Trabajo Fin Master Fecha límite: 27/09/24

Edición 2023 - 2025

Master
Módulos 1, 2, 3, 4, 5 + Trabajo Fin Master
Postgrado
Módulos 1, 2, 3
Curso de especialización
módulo 1
módulo 1

Del 22/09/23 al 15/01/24

módulo 2 Del 08/01/24 al 15/04/24
módulo 3 Del 02/04/24 al 08/07/24
módulo 4 Del 20/09/24 al 20/01/25
módulo 5 Del 07/01/25 al 11/04/25
Trabajo Fin Master Fecha límite: 25/09/25

Contenidos

El análisis datos se ha utilizado de manera intensiva y extensiva para muchas organizaciones. En ciencias de la vida, el análisis de datos clínicos es cada vez más popular, incluso se podría decir cada vez más esencial. Las aplicaciones de IA pueden beneficiar enormemente a todas las partes involucradas en el sector de la salud. Por ejemplo, el análisis de datos puede ayudar a las organizaciones sanitarias en la toma de decisiones de gestión, los médicos identifican tratamientos eficaces y las mejores prácticas, y los pacientes reciben mejores y más asequibles servicios asistenciales. La enorme cantidad de datos generados por las transacciones de atención médica son demasiado complejos y voluminosos para ser procesados ​​y analizados por métodos tradicionales. La inteligencia artificial aplicada al análisis de datos proporciona la metodología y la tecnología para transformar estas cantidades ingentes de datos en información útil para la toma de decisiones

Los estudios de Máster están organizados en 5 módulos obligatorios de 10 ECTS y un Proyecto Fin de Máster (10 ECTS):

  • M1: Inteligencia Artificial en Salud.
  • M2: Análisis de Datos en Salud.
  • M3: Entornos Big Data para el análisis de datos.
  • M4: Adquisición, filtrado y seguridad de datos.
  • M5: Almacenamiento y visualización de datos.
  • Proyecto Fin de Máster.

Los estudios de Postgrado están organizados en 3 módulos obligatorios de 10 ECTS cada uno:

  • M1: Inteligencia Artificial en Salud.
  • M2: Análisis de Datos en Salud.
  • M3: Entornos Big Data para el análisis de datos.

El Curso de especialización de Inteligencia Artificial en Salud corresponde al módulo 1 del Máster de 10 ECTS. :

  • M1: Inteligencia Artificial en Salud.

Existe la posibilidad de cursar módulos individuales o Cursos de especialización. Obligatoriamente deberá cursar primero el módulo "Inteligencia Artificial en Salud", para poder cursar el resto de módulos ofrecidos. Estos se pueden cursar bien dentro del Postgrado o del Máster, o bien individualmente, así como en cualquiera de las ediciones del Máster.

Módulo 1: Inteligencia artificial en salud

Este curso presenta los conceptos fundamentales para introducirse en el mundo de la IA y la ciencia de los datos en salud. Se pretende definir el contexto de este ámbito y los conceptos necesarios, así como las características que implica un proyecto de análisis de datos clínicos y lo que significa participar, tanto en aspectos de procedimiento, como de calidad, privacidad, seguridad o ética.

Al terminar el curso el estudiante tendrá una visión general de lo que es un proyecto de análisis de datos mediante técnicas de IA en salud.

Contenido

  1. Introducción a la Inteligencia Artificial para Clínicos: Aplicaciones en Salud. Definición y conceptos de IA y ciencia de datos: Agentes inteligentes, toma de decisiones, aprendizaje automático.
  2. Proceso de minería de datos datos: definición del problema, captura, preprocesamiento, análisis, visualización y evaluación, preprocesamiento de los datos (limpieza, integración, reducción, transformación). Diseño de experimentos.
  3. Adquisición y almacenamiento de datos y visualización de datos: Tipos de datos clínicos, datos estructurados vs no estructurados, bases de datos relacionales y no relacionales (NoSQL). Visualización de datos.
  4. Aprendiendo de los datos: Aprendizaje supervisado vs no supervisado, Evaluación de modelos, Regresión, Clasificación, Segmentación.
  5. Algoritmos de aprendizaje: Árboles de decisión, métodos de Emsemble, aprendizaje profundo. Aplicaciones típicas.
  6. Procesamiento Big Data: Características (4 V 's), infraestructuras para datos masivos, Plataformas en la nube, modelos de almacenamiento y proceso para datos masivos.
  7. Calidad, privacidad y seguridad de los datos.
  8. Ética en el Tratamiento de datos médicos.
  9. Legalidad en el Tratamiento de datos médicos.
  10. Gestión de proyectos en salud.

Profesorado

  • Ana Benavent
  • Luis Bernaldez
  • Helena Boltà
  • José Ibeas
  • Edwar Macias
  • Marcela Manríquez
  • Antoni Morell
  • Coloma Moreno
  • Guillem Reig
  • Dolores Rexachs
  • Ana Ripoll
  • Miguel A. Seguí
  • Javier Serrano
  • Remo Suppi
  • Elena Valderrama

Módulo 2: Análisis de datos en salud

Una parte fundamental del análisis de datos son las técnicas de aprendizaje computacional. Estas son el corazón del 'Big Data' ya que nos permiten ir más allá de los datos y la información para inferir conocimiento. En este módulo se 'desconecta' del tamaño de los datos para centrarse exclusivamente en las técnicas que permiten tratar de forma que permita responder a preguntas que no son evidentes cuando tratamos con información muy variada de los elementos que conforman el entorno.

El estudiante será capaz de seleccionar las técnicas adecuadas a los problemas concretos que se le planteen, comprender la complejidad y medir la eficiencia de las propuestas de resolución.

Contenido

  • Análisis de los datos entornos de salud: aplicaciones.
  • Datos clínicos y su gestión y pre- procesamiento.
  • Revisión de herramientas estadísticas
  • Selección de atributos (PCA, LDA, ICA)
  • Aprendizaje supervisado: Evaluación
  • Aprendizaje supervisado: Algoritmos
  • Aprendizaje con redes neuronales (MLP, CNN, LSTM)
  • Aprendizaje no supervisado: clustering
  • Proyecto de curso

Profesorado

  • Ramon Baldric
  • Debora Gil
  • Edward Macías
  • Antoni Morell
  • Albert Ruiz
  • Javier Serrano

Módulo 3: Entornos Big Data para el análisis de datos

La necesidad de procesamiento masivo de datos es una realidad que aprovecha la potencia de las infraestructuras de cómputo distribuido y la disponibilidad creciente de datos no estructurados o semi estructurados. Esta unión permite disponer de capacidad de análisis utilizando los algoritmos apropiados para extraer conclusiones a partir de grandes volúmenes de datos en períodos razonables de tiempo.

Este módulo presenta una estructura equilibrada entre los conceptos más importantes del tema y casos de uso prácticos orientados a realizar experiencias significativas sobre infraestructuras reales.

Así, el estudiante aprende los conceptos básicos sobre el procesamiento distribuido de grandes volúmenes de datos y recibe una introducción práctica a algunas de las tecnologías y herramientas utilizadas actualmente en este campo.

Contenido

  1. Big Data: impacto de los datos en la sociedad actual.
  2. Características del Big Data, adquisición y almacenamiento.
  3. Entornos para el procesamiento distribuido de BD: tecnología e infraestructura (desde el clúster al cloud).
  4. Procesamiento, almacenamiento y visualización: herramientas y entornos de trabajo.
  5. Casos de uso: Cloudera, HortonWorks, Mapro, AWS, Google, Azure.
  6. Modelos de almacenamiento de datos: jerárquico, relacional, objetos, declarativo, grafos, no estructurados.
  7. Modelos de procesamiento de datos: Map-Reduce, Spark, Tuplas, Graph, Batch, ...
  8. Modelos de visualización de datos
  9. Caso de estudio: entorno integrado de procesamiento y visualización de datos (OpenML)
  10. Casos de uso sobre datos médicos: Texto- Analytics, Data Processing & Visualization, Search & Classify.

Profesorado

  • Remo Suppi
  • Eduardo César Galobardes

Módulo 4: Adquisición, filtrado y seguridad de datos

Los datos con los que se trabaja no son sino una representación, simplificada y a veces sesgada, de la realidad. Los datos se capturan a través de dispositivos físicos que no "ven" la realidad completa sino sólo uno o unos pocos aspectos de la misma. La fidelidad con que estos datos representan a la realidad depende de cómo y con qué dispositivos se adquieran. Asimismo, los datos capturados deben ser tratadas, preservando la información que contienen, para su posterior almacenamiento y explotación.

En este módulo el estudiante aprenderá cómo se capturan los datos a su nivel más bajo, y qué tipos de tratamientos básicos se les aplica por (1) conseguir que reflejen de la manera más completa y fiel la realidad y (2) facilitar su almacenamiento y / o transmisión. Dado que trabajaremos con datos médicos o, en general, con datos "sensibles", una parte fundamental del tratamiento de datos consiste en definir qué niveles de seguridad y / o privacidad se requieren y cómo se garantizan.

Contenido

  1. Tipos de datos en salud: datos clínicos, señales vitales, secuencias de eventos, texto, imágenes médicas y genoma.
  2. Adquisición de datos I: señales y sistemas, muestreo, transductores y sensores.
  3. Adquisición de datos II: fuentes de información multimodal.
  4. Fiabilidad de los datos. Tolerancia a fallos, disponibilidad y coste de almacenamiento.
  5. Pre-procesado de datos: limpieza, enriquecimiento, integración y curation.
  6. Anonimización. Técnicas de aleatorización y de generación. Pseudoanonimització.
  7. Compresión de datos de texto, imagen y vídeo. Compresión con y sin pérdida, cuantificación y medidas de distorsión.
  8. Estándares de compresión. DICOM.
  9. Introducción a la seguridad. Conceptos básicos de seguridad y cifrado.
  10. Seguridad de los datos. Tecnologías y riesgos para la seguridad en Big Data.

Profesorado

  • Joan Bartrina
  • Bernat Gastón
  • Ramon Martí
  • Joan Oliver
  • Elena Valderrama
  • Mercè Villanueva

Módulo 5: Almacenamiento y visualización de datos

Parte I: Integración de bases de datos

Además de los datos capturados por dispositivos médicos, nos encontraremos con otros tipos de datos que pueden venir de fichas clínicas, bases de datos de otras instituciones y, en general, de cualquier fuente que pueda generar datos de interés clínico. El nivel de estructura de estos datos dependerá de la naturaleza de las mismas. Por lo tanto habrá una representación adecuada para cada uno de estos conjuntos de datos.

En esta primera parte del módulo el estudiante aprenderá a representar los datos utilizando bases de datos relacionales, para datos fuertemente estructuradas, y bases de datos no relacionales, para datos menos estructuradas. La última parte del módulo la dedicaremos (mediante ejemplos prácticos) como integrar los diferentes tipos de bases de datos. 

Contenido

  1. Bases de datos para data warehouse, conceptos básicos
  2. Consultas básicas SQL
  3. Consultas avanzadas SQL
  4. Bases de datos NoSQL, qué son, para qué sirven
  5. Diseño de una base de datos
  6. Integración y homogeneización de datos, organización de los datos

Parte II: Visualización de datos

La visualización de datos se está imponiendo como una herramienta muy eficaz para la manipulación, análisis e interpretación de grandes volúmenes de datos, dado que se aprovecha de las habilidades del sistema visual humano, capaz de detectar rápidamente patrones, repeticiones, elementos discordantes , etc. Una buena visualización es el mecanismo más efectivo para captar la atención de los usuarios, dando valor a dicha que "una imagen vale más que mil palabras".

Contenido

  1. Trabajar con los datos, preprocesado y procesado para gestionar los datos a visualizar.
  2. Visualizaciones: tipos, características, atributos gráficos.
  3. Ejemplos de visualizaciones con diferentes perspectivas.
  4. Story telling.

Profesorado

  • Helena Boltà
  • Oriol Ramos

Trabajo Fin de Máster (TFM)

Consistirá en el diseño e implementación de un proyecto, para dar respuesta a las preguntas planteadas por los profesionales del ámbito de la salud, utilizando las tecnologías de análisis de datos en bases de datos anonimizados.

Tutorías de seguimiento

Donde se analizarán las propuestas realizadas por los estudiantes para el análisis de datos y se supervisará los resultados que se van obteniendo.

Informe final y presentación

El informe final se hará en formato artículo, tendrá entre 8 y 10 páginas de explicación del trabajo, agradecimientos y bibliografía. Se pueden añadir páginas adicionales parar incluir material de apéndice.

El formato, preferentemente, será IEEE, y debe incluir al menos una introducción, los objetivos, el estado del arte, material y métodos, resultados y discusión, conclusiones y líneas abiertas, y bibliografía.

La evaluación final la hará un comité evaluador, que participará en la presentación pública. Se valorará la presentación de un vídeo explicativo del trabajo realizado

Profesorado

  • José Ibeas
  • Dolores Rexachs
  • Javier Serrano

Profesorado

Ramon Baldrich. Doctor. Ingeniero en Informática. UAB - Ciencias de la Computación e Inteligencia Artificial. Centro de Visión por Computador (CVC)

Joan Bartrina. Doctor en Ciencias Computación. UAB - Ingeniería de la Información y de las Comunicaciones. Área de compresión de datos, vídeo e imágenes digitales de satélite y médicas.

Anna Benavent. Doctora Ingeniera en Telecomunicaciones. Directora de Organización y Sistemas De información. Hospital Universitario Parc Taulí

Luis Bernaldez. Ingeniero en Telecomunicación. Responsable de sistemas y comunicaciones en Hospital Universitario Parc Taulí

Helena Boltà Torrell. Master en Visual Analytics y Big Data. UAB - Dpto Ciencias de la Computación e Inteligencia Artificial. Área de Big Data y bases de datos.

Eduardo Cesar Galobardes. Doctor en Informática. . UAB - Dpto de Arquitectura de Computadores y Sistemas Operativos

Bernat Gaston. Doctor en Informática. Fundación i2CAT

Debora Gil. Doctora en Matamàtiques. UAB - Ciencias de la Computación e Inteligencia Artificial. Responsable del grupo deInvestigación Modelado Interactivo y Aumentado (IAM) al Centro de Visión por Computador (CVC). Investigadora en el modelado de datos heterogéneas en sistemas de apoyo clínico (diagnóstico e intervención) a decisiones.

José Ibeas. Especialista en Nefrología. Doctorado en Medicina. Master en Medicina Basada en la Evidencia. Postgrado en Big Data e Inteligencia Artificial para Ciencias de la Vida. responsable del Grupo A9G4 del I3PT- Nefrología Clínica, Intervencionista y Computacional (Cicno). Miembro del Comité de Ética de Investigación Hospital Universitario Parc Taulí. Presidente de la Vascular Access Society (VAS) y Vicepresidente de Grupo Español Multidisciplinar del Acceso Vascular (GEMAV).

Edwar Macias. Ingeniero Electrónico. Master en Ingeniería de Telecomunicación. UAB - Dpto Telecomunicaciones e Ingeniería de Sistemas. Wireless Information Networking (WIN). Área de Analítica de Datos Médicas. Investigador en el área de control de predicción de modelos, algoritmos de procesamiento de señal, tecnologías del habla y analítica de datos médicos, aprendizaje automático, minería de datos, e-salud y yate.

Marcela Manriquez. Licenciada en Medicina. Coordinadora de la Unidad de Ensayos Clínicos. Miembro del Comité de Ética de Investigación. Hospital Universitario Parc Taulí.

Ramon Martí. Doctor Ingeniero Telecomunicación. UAB - Ingeniería de la Información y de las Comunicaciones. Área de Redes de ordenadores, Seguridad y Arquitectura de Computadores. Grupo de investigación Security of Networks and Distributed Applications (SeNDA). Áreas de investigación en documentos multimedia, comercio electrónico, aplicaciones distribuidas, seguridad y agentes móviles.

Antoni MorellDoctor ingeniero. UAB - Dpto Telecomunicaciones e Ingeniería de Sistemas. Wireless Information Networking (WIN). Área de Analítica de Datos Médicas. Investigador en el área de control de predicción de modelos, algoritmos de procesamiento de señal, tecnologías del habla y analítica de datos médicos. Experiencia en técnicas de optimización aplicadas a las comunicaciones y yate / WSN.

Coloma Moreno. Médico especialista en Medicina Preventiva y Salud Pública. Master en Salud Pública, Especialidad en Epidemiología. Secretaría Técnica del Comité de Ética de Investigación. Hospital Universitario Parc Taulí.

Joan Oliver. Doctor en Informática. UAB - Microelectrónica y Sistemas Electrónicos. Investigador en el Grupo de Diseño de Circuitos Integrados de Instituto de Microelectrónica de Barcelona. Co-fundador de Alternative Energy Innovations SL (AEinnova)

Oriol Ramos. Doctor en Informática. UAB - Ciencias de la Computación e Inteligencia Artificial

Guillem Reig. Graduado en derecho y máster en derecho internacional de los negocios. Especialista en derecho sanitario y protección de datos personales. Miembro del Comité de Ética de Investigación del Hospital Universitario Parc Taulí

Dolores Isabel Rexachs del RosarioDoctora en Informática. UAB - Dpto de Arquitectura de Computadores y Sistemas Operativos. investigadora del grupo HPC4EAS, En el área de la Arquitectura de Computadores y Sistemas Inteligentes Orientados a servicios de salud

Anna Ripoll Araceli. Licenciada en Físicas. Doctora en Informática. UAB - Dpto de Arquitectura de Computadores y Sistemas Operativos. Catedrática de Arquitectura y Tecnología de Computación. presidenta Bioinformaticos Barcelona (BIB)

Albert Ruiz. Doctor en matemáticas. UAB - Dpto Matemáticas. Investigador miembro de Barcelona Algebraico Topology Group (MTM2016-80439-P) y de Interacciones Lab between Algebra, Geometry and Topology.

Miguel Ángel Seguí. Especialista en Oncología Médica. Doctorado en Medicina. Jefe del Servicio de Oncología y Presidente del Comité Ético de Investigación del Hospital Universitario Parc Taulí. Profesor asociado en la Universidad Autónoma de Barcelona. Miembro de la Juntas Directivas del Grupo español de investigación en cáncer de mama (GEICAM) y Sociedad Española de Oncología Médica (SEOM).

Javier Serrano. Doctor en Informática. UAB - Dpto Telecomunicaciones e Ingeniería de Sistemas. Wireless Information Networking (WIN). Área de Analítica de Datos Médicas. Investigador en el área de control de predicción de modelos, algoritmos de procesamiento de señal, tecnologías del habla y analítica de datos médicos.

Remo SuppiDoctor en Informática. UAB - Dpto de Arquitectura de Computadores y Sistemas Operativos. Area de redes informáticas, sistemas distribuidos e infraestructuras para el Procesamiento de datos (clusters y Cloud). Investigador Miembro del grupo HPC4EAS en el campo de la simulación de altas Prestaciones basadas en ABM (Agente Based Modelling) aplicadas a evacuaciones de emergencia y propagación de Enfermedades.

Elena ValderramaDoctora en Física. UAB - Dpto Microelectrónica y Sistemas Electrónicos

Mercè Villanueva. Licenciada en Matemáticas. Doctora en Informática. UAB - Ingeniería de la Información y de las Comunicaciones. Investigadora del grupo Combinatorics, Coding and Security Group (CCSG). Área de optimización de la codificación en Transmisiones digitales y Almacenamiento de datos aplicada a la sociedad de la información.

Inscripción

El curso se dirige a profesionales del ámbito de Ciencias de la Salud: Medicina, Farmacia, Enfermería y otros titulados relacionados con Ciencias de la Salud. Para otras titulaciones, se valorará el perfil y curriculum vitae del alumno.

Se hará un descuento del 10% a los miembros del Hospital Universitario Parc Taulí, Bioinformatics Barcelona y UAB Alumni.

Pasos a seguir para formalizar la inscripción:

1. Envía tus datos a la Secretaría Técnica

    Nombre y apellidos

    DNI

    Dirección

    Código postal

    Población

    Correo electrónico

    Profesión

    Lugar de trabajo

    Modalidad de la formación

    2. Enviar la documentación

    La documentación a presentar es:

    • Titulación universitaria, con compulsa original.
    • Fotocopia del DNI

    Esta documentación debe enviarse por correo postal a la dirección:

    Ester Freixa
    Fundación Parc Taulí
    Parque del Taulí, 1, Edificio Santa Fe, 2ª planta izquierda
    08208 - Sabadell (Barcelona)

    3. Realiza el pago

    • Master: 5.700 €
    • Diploma de Postgrado: 2.850€
    • curso: 950€

    El importe de la formación deberá pagar mediante transferencia, indicando tu nombre, el número de cuenta:

    BANCO DE SABADELL
    ES69 0081 5154 22 0002103622

    Cuando hayas realizado el pago, tendrá que enviar por correo electrónico (efreixa@tauli.cat) El comprobante de la transferencia. En este momento, tu plaza quedará reservada automáticamente.

    En caso de que el pago de la inscripción se haga mediante una empresa, habrá que enviar un correo a efreixa@tauli.cat para proporcionar los datos fiscales:

    • Nombre de la empresa
    • Dirección, código postal y población
    • Online - Consumidores directo (Indica Si o No)
    • Persona de contacto y correo electrónico

    Sede y contacto

    Sede del máster

    Parc Taulí Hospital Universitari. Universitat Autònoma de Barcelona
    Parc del Taulí, 1
    08208 Sabadell (Barcelona)

    Las clases presenciales se realizarán en las Aulas de la Facultad de Medicina - Unidad Docente Universidad Autónoma de Barcelona del Parque Taulí.

    Contacto

    Dirección

    • Jose Ibeas. Servicio de Nefrología. Parc Taulí Hospital Universitario.
    • Dolores Rexachs. Departamento de Arquitectura de Computadoras y Sistemas Operativos. Escuela de Ingeniería - Universidad Autónoma de Barcelona.

    avalado por

    • Sociedad Española de Nefrología
    • Sociedad Catalana de Enfermería nefrológica
    • Sociedad Española de Dialisis y Transplante
    Preferencias de privacidad

    Cuando visitas nuestro sitio web, el navegador puede almacenar información de servicios específicos, normalmente en forma de cookies. Aquí puedes cambiar tus preferencias de privacidad. Hay que tener en cuenta que el bloqueo de algunos tipos de cookies puede afectar tu experiencia en nuestro sitio web y los servicios que ofrecemos.

    Activar / desactivar el código de seguimiento de Google Analytics
    Activar / desactivar Google Fonts
    Activar / desactivar Google Maps
    Activar / desactivar el vídeos incrustados
    Este sitio web utiliza cookies, principalmente de servicios de terceros. Puedes editar tus preferencias de privacidad y / o aceptar el uso de las cookies.