Curso online: especialización profesional certificada en la toma de decisiones clínicas informadas utilizando el aprendizaje profundo de Google.

Aprenda cómo aplicar el aprendizaje profundo a los registros médicos electrónicos. Descubra el camino desde la minería de datos en bases de datos clínicas hasta los sistemas de apoyo a las decisiones clínicas.

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
Curso online: especialización profesional certificada en la toma de decisiones clínicas informadas utilizando el aprendizaje profundo de Google.

Professional Certificate

nivel intermedio

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Minería de datos de bases de datos clínicas.
  • Aprendizaje profundo en registros médicos electrónicos
  • Modelos de aprendizaje profundo explicables para aplicaciones sanitarias
  • Sistemas de apoyo a la decisión clínica.
  • Preprocesamiento de HCE
  • Construyendo modelos de aprendizaje profundo
  • Explicaciones generales de los modelos.
  • Explicaciones locales de modelos.

What you will learn in the course

Courses for which the course is suitable

  • Analiza datos clínicos.
  • Desarrolla modelos de aprendizaje profundo.
  • Ingeniero de software en el campo de la salud.
  • Experto en sistemas de apoyo a la decisión clínica
  • Investigador en el campo de la inteligencia artificial en salud
  • Analista de sistemas de información médica.
  • Desarrollador de algoritmos médicos.
  • Experto en minería de datos médicos.
  • Desarrolla soluciones tecnológicas para sistemas sanitarios
  • Analista de pronósticos médicos

Prácticas: una serie de 5 cursos.

Esta pasantía está destinada a estudiantes con experiencia en programación que deseen ampliar sus habilidades en la aplicación del aprendizaje profundo a los registros médicos electrónicos, con énfasis en cómo traducir sus modelos en sistemas de apoyo a las decisiones clínicas.

Temas principales

  • Extracción de datos de bases de datos clínicas: ética, base de datos MIMIC III, Clasificación Internacional de Enfermedades y definición de resultados clínicos comunes.
  • Aprendizaje profundo en historias clínicas electrónicas: del análisis descriptivo al predictivo.
  • Modelos explicables de aprendizaje profundo para aplicaciones sanitarias: qué son y por qué son necesarios.
  • Sistemas de apoyo a la decisión clínica: generalización, sesgo de información, «imparcialidad», utilidad clínica y privacidad de los algoritmos de inteligencia artificial.

Un proyecto de aprendizaje práctico.

Los alumnos tienen la oportunidad de seleccionar y realizar un ejercicio basado en conjuntos de datos extraídos de MIMIC-III, incorporando conocimientos de:

  • Extraer información de bases de datos clínicas para consultar la base de datos MIMIC.
  • Aprendizaje profundo en registros médicos electrónicos para el preprocesamiento de EHR y la construcción de modelos de aprendizaje profundo.
  • Los modelos de aprendizaje profundo se pueden explicar a la salud para explicar la decisión de los modelos.

Opciones para elegir

  • Importancia destacada en el intercambio en la base de datos MIMIC para cuidados críticos: la técnica aplicada tanto a la regresión logística como al modelado LSTM. Las explicaciones resultantes son explicaciones generales del modelo.
  • LIME en la base de datos MIMIC para cuidados críticos: la técnica se aplica tanto a la regresión logística como al modelado LSTM. Las explicaciones resultantes son explicaciones locales del modelo.
  • Grad-CAM en la base de datos MIMIC para cuidados críticos: GradCam aplicado a un modelo LSTM que predice la mortalidad. Las explicaciones resultantes son explicaciones locales del modelo.

Details of the courses that make up the specialization

Minería de datos de bases de datos clínicas – CDSS 1

Curso 1
20 horas
4,8 (13 valoraciones)

¿Qué aprenderás?

  • Comprender el esquema de repositorios de datos de EHR de acceso público (MIMIC-III)
  • Familiarízate con el uso de la Clasificación Internacional de Enfermedades (CIE)
  • Extraiga y visualice estadísticas teóricas de bases de datos clínicas.
  • Comprender y extraer resultados clínicos clave, como la mortalidad y la duración de la estancia hospitalaria.

habilidades que adquirirás

  • Minería de datos de bases de datos clínicas.
  • registros médicos electrónicos
  • Estadística teórica
  • Ética en la historia clínica electrónica
  • Clasificación Internacional de Enfermedades

Aprendizaje profundo en historias clínicas electrónicas – CDSS 2

Curso 2
31 horas

¿Qué aprenderás?

  • Entrene arquitecturas de aprendizaje profundo, como preprocesadores multicapa, redes neuronales convolucionales y redes neuronales recurrentes para clasificación.
  • Validar y comparar diferentes algoritmos de aprendizaje automático
  • Implementar los registros médicos electrónicos y representarlos como datos de series de tiempo.
  • Estrategias de codificación y resta de datos.

habilidades que adquirirás

  • Explicaciones globales y locales.
  • Modelos de aprendizaje automático explicables
  • Mecanismos de atención
  • Interpretación versus explicación
  • Modelos neutros y modelos específicos

Modelos explicables para el aprendizaje profundo en el campo de la salud – CDSS 3

Curso 3
30 horas
4,6 (15 valoraciones)

¿Qué aprenderás?

  • Codificar metodologías explicativas globales en categorías de clasificación de series temporales.
  • Codifique metodologías explicativas nativas para el aprendizaje profundo, como CAM y GRAD-CAM.
  • Comprender los métodos probatorios para redes de aprendizaje profundo.
  • Combinar la atención en redes neuronales recurrentes y visualizar los pesos de atención.

habilidades que adquirirás

  • Red neuronal recurrente
  • Red neuronal convolucional
  • Codificación de datos y codificadores automáticos.
  • Proceso de HCE y resta
  • Aprendizaje profundo y verificación

Sistemas de apoyo a la decisión clínica – CDSS 4

Curso 4
8 horas

¿Qué aprenderás?

  • Evaluación de sistemas de apoyo a la decisión clínica.
  • Distorsión, calibración y equidad en modelos de aprendizaje automático.
  • Análisis de la curva de decisión y sistemas de apoyo clínico centrados en la audiencia.
  • Cuestiones de privacidad en los sistemas de apoyo a las decisiones clínicas

habilidades que adquirirás

  • Problemas de privacidad en los sistemas de apoyo clínico
  • Distorsión y equidad en los modelos de aprendizaje automático.
  • Calibración en modelos de aprendizaje automático.
  • Sistemas de apoyo clínico
  • Sistemas de apoyo clínico centrados en la audiencia

Tarea de tejado – CDSS 5

Curso 5
2 horas

¿Qué aprenderás?

Este curso es una tarea final que requiere que usted aplique los conocimientos y habilidades que aprendió durante la pasantía. En este curso, elegirá uno de los campos y completará la tarea para aprobar.

Productos relacionados