Màster en Intel·ligència Artificial i Big Data en Salut

Tipologia

Màster (M) | Postgrau (P) | Curs d’especialització (C)

Places

M: 20 | P: 15 | C: 40

Format

Online

Idioma

Castellà

Acreditació

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

Preus

M: 5.700€ | P: 2.850€ | C: 950€

Inscripcions

Properament

Programes

HTML i PDF

  • Presentació
  • Objectius
  • Metodologia
  • Programes
  • Professorat
  • Inscripció
  • Seu i contacte

Presentació

La formació en intel·ligència artificial en salut es presenta amb 3 modalitats formatives:

  • Màster en Intel·ligència Artificial i Big Data en Salut: la formació més completa, amb 2 anys de durada, 60 crèdits ECTS, 5 mòduls formatius i TFM.
  • Diploma de Postgrau: 1 any de durada, 30 crèdits ECTS, 3 primers mòduls formatius del Màster.
  • Curs d’especialització en Intel·ligència Artificial: 10 crèdits ECTS corresponents al primer mòdul del Màster.

Justificació

Estem vivint una revolució tant profunda que possiblement superarà a la invenció del motor de vapor, el tren, l’electricitat o la producció en massa en la magnitud dels canvis que portarà. Aquesta Quarta Era Industrial gravita entorn a la intel·ligència artificial (IA), la robòtica i el Big data, preconitza una profunda revolució que ja és visible en la forma que vivim i treballem, potser inclús en la forma en que ens veiem a nosaltres mateixos com a humans.

Aquesta revolució també afectarà a la medicina. La mateixa medicina està en certa forma en un moment de crisis. Com a professió, tot i els extraordinaris avenços en l’art i la ciència de la medicina en les darreres quatre dècades, freqüentment presenta limitacions en el diagnòstic i sobre tot en la seva capacitat predictiva; fa proves i tractament innecessaris que eleven els costos de la medicina. Aquesta revolució pot ajudar en gran mesura a fer front a aquests problemes.

La quarta revolució industrial

El potencial que ens proporciona l’aprofitament de grans quantitats de dades es fantàstic. Mitjançant la capacitat d’extracció de coneixement i d’aprendre que tenen aquestes dades quan les combinem amb mètodes d’intel·ligència artificial i aprenentatge profund, podem aconseguir una gran precisió en la diagnosi i prognosi. Amb l’ajuda d’aquestes tecnologies els clínics podrien augmentar la seva eficàcia i sobre tot la seva eficiència en l’atenció als pacients que és potser un dels grans problemes de la medicina actual.

Per tant, l’atenció sanitària es un sector que es beneficiaria enormement de la IA. La IA permetrà estalviar milers de milions d’euros en millorar la prevenció, el diagnòstic i el tractament de problemes com l’obesitat infantil, les malalties cardiovasculars i les seves seqüeles, les malalties neurodegeneratives i el càncer de mama, entre d’altres àmbits. A més, permetrà desenvolupar nous medicaments i fomentar la medicina personalitzada i domiciliària o millorar la qualitat de vida de la gent gran.

La medicina personalitzada ha creat un nou paradigma on pocs metges tenen la formació adient. Llavors, els professionals implicats en l’entorn sanitari necessiten en primer lloc el coneixem per fer front a un canvi molt important en la forma de fer medicina. En segon lloc, els coneixement específics que els permetrà abordar la generació i desenvolupament de coneixement relacionat amb les tecnologies implicades en aquest nou paradigma. En darrer lloc, els cal la capacitat de creació d’equips multidisciplinars que integren a professionals dels entorns científic i d’enginyeria que permetin abordar els nous reptes que plantegen aquesta medicina personalitzada.

En aquest context és necessària una IA capaç d’ajudar eficientment als professionals mèdics en les seves decisions i millorar els mètodes d’interacció persona-computador. En l’actualitat, els metges es basen en guies clíniques o en la seva experiència. Les guies poden tenir la limitació de cobrir només una part de la pràctica clínica i l’experiència els biaixos associats a aquesta. Una assistència automàtica, capaç d’efectuar aquests càlculs de probabilitat de manera normativa i amb accés en temps real a les dades de la història clínica electrònica, permetria una major productivitat dels professionals sanitaris. La formació per a l’existència d’una nova generació de metges més tecnològics i capaços d’ajudar en el disseny d’aquests assistents cognitius és un dels reptes en aquest aspecte.

L’anomenada “Medicina P4” (predictiva, personalitzada, preventiva i participativa), estarà fonamentada en tecnologies emergents com la IA i l’anàlisi de grans quantitats dades basat en l’aprenentatge automàtic i la visió per computador. Així, la ciència de dades s’aplicarà de manera rutinària a informació, estructurada i no estructurada, provinent de registres electrònics de salut, -òmiques (genòmica, proteòmica, transcriptòmica, etc.) i eines de imatges mèdiques.

Així, aquest Màster, Diploma de Postgrau i Cursos d’Especialització van dirigits a professionals de la salut interessats en conèixer com s’aplica la IA en salut  i fer recerca amb les dades que tenen accés als seus llocs de treball, historials clínics i altres dades que recullen als serveis on treballen. Generalment aquests professionals estan acostumats a fer recerca utilitzant tècniques estadístiques i ara volen anar un pas més enllà i veure que pot donar de si les tècniques computacionals de la intel·ligència artificial i com es poden tractar dades massives. A més a més, les implicacions ètiques a l’hora de conduir una investigació tenen una importància màxima en aquesta àrea de la salut, és per això que en aquest Màster els alumnes adquiriran els coneixements necessaris sobre privacitat, ètica i legalitat que calen per escriure una proposta de projecte que pugui ser validada pels Comitès Ètics d’Investigació Clínica (CEIC).

Objectius

Objectius generals

L’objectiu fonamental és adquirir el coneixement necessari per analitzar les necessitats d’informació que es plantegen en l’entorn de Salut i seguir totes les etapes del procés de construcció d’una solució basada en intel·ligència artificial per millorar el coneixement i la presa de decisions en l’àrea de salut sense oblidar la part legal i ètica.

Els objectius i competències que hi ha a continuació corresponen al Màster. Els del Diploma de Postgrau són un subconjunt d’aquests i estan indicats amb una P.

Objectius específics

  • Formar professionals especialitzats en el processament i anàlisi de dades clíniques relacionades amb la salut mitjançant d’utilització de les eines que proporciona la IA i el BD. (P)
  • Adquirir el coneixement específic per analitzar les necessitats d’informació que es plantegen en l’entorn de Salut i seguir totes les etapes del procés de construcció d’una solució per millorar el coneixement i la presa de decisions en l’àrea de salut sense oblidar la part legal i ètica. (P)
  • Desenvolupar la capacitat de creació d’equips multidisciplinaris que permetin abordar els nous reptes que plantegen aquesta medicina personalitzada. (P)
  • Adquirir coneixements avançats en les àrees de l’adquisició de les dades, emmagatzemament i visualització de dades, seguretat i privacitat.
  • Desenvolupar un projecte d’anàlisi de dades clíniques complet.

Competències específiques

Al finalitzar el Màster/Diploma, l’alumne haurà de ser capaç de:

  • Comprendre les tecnologies de generació de dades sanitàries i analitzar les necessitats de pretractament, emmagatzematge i processament de dades que es plantegen en l’àmbit de Ciències de la Salut. (P)
  • Dissenyar i avaluar un sistema, procés, component o programa per satisfer les necessitats plantejades en Salut. (P)
  • Aplicar mètodes matemàtics, principis algorítmics i d’intel·ligència artificial per a modelar, dissenyar i desenvolupar aplicacions, serveis, sistemes intel·ligents i sistemes basats en el coneixement en l’àmbit de la Salut. (P)
  • Gestionar i explotar diferents tipus d’informació relacionada amb l’àmbit de la salut per a transformar-la en coneixement. (P)
  • Dissenyar, implantar i gestionar sistemes per a la gestió de conjunts de dades massius. (P)
  • Analitzar críticament els aspectes de seguretat i privacitat en un projecte amb dades clíniques.
  • Desenvolupar un projecte d’anàlisi de dades clíniques seguint totes les etapes, i que cobreixi tant els aspectes tècnics com els ètics.

Competències transversals

L’alumne ha d’estar capacitat per:

  • Comprendre els aspectes, problemes i responsabilitats professionals, ètics, legals, de seguretat, i socials. (P)
  • Funcionar eficaçment en equips multidisciplinaris per aconseguir un objectiu comú. (P)
  • Comunicar-se de manera efectiva amb una varietat d’audiències. (P)
  • Analitzar l’impacte local i global d’aplicar Estratègies d’Intel·ligència Artificial i Big Data en els pacients, les organitzacions i la societat. (P)

Metodologia

  • Format: Semipresencial. Principalment online, amb 6 classes presencials per cada mòdul (veure programa). Donada la situació excepcional actual, s’ha convertit tot el contingut en línia, que anirà recuperant-se en la mesura de les possibilitats progressivament. Així mateix, si algun alumne tingués problemes per poder acudir, el contingut presencial serà gravat.
  • Places:
    • Màster: 20.
    • Diploma de Postgrau: 15.
    • Cursos d’especialització: 40.
  • Crèdits:
    • Master: 60 ECTS.
    • Diploma de Postgrau: 30 ECTS.
    • Cursos de especialització: 10 ECTS.
  • Idioma: Castellà.

El programa està dissenyat utilitzant una metodologia interactiva a través del campus virtual de la UAB que utilitza la plataforma educativa Moodle i que permet aprendre de manera autònoma i propicia la reflexió sobre els conceptes més rellevants del Màster.

Tots els continguts del Màster estan allotjats al campus virtual de la Universitat Autònoma de Barcelona (UAB). Des d’aquest campus virtual es realitzen les diferents activitats que integren els cursos: estudi del material teòric, resolució de casos pràctics o exercicis i realització d’autoavaluacions.

Durant el desenvolupament dels mòduls, l’alumne trobarà al campus virtual diverses eines de comunicació, com el correu electrònic, els fòrums i els xats. Els fòrums, especialment, permeten l’intercanvi d’idees entre alumnes i professors i són un element fonamental del nostre curs. En ells es plantegen els dubtes, es proposen debats i es interactua amb la resta de companys, sempre sota la supervisió d’un professor especialista en la matèria.

Els alumnes comptaran en tot moment amb l’ajuda d’un tutor especialitzat que el guiarà en el seu progrés personal i resoldrà els seus dubtes sobre el funcionament del campus.

Durada i planificació docent

El mòduls d’aquest Màster s’oferiran de forma seqüencial al llarg de dos anys, un mòdul cada trimestre (en el trimestre d’estiu no s’ofereix res).

Els mòduls tindran una duració de 12 setmanes. Segueixen una seqüència cronològica dels temes d’estudi indicats anteriorment, que incorporen lectures, debats i activitats vinculats amb les temàtiques treballades. Es tracta d’un plantejament on l’estudiant ha de superar en cada tema les exigències acadèmiques (teòriques i pràctiques) del mòdul.

Per a cada mòdul s’organitzaran 3 sessions presencials de 8 hores (divendres tarda i dissabte matí) de la següent forma:

  • La primera setmana del mòdul, es realitzarà la presentació del mòdul, una conferència realitzada per un ponent rellevant i relacionat amb el contingut del mòdul, classes magistrals e introducció a les pràctiques.
  • La setmana 6 es realitzarà la segona reunió presencial del mòdul. Es començarà amb conferència realitzada per un ponent rellevant i relacionat amb el contingut del mòdul, classes magistrals, presentacions del Treball realitzat pels estudiants, sessió de pràctiques
  • L’última setmana del mòdul (setmana 12). Es començarà amb conferència realitzada per un ponent rellevant i relacionat amb el contingut del mòdul, sessió de pràctiques, presentacions del Treball realitzat pels estudiants, sessió d’avaluació.

Treball final

Els estudiants hauran de realitzar un treball final que consistirà en la planificació i el desenvolupament d’un projecte de anàlisis de dades clíniques.

S’assignarà un tutor que assessori i supervisi el Treball realitzat pels alumnes.

S’haurà de lliurar un informe final en format article, tindrà entre 10 i 15 pàgines d’explicació del treball, estat de l’art, mètodes, discussió, resultats i bibliografia. Es poden afegir pàgines addicionals parar incloure material d’apèndix. Es valorarà la presentació d’un vídeo explicatiu de la feina realitzada.

El treball final s’ha de presentar (exposició oral) davant un tribunal de tres membres, com a mínim dos dels quals han de ser de l’equip docent.

L’avaluació final la farà el comitè avaluador, que participarà en la presentació pública.

Procediments d’avaluació

Els cinc mòduls del màster (a excepció del TFM) s’avaluaran de forma similar. Es valorarà l’interès i grau d’implicació demostrats per l’estudiant (intervenció en els fòrums del CV), la realització i defensa dels treballs de curs, i el resultat obtingut en els qüestionaris i les activitats que caldrà lliurar setmanalment. El pes de cadascuna d’aquestes activitats en la nota final de cada mòdul es mostra a continuació:

  1. Intervenció al fòrums: 10%
  2. Qüestionaris: 15%
  3. Activitats setmanals obligatòries: 45%
  4. Treball de curs (presentació presencial): 30%

El TFM serà avaluat per un tribunal que tindrà en compte la memòria del projecte i la presentació pública que es faci.

La nota global del màster i del diploma de Postgrau serà la mitja ponderada de les notes dels mòduls que composen aquests programes.

Programes generals

Calendaris

Edició 2020 – 2022

Màster
Mòduls 1, 2, 3, 4, 5 + Treball Fi Màster
Postgrau
Mòduls 1, 2, 3
Curs d’especialització
Mòdul 1
Mòdul 1

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

Mòdul 2 Del 08/01/21 al 28/03/21
Mòdul 3 Del 09/04/21 al 27/06/21
Mòdul 4 Del 24/09/21 al 19/12/21
Mòdul 5 Del 14/01/22 al 14/04/22
Treball Fi Màster Data límit: 30/09/22

Edició 2021 – 2023

Màster
Mòduls 1, 2, 3, 4, 5 + Treball Fi Màster
Postgrau
Mòduls 1, 2, 3
Curs d’especialització
Mòdul 1
Mòdul 1

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

Mòdul 2 Del 10/01/22 al 03/04/22
Mòdul 3 Del 11/04/22 al 03/07/22
Mòdul 4 Del 26/09/22 al 18/12/22
Mòdul 5 Del 09/01/23 al 02/04/23
Treball Fi Màster Data límit: 29/09/23

Edició 2022 – 2024

Màster
Mòduls 1, 2, 3, 4, 5 + Treball Fi Màster
Postgrau
Mòduls 1, 2, 3
Curs d’especialització
Mòdul 1
Mòdul 1

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

Mòdul 2 Del 09/01/23 al 31/03/23
Mòdul 3 Del 11/04/23 al 16/06/23
Mòdul 4 Del 22/09/23 al 20/12/23
Mòdul 5 Del 08/01/24 al 27/03/24
Treball Fi Màster Data límit: 27/09/24

Edició 2023 – 2025

Màster
Mòduls 1, 2, 3, 4, 5 + Treball Fi Màster
Postgrau
Mòduls 1, 2, 3
Curs d’especialització
Mòdul 1
Mòdul 1

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

Mòdul 2 Del 08/01/24 al 15/04/24
Mòdul 3 Del 02/04/24 al 08/07/24
Mòdul 4 Del 20/09/24 al 20/01/25
Mòdul 5 Del 07/01/25 al 11/04/25
Treball Fi Màster Data límit: 25/09/25

Continguts

L’anàlisi dades s’ha utilitzat de manera intensiva i extensiva per moltes organitzacions. En ciències de la vida, l’anàlisi de dades clíniques és cada vegada més popular, fins i tot es podria dir cada vegada més essencial. Les aplicacions de IA poden beneficiar enormement a totes les parts involucrades en el sector de la salut. Per exemple, el anàlisis de dades pot ajudar a les organitzacions sanitàries en la presa de decisions de gestió, els metges identifiquen tractaments eficaços i les millors pràctiques, i els pacients reben millors i més assequibles serveis assistencials. L’enorme quantitat de dades generades per les transaccions d’atenció mèdica són massa complexos i voluminosos per a ser processats i analitzats per mètodes tradicionals. La intel·ligència artificial aplicada a l’anàlisi de dades proporciona la metodologia i la tecnologia per a transformar aquestes quantitats ingents de dades en informació útil per a la presa de decisions

Els estudis de Màster estan organitzats en 5 mòduls obligatoris de 10 ECTS i un Projecte Final de Màster (10 ECTS):

  • M1: Intel·ligència Artificial en Salut.
  • M2: Anàlisi de Dades en Salut.
  • M3: Entorns Big data per a l’anàlisi de dades.
  • M4: Adquisició, filtratge i seguretat de dades.
  • M5: Emmagatzemament i visualització de dades.
  • Projecte Fi de Màster.

Els estudis de Diploma de Postgrau estan organitzats en 3 mòduls obligatoris de 10 ECTS cadascun:

  • M1: Intel·ligència Artificial en Salut.
  • M2: Anàlisi de Dades en Salut.
  • M3: Entorns Big data per a l’anàlisi de dades.

El Curs d’especialització d’Intel·ligència Artificial en Salut correspon al mòdul 1 del Màster de 10 ECTS. :

  • M1: Intel·ligència Artificial en Salut.

Hi ha la possibilitat de cursar mòduls individuals o Cursos d’especialització. Obligatòriament s’haurà de cursar primer el mòdul “Intel·ligència Artificial en Salut”, per poder cursar la resta de mòduls oferts. Aquests es poden cursar bé dins del Postgrau o del Màster, o bé individualment, així com en qualsevol de les edicions del Màster.

Mòdul 1: Intel·ligència artificial en salut

Aquest curs presenta els conceptes fonamentals per introduir-se al món de la IA i la ciència de les dades en salut. Es pretén definir el context d’aquest àmbit i els conceptes necessaris, així com les característiques que implica un projecte d’anàlisi de dades clíniques i el que significa participar, tant en aspectes de procediment, com de qualitat, privacitat, seguretat o ètica.

A l’acabar el curs l’estudiant tindrà una visió general del que és un projecte d’anàlisi de dades mitjançant tècniques d’IA en salut.

Contingut

  1. Introducció a la Intel·ligència Artificial per Clínics: Aplicacions en Salut. Definició i conceptes d’IA i ciència de dades: Agents intel·ligents, presa de decisions, aprenentatge automàtic.
  2. Procés de mineria de dades dades: definició del problema, captura, preprocessament, anàlisi, visualització i avaluació, pre-processament de les dades (neteja, integració, reducció, transformació). Disseny d’experiments.
  3. Adquisició i emmagatzematge de dades i visualització de dades: Tipus de dades clíniques, dades estructurades vs no estructurats, bases de dades relacionals i no relacionals (NoSQL). Visualització de dades.
  4. Aprenent de les dades: Aprenentatge supervisat vs no supervisat, Avaluació de models, Regressió, Classificació, Segmentació.
  5. Algoritmes de aprenentatge: Arbres de decisió, mètodes d’emsemble, aprenentatge profund. Aplicacions típiques.
  6. Processament Big Data: Característiques (4 V ‘s), infraestructures per a dades massius, Plataformes en la núvol, models d’emmagatzematge i procés per a dades massius.
  7. Qualitat, privacitat i seguretat de les dades.
  8. Ètica al Tractament de dades mèdiques.
  9. Legalitat en el Tractament de dades mèdiques.
  10. Gestió de projectes en salut.

Professorat

  • 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

Mòdul 2: Anàlisi de dades en salut

Una part fonamental de l’anàlisi de dades són les tècniques d’aprenentatge computacional. Aquestes són el cor del ‘Big Data’ ja que ens permeten anar més enllà de les dades i la informació per inferir coneixement. En aquest mòdul es ‘desconnecta’ de la mida de les dades per centrar-se exclusivament en les tècniques que permeten tractar-les de forma que en permeti respondre a preguntes que no són evidents quan tractem amb informació molt variada dels elements que conformen l’entorn.

L’estudiant serà capaç de seleccionar les tècniques adequades als problemes concrets que se l’hi plantegin, comprendre’n la complexitat i mesurar l’eficiència de les propostes de resolució.

Contingut

  • Anàlisi de les dades entorns de salut: aplicacions.
  • Dades clíniques i la seva gestió i pre- processament.
  • Revisió d’eines estadístiques
  • Selecció d’atributs (PCA, LDA, ICA)
  • Aprenentatge supervisat: Avaluació
  • Aprenentatge supervisat: Algoritmes
  • Aprenentatge amb xarxes neuronals (MLP, CNN, LSTM)
  • Aprenentatge no supervisat: clustering
  • Projecte de curs

Professorat

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

Mòdul 3: Entorns Big Data per a l’anàlisi de dades

La necessitat de processament massiu de dades és una realitat que aprofita la potencia de les infraestructures de còmput distribuït i la disponibilitat creixent de dades no estructurats o semi estructurats. Aquesta unió permet disposar de capacitat d’anàlisi fent servir els algoritmes apropiats per extraure conclusions a partir de grans volums de dades en períodes raonables de temps.

Aquest mòdul presenta una estructura equilibrada entre els conceptes més importants del tema i casos d’ús pràctics orientats a realitzar experiències significatives sobre infraestructures reals.

Així, l’estudiant aprèn els conceptes bàsics sobre el processament distribuït de grans volums de dades i rep una introducció pràctica a algunes de les tecnologies i eines utilitzades actualment en aquest camp.

Contingut

  1. Big Data: impacte de les dades en la societat actual.
  2. Característiques del Big Data, adquisició i emmagatzematge.
  3. Entorns per al processament distribuït de BD: tecnologia i infraestructura (des del clúster al cloud).
  4. Processament, emmagatzematge i visualització: eines i entorns de treball.
  5. Casos d’ús: Cloudera, HortonWorks, MapR, AWS, Google, Azure.
  6. Models d’emmagatzematge de dades: jeràrquic, relacional, objectes, declaratiu, grafs, no estructurats.
  7. Models de processament de dades: Map-Reduce, Spark, Tuples, Graph, Batch, …
  8. Models de visualització de dades
  9. Cas d’estudi: entorn integrat de processament i visualització de dades (OpenML)
  10. Casos d’ús sobre dades mèdiques: Text- Analytics, Data Processing & Visualization, Search & Classify.

Professorat

  • Remo Suppi
  • Eduardo César Galobardes

Mòdul 4: Adquisició, filtratge i seguretat de dades

Les dades amb els quals es treballa no són sinó una representació, simplificada i de vegades esbiaixada, de la realitat. Les dades es capturen a través de dispositius físics que no “veuen” la realitat completa sinó només un o uns pocs aspectes de la mateixa. La fidelitat amb que aquestes dades representen a la realitat depèn de com i amb quins dispositius s’adquireixin. Així mateix, les dades capturades han de ser tractades, preservant la informació que contenen, per al seu posterior emmagatzematge i explotació.

En aquest mòdul l’estudiant aprendrà com es capturen les dades al seu nivell més baix, i quins tipus de tractaments bàsics se’ls hi aplica per (1) aconseguir que reflecteixin de la manera més completa i fidel la realitat i (2) facilitar el seu emmagatzematge i/o transmissió. Atès que treballarem amb dades mèdiques o, en general, amb dades “sensibles”, una part fonamental del tractament de dades consisteix a definir quins nivells de seguretat i/o privadesa es requereixen i com es garanteixen.

Contingut

  1. Tipus de dades en salut: dades clíniques, senyals vitals, seqüències d’events, text, imatges mèdiques i genoma.
  2. Adquisició de dades I: senyals i sistemes, mostreig, transductors i sensors.
  3. Adquisició de dades II: fonts d’informació multimodal.
  4. Fiabilitat de les dades. Tolerància a fallades, disponibilitat i cost d’emmagatzematge.
  5. Pre-processat de dades: neteja, enriquiment, integració i curation.
  6. Anonimització. Tècniques d’aleatorització i de generació. Pseudoanonimització.
  7. Compressió de dades de text, imatge i vídeo. Compressió amb i sense pèrdua, quantificació i mesures de distorsió.
  8. Estàndards de compressió. DICOM.
  9. Introducció a la seguretat. Conceptes bàsics de seguretat i xifrat.
  10. Seguretat de les dades. Tecnologies i riscos per la seguretat en Big Data.

Professorat

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

Mòdul 5: Emmagatzematge i visualització de dades

Part I: Integració de bases de dades

A més de les dades capturades per dispositius mèdics, ens trobarem amb altres tipus de dades que poden venir de fitxes clíniques, bases de dades d’altres institucions i, en general, de qualsevol font que pugui generar dades d’interès clínic. El nivell d’estructura d’aquestes dades dependrà de la natura de les mateixes. Per tant caldrà una representació adequada per a cada un d’aquests conjunts de dades.

En aquesta primera part del mòdul l’estudiant aprendrà a representar les dades fent servir bases de dades relacionals, per a dades fortament estructurades, i bases de dades no relacionals, per a dades menys estructurades. La última part del mòdul la dedicarem (mitjançant exemples pràctics) com integrar els diferents tipus de bases de dades. 

Contingut

  1. Bases de dades per data warehouse, conceptes bàsics
  2. Consultes bàsiques SQL
  3. Consultes avançades SQL
  4. Bases de dades NoSQL, què són, per què serveixen
  5. Disseny d’una base de dades
  6. Integració i homogeneïtzació de dades, organització de les dades

Part II: Visualització de dades

La visualització de dades s’està imposant com una eina molt eficaç per a la manipulació, anàlisi i interpretació de grans volums de dades, atès que s’aprofita de les habilitats del sistema visual humà, capaç de detectar ràpidament patrons, repeticions, elements discordants, etc. Una bona visualització és el mecanisme més efectiu per captar l’atenció dels usuaris, donant valor a la dita que “una imatge val més que mil paraules”.

Contingut

  1. Treballar amb les dades, preprocessat i processat per gestionar les dades a visualitzar.
  2. Visualitzacions: tipus, característiques, atributs gràfics.
  3. Exemples de visualitzacions amb diferents perspectives.
  4. Story telling.

Professorat

  • Helena Boltà
  • Oriol Ramos

Treball Fi de Màster (TFM)

Consistirà en el disseny i implementació d’un projecte, per donar resposta a les preguntes plantejades pels professionals de l’àmbit de la salut, utilitzant les  tecnologies d’anàlisi de dades en bases de dades anonimitzades.

Tutories de seguiment

On s’analitzaran les propostes realitzades pels estudiants per a l’anàlisi de dades i es supervisarà els resultats que es van obtenint.

Informe final i presentació

L’informe final es farà en format article, tindrà entre 8 i 10 pàgines d’explicació del treball, agraïments i bibliografia. Es poden afegir pàgines addicionals parar incloure material d’apèndix.

El format, preferentment, serà IEEE, i ha d’incloure com a mínim una introducció, els objectius, l’estat de l’art, material i mètodes, resultats i discussió, conclusions i línies obertes, i bibliografia.

L’avaluació final la farà un comitè avaluador, que participarà en la presentació pública. Es valorarà la presentació d’un vídeo explicatiu de la feina realitzada

Professorat

  • José Ibeas
  • Dolores Rexachs
  • Javier Serrano

Professorat

Ramon Baldrich. Doctor. Enginyer en Informàtica. UAB – Ciències de la Computació i Intel·ligència Artificial. Centre de Visió per Computador (CVC)

Joan Bartrina. Doctor en Ciències Computació. UAB –  Enginyeria de la Informació i de les Comunicacions. Àrea de compressió de dades, vídeo i imatges digitals de satèl·lit i mèdiques.

Anna Benavent. Doctora Enginyera en Telecomunicació. Directora d’Organització i Sistemes D’informació. Hospital Universitari Parc Taulí

Luis Bernaldez. Enginyer en Telecomunicació. Responsable de sistemas i comunicacions en Hospital Universitari Parc Taulí

Helena Boltà Torrell. Màster en Visual Analytics i Big Data. UAB – Dept. Ciències de la Computació i Intel·ligència Artificial. Àrea de Big Data i bases de dades.

Eduardo Cesar Galobardes. Doctor en Informàtica. . UAB – Dept. d’Arquitectura de Computadors i Sistemes Operatius

Bernat Gaston. Doctor en Informàtica. Fundació i2CAT

Debora Gil. Doctora en Matamàtiques. UAB – Ciències de la Computació i Intel·ligència Artificial. Responsable del grup d’Investigació Modelatge Interactiu i Augmentat (IAM) al Centre de Visió per Computador (CVC). Investigadora en el modelat de dades heterogènies en sistemas de suport clínic (diagnòstic i intervenció) a decisions.

José Ibeas. Especialista en Nefrologia. Doctorat en Medicina. Màster en Medicina Basada en la Evidencia. Postgrau en Big Data i Intel·ligència Artificial per a Ciències de la Vida. Responsable del Grup A9G4 del I3PT- Nefrología Clínica, Intervencionista y Computacional (CICN). Membre del Comitè d’Ètica d’Investigació Hospital Universitari Parc Taulí. President de la Vascular Access Society (VAS) i Vicepresident de Grup Espanyol Multidisciplinar de l’Accés Vascular (GEMAV).

Edwar Macias. Enginyer Electrònic. Màster en Enginyeria de Telecomunicació. UAB – Dept. Telecomunicació i Enginyeria de Sistemes. Wireless Information Networking (WIN). Àrea d’Analítica de Dades Mèdiques. Investigador a l’àrea de control de predicció de models, algoritmes de processament de senyal, tecnologies de la parla i analítica de dades mèdiques, aprenentatge automàtic, mineria de dades, e-salut i IoT.

Marcela Manriquez. Llicenciada en Medicina. Coordinadora de la Unitat d’Assaigs Clínics. Membre del Comité de Ética de Investigación. Hospital Universitari Parc Taulí.

Ramon Martí. Doctor Enginyer Telecomunicació. UAB – Enginyeria de la Informació i de les Comunicacions. Àrea de Xarxes d’ordinadors, Seguretat i Arquitectura de Computadors. Grup de recerca Security of Networks and Distributed Applications (SeNDA). Àrees d’investigació en documents multimèdia, comerç electrònic, aplicacions distribuïdes, seguretat i agents mòbils.

Antoni MorellDoctor enginyer. UAB – Dept. Telecomunicació i Enginyeria de Sistemes. Wireless Information Networking (WIN). Àrea d’Analítica de Dades Mèdiques. Investigador a l’àrea de control de predicció de models, algoritmes de processament de senyal, tecnologies de la parla i analítica de dades mèdiques. Experiència en tècniques d’optimització aplicades a les comunicacions i IoT / WSN.

Coloma Moreno. Médico especialista en Medicina Preventiva y Salud Pública. Master en Salud Pública, especialidad en Epidemiología. Secretaria Técnica del Comité de Ética de Investigación. Hospital Universitari Parc Taulí.

Joan Oliver. Doctor en Informàtica. UAB – Microelectrònica i Sistemes Electrònics. Investigador al Grup de Disseny de Circuits Integrats d’Institut de Microelectrònica de Barcelona. Co-fundador de Alternative Energy Innovations SL (AEinnova)

Oriol Ramos. Doctor en Informàtica. UAB – Ciències de la Computació i Intel·ligència Artificial

Guillem Reig. Graduat en dret i màster en dret internacional dels negocis. Especialista en dret sanitari i protecció de dades personals. Membre del Comitè d’Ètica d’Investigació de l’Hospital Universitari Parc Taulí

Dolores Isabel Rexachs del RosarioDoctora en Informàtica. UAB – Dept. d’Arquitectura de Computadors i Sistemes Operatius. Investigadora del grup HPC4EAS, a l’àrea de l’Arquitectura de Computadors i Sistemes Intel·ligents Orientats a serveis de salut

Anna Ripoll Araceli. Llicenciada en Físiques. Doctora en Informàtica. UAB – Dept. d’Arquitectura de Computadors i Sistemes Operatius. Catedràtica d’Arquitectura i Tecnologia de Computació. Presidenta de Bioinformatics Barcelona (BIB)

Albert Ruiz. Doctor en matemàtiques. UAB – Dept. Matemàtiques. Investigador membre de Barcelona Algebraic Topology Group (MTM2016-80439-P) i d’ Interactions Lab between Algebra, Geometry and Topology.

Miguel Ángel Seguí. Especialista en Oncología Médica. Doctorat en Medicina. Cap del Servei d’Oncologia i President del Comitè Ètic d’Investigació del Hospital Universitari Parc Taulí. Professor associat a la Universitat Autònoma de Barcelona. Membre de la Juntas Directivas del Grupo espanyol de investigación en cáncer de mama (GEICAM) y Sociedad Española de Oncologia Médica (SEOM).

Javier Serrano. Doctor en Informàtica. UAB – Dept. Telecomunicació i Enginyeria de Sistemes. Wireless Information Networking (WIN). Àrea d’Analítica de Dades Mèdiques. Investigador a l’àrea de control de predicció de models, algoritmes de processament de senyal, tecnologies de la parla i analítica de dades mèdiques.

Remo SuppiDoctor en Informàtica. UAB – Dept. d’Arquitectura de Computadors i Sistemes Operatius. 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 (Agent Based Modelling) aplicadas a evacuaciones de emergencia y propagación de enfermedades.

Elena ValderramaDoctora en Física. UAB – Dept. Microelectrònica i Sistemes Electrònics

Mercè Villanueva. Llicenciada en Matemàtiques. Doctora en Informàtica. UAB –  Enginyeria de la Informació i de les Comunicacions. Investigadora del grup Combinatorics, Coding and Security Group (CCSG). Àrea d’optimització de la codificació en Transmissions digitals i Emmagatzematge de dades aplicada a la societat de la informació.

Inscripció

El curs es dirigeix a Professionals de l’àmbit de Ciències de la Salut: Medicina, Farmàcia, Infermeria i altres titulats relacionats amb Ciències de la Salut. Per a altres titulacions, es valorarà el perfil i curriculum vitae de l’alumne.

Es farà un descompte del 10% als membres de l’Hospital Universitari Parc Taulí, Bioinformatics Barcelona i UAB Alumni.

Passos a seguir per formalitzar la inscripció:

1. Envia les teves dades a la Secretaria Tècnica

    Nom i cognoms

    DNI

    Adreça

    Codi postal

    Població

    Correu electrònic

    Professió

    Lloc de treball

    Modalitat de la formació

    2. Envia la documentació

    La documentació que cal presentar és:

    • Titulació universitària, amb compulsació original.
    • Fotocòpia del DNI

    Aquesta documentació s’ha d’enviar per correu postal a l’adreça:

    Ester Freixa
    Fundació Parc Taulí
    Parc del Taulí, 1, Edifici Santa Fe, 2a planta esquerra
    08208 – Sabadell (Barcelona)

    3. Realitza el pagament

    • Màster: 5.700€
    • Diploma de Postgrau: 2.850€
    • Curs: 950€

    L’import de la formació s’haurà de pagar mitjançant transferència, indicant el teu nom, al número de compte:

    BANC DE SABADELL
    ES69 0081 5154 22 0002103622

    Quan hagis realitzat el pagament, hauràs d’enviar per correu electrònic (efreixa@tauli.cat) el comprovant de la transferència. En aquest moment, la teva plaça quedarà reservada automàticament.

    En cas que el pagament de la inscripció es faci mitjançant una empresa, caldrà enviar un correu a efreixa@tauli.cat per proporcionar les dades fiscals:

    • Nom de l’empresa
    • Adreça, codi postal i població
    • CIF
    • Persona de contacte i correu electrònic

    Seu i contacte

    Seu del màster

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

    Les classes presencials es realitzaran a les Aules de la Facultat de Medicina – Unitat Docent Universitat Autònoma de Barcelona del Parc Taulí.

    Contacte

    Direcció

    • Jose Ibeas. Servei de Nefrologia. Parc Taulí Hospital Universitari.
    • Dolores Rexachs. Departamento de Arquitectura de Computadores y Sistemas Operativos. Escuela de Ingeniería – Universidad Autónoma de Barcelona.

    Avalat per

    • Sociedad Española de Nefrología
    • Societat Catalana de Enfermeria Nefrologica
    • Sociedad Española de Dialisis y Transplante
    Preferències de privacitat

    Quan visites el nostre lloc web, el teu navegador pot emmagatzemar informació de serveis específics, normalment en forma de cookies. Aquí pots canviar les teves preferències de privacitat. Cal tenir en compte que el bloqueig d’alguns tipus de cookies pot afectar la teva experiència al nostre lloc web i als serveis que oferim.

    Activar / desactivar el codi de seguiment de Google Analytics
    Activar / desactivar Google Fonts
    Activar / desactivar Google Maps
    Activar / desactivar el vídeos incrustats
    Aquest lloc web utilitza cookies, principalment de serveis de tercers. Pots editar les teves preferències de privacitat i/o acceptar l'ús de les cookies.