Curso de Técnicas para el Análisis de Datos Clínicos
200 horas
Modalidad Online
Resumen
Este Curso de Técnicas para el Análisis de Datos Clínicos le ofrece una formación especializada en la materia. Se explican en detalle las diversas técnicas estadísticas y de aprendizaje automatizado para su aplicación al análisis de datos clínicos. Además, el Curso de Técnicas para el Análisis de Datos Clínicos describe de forma estructurada una serie de técnicas adaptadas y enfoques originales, basándose en la experiencia y colaboraciones de distintos profesionales.
Objetivos
Los objetivos a alcanzar con la realización de este Curso de Análisis de Datos Clínicos son los siguientes:
– Conocer los diferentes conceptos y técnicas para analizar datos de pacientes.
– Realizar un diagnóstico o un pronóstico a los pacientes.
– Aplicar las técnicas a distintos casos reales.
Salidas profesionales
Tras realizar este Curso de Análisis de Datos Clínicos podrás trabajar profesionalmente en el área de Sanidad, especializando tu formación en el análisis de datos.
Para que te prepara
Este Curso de Técnicas para el Análisis de Datos Clínicos te prepara para conocer los diferentes conceptos y técnicas para analizar datos de pacientes. Con el motivo de realizar un diagnóstico o un pronóstico y aplicar las técnicas a distintos casos reales.
A quién va dirigido
Este Curso de Análisis de Datos Clínicos está dirigido a las personas que por razones profesionales o académicas tienen la necesidad de analizar datos de pacientes, con el motivo de realizar un diagnóstico o un pronóstico.
Temario
- Contexto de la obra
- Motivos
- Objetivos
- El alcance y la orientación del libro desde el punto de vista del análisis de datos
- La “minería de datos”
- Relevancia y fiabilidad
- Agregación de variables y datos
- La representación “difusa” de los datos
- Análisis de datos con técnicas “difusas”
- Clustering
- Clasificación
- Conceptos básicos
- Concepto de “pertenencia difusa”
- Relaciones difusas
- Definición de un “conjunto difuso”
- Siete métodos para definir una función de pertenencia
- Definición de “variable difusa”
- Definición de “número difuso”
- Los “cuantificadores”
- Representación difusa de variables de tipo binario
- La selección de características
- Funciones de pertenencia para datos clínicos
- Enfoque de la estadística “clásica”
- Sistemas de puntuación de pronóstico en cuidados intensivos
- Ejemplos de algunos de los sistemas más comunes de puntuación de pronóstico
- Enfoques de la inteligencia artificial
- Grupo de la Universidad de California en Irving: Repositorio base de datos sobre aprendizaje automatizado
- Presentación clínica
- Prevalencia
- Morbidity y mortalidad
- Diagnóstico
- Representación y proceso de datos de tipos diferentes
- Comparación entre diferentes tipos de datos
- La mejora del cuestionario para el diagnóstico de apnea del sueño (estudio del Capítulo 11)
- Técnicas estadísticas
- La técnica de inducción de reglas: ID3 y C4.5/5.0
- La técnica de “amalgamación”: los algoritmos de clustering de Hartigan
- La técnica de “agregación”: CP, OWA y WOWA
- La técnica de “agrupación difusa”: Fuzzy c-Means
- La técnica de redes neuronales para clustering (tipo “Kohoncn SOM”)
- La técnica de “redes neuronales” para predicción
- La técnica del “algoritmo evolutivo” (o “genético”)
- El cálculo de covarianzas difusas entre variables 171
- Resumen de las adaptaciones del operador de agregación WOWA
- Exploración inicial de los datos
- Proceso del conjunto de datos UCI con la técnica de inducción de reglas C4.5
- Proceso del conjunto de datos UCI con la técnica de inducción de reglas ID3
- Clustering con la red neuronal Kohonen SOM
- Aplicación del joining algorithm de Hartigan a los datos UCI, usando covarianzas “difusas” y “no-di fusas” como entradas
- Proceso de los datos UCI con la técnica “Fuzzy c-Means”
- Resumen
- El diagnóstico de apnca usando WOWA con cocientes asignados por el medico experto
- La comparación de diferentes métodos para asignar los cocientes de relevancia y fiabilidad. Agregación de datos usando el operador WOWA para casos de apnea del sueño
- Resumen
- Datos de prueba variables seleccionadas
- Comparación de las formas de representación categórica y como escala, de las preguntas del cuestionario
- Aprendizaje y asignación de los valores de relevancia y fiabilidad
- Resultados: diagnóstico de apnea usando el operador de agregación WOWA
- Comparación de la precisión predictiva en el diagnóstico usando agregación WOWA respecto a otros métodos de modelización predictiva
- Resumen
Titulación
TITULACIÓN expedida por EUROINNOVA INTERNATIONAL ONLINE EDUCATION, miembro de la AEEN (Asociación Española de Escuelas de Negocios) y reconocido con la excelencia académica en educación online por QS World University Rankings
Descubre tus opciones de estudio
Solicita información
