Inteligencia Artificial para pronósticos médicos
Inteligencia Artificial para pronósticos médicos

La IA está transformando la práctica de la medicina.
Está ayudando a los doctores a diagnosticar pacientes con mayor precisión, hacer predicciones sobre el futuro de su salud y a recomendar mejores tratamientos.

Esta especialización permite adquirir experiencia práctica en la aplicación de Machine Learning a problemas concretos de la medicina. Estos cursos van más allá de los fundamentos de Deep Learning abordando los matices que surgen al aplicar la IA a casos de uso médicos. Para los iniciados en Deep Learning o para los que deseen conocer los fundamentos de las redes neuronales artificiales es recomendable cursar la Especialización en Deep Learning.

Programa especializado: Inteligencia Artificial para medicina

Inteligencia Artificial para pronósticos médicos
(este es el segundo de los tres cursos de la especialización)

Curso online
Sábados de 14 a 18
Horas: 20 en cinco clases de cuatro horas
Comienzo: sábado 8 de agosto

Arancel: $8.000

Inteligencia Artificial para pronósticos médicos

1 Modelos lineales de pronósticos

Conceptos clave

Cómo construir un modelo lineal de pronósticos
Evaluación del modelos de pronóstico calculando el concordance index
Mejora del modelos de pronósticos agregando feature interactions


Introduction to Prognostic models

What is the risk of getting a disease?

Create a linear model

Prognostic models in medical practice

Atrial fibrillation
Liver Disease Mortality
Risk of heart disease
Risk Scores, Pandas and Numpy


Representing feature interactions

Risk Score Computation

Combine Features
Evaluating prognostic models
Concordant Pairs, Risk Ties, Permissible Pairs
C-Index


2 Pronósticos basados en árboles de decisión

Conceptos clave

Identify missing data.
Tune a decision tree’s hyperparameters based on its c-index.
Tune a random forest’s hyperparameters based on its c-index.
Use visual inspection to identify differences in distribution due to missing data.
Use mean imputation and regression imputation to fill in missing data.
Use Shapley Additive Explanations (SHAP) to quantify the importance of each feature to a random forest model’s predictions.


Tree-based models/

Decision trees for prognosis

Decision trees
Dividing the input space
Building a decision tree
How to fix overfitting

Identifying missing data

Survival Data
Different distributions
Missing completely at random
Missing at random
Missing not at random

Using imputation to handle missing data

Imputation
Mean Imputation
Regression Imputation
Calculate Imputed Values


3 Modelos de supervivencia y de tiempo

Conceptos clave

Understand and identify time to event data and censored data.
Calculate a naive estimate of survival.
Calculate the Kaplan Meier estimate of survival and compare it to the naive estimate.

Survival estimates

Survival models
Survival Function
Valid survival functions

Time to event data
Collecting Time Data
When a stroke is not observed
Heart Attack Data
Right censoring


Estimate survival with censored data

Estimating the survival function
Died immediately, or never die
Somewhere in-between

Counting patients

Using censored data
Chain rule of conditional probability
Deriving Survival
Calculating Probabilities from the Data

Comparing Estimates
Kaplan Meier Estimate


4 Construcción de un modelos de riesgo usando modelos lineales y árboles

Conceptos clave

Fit and interpret a Cox Model, a linear estimate of the risk of disease.
Fit a random survival forest model (a non-linear risk model).
Calculate the relative risk between any two pairs of patients.
Calculate the Harell’s concordance index to evaluate both models.

Survival and hazard functions

Hazard Functions
Hazard
Survival to hazard
Cumulative Hazard

Laboratorio: Categorical variables

Customizing risk models to individual patients

Individualized Predictions
Relative risk
Ranking patients by risk
Individual vs. baseline hazard
Smoker vs. non-smoker
Effect of age on hazard
Risk factor increase per unit increase in a variable
Risk Factor Increase or Decrease

Laboratorio: Hazard function

Non-linear risk models with survival trees

Intro to Survival Trees
LecciónSurvival tree
Nelson Aalen estimator
Comparing risks of patients
Mortality score

Evaluate survival models

Evaluation of Survival Model
Permissible and Non-Permissible Pairs
Possible Permissible Pairs
Example of Harrell's C-Index
Example of Concordant Pairs

Tareas de programación: Cox Proportional Hazards and Random Survival Forests

Estos cursos van más allá de los fundamentos de Deep Learning adentrándose en los detalles de la aplicación de la IA a problemas médicos. Se necesita una base de matemática y de programación. No hace falta ser un experto pero es necesario manejar conceptos de redes neuronales profundas, en particular redes convolucionales y un nivel intermedio de Python.

La demanda de profesionales de IA con las habilidades y conocimientos necesarios para hacer frente a los desafíos de la medicina moderna está creciendo en forma exponencial. Te invitamos a sumarte a esta especialización y comenzar tu travesía hacia la construcción del cuidado de la salud del futuro.
Email address *
Apellido *
Nombres *
Celular (Solo números) *
¿Es Graduado FIUBA? *
Localidad de residencia *
¿Te interesa participar en la cooperativa de trabajo?
Clear selection
Otra casilla de correo
Teléfono Particular
Carrera - Facultad - Universidad (En curso SI/NO)
Año de Graduación
Institución Relacionada
Posición que ocupa
Comentarios y Sugerencias
Submit
Never submit passwords through Google Forms.
This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy