Máster en Inteligencia Artificial y Big Data en Salud
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 asignaturas de 10 ETCS y Trabajo Final de Máster.
- Diploma de Especialización: 1 año de duración, 35 créditos ECTS, 3 primeras asignaturas del Máster y Trabajo Final de Diploma.
- Curso de especialización en inteligencia Artificial: 10 créditos ECTS correspondiente a la primera asignatura del Máster (una vez realizada ésta, es extensible a cualquier asignatura del máster y con posibilidades de adaptación al programa de Diploma o de Máster cuando se hayan cursado las asignaturas correspondientes).
Justificación
Nuestra sociedad se encuentra en una revolución 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 va a llevar. 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 en 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 que está en cierta forma en un momento de cambio. Como profesión, a pesar de los extraordinarios avances en el arte y la ciencia de la medicina en las últimas cuatro décadas, a menudo presenta limitaciones en el diagnóstico, sobre todo en su capacidad predictiva y teniendo en cuenta que realizar pruebas y tratamientos innecesarios elevan los costes de los sistemas de salud públicos. Esta revolución puede ayudar en gran medida a hacer frente a estos problemas.
El potencial que nos proporciona el aprovechamiento de grandes cantidades de datos es muy grande, ya que mediante la capacidad de extracción de conocimiento y de aprender que tienen éstos cuando se combinan 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 podrán 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 tanto, la atención sanitaria es un sector que se beneficiará enormemente de la IA. La IA permitirá ahorrar millones de euros a mejorar la prevención, diagnóstico y tratamiento de problemas como la obesidad infantil, las enfermedades cardiovasculares y sus secuelas, las enfermedades neurodegenerativas, el cáncer de mama, la nefrología, entre otros ámbitos. Además permitirá desarrollar nuevos medicamentos y fomentar la medicina personalizada y domiciliaria y mejorar la calidad de vida de las personas mayores.
La medicina personalizada ha creado un nuevo paradigma en el que pocos médicos tienen la formación adecuada. Los profesionales implicados en el entorno sanitario necesitan, en primer lugar, el conocimiento para hacer frente a un cambio muy importante en la forma de hacer medicina. En segundo lugar, los conocimientos específicos que les permitirá abordar la generación y desarrollo de conocimiento relacionado con las tecnologías implicadas en este nuevo paradigma y, en último lugar, necesitan la capacidad de creación de equipos multidisciplinares, que integran profesionales de los entornos científicos y 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 basados en el aprendizaje automático y la visión por computador. Así, la ciencia de datos se aplicará de forma 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 Máster, Diploma de Especialización i Cursos de Especialización van dirigidos a clínicos interesados en conocer cómo se aplica la IA en salud e investigar con los datos que tienen acceso a sus puestos de trabajo, historiales clínicos y otros datos que recogen los servicios en los que 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 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 eso en este Máster los alumnos adquirirán los conocimientos necesarios sobre privacidad, ética y legalidad que se necesitan para escribir una propuesta de proyecto que pueda ser validada por los Comités Éticos de Investigación Clínica con medicamentos (CEICm).
Objetivos
Objetivos generales
El objetivo fundamental de estos estudios 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 para mejorar el conocimiento y toma de decisiones en esta área sin olvidar la parte legal y ética.
Los objetivos formativos del programa son:
- Formar a profesionales especializados en el procesamiento y análisis de datos relacionados con la salud mediante la utilización de las herramientas que proporciona la IA y el Big Data.
- Adquirir los conocimientos específicos para analizar los datos generados y facilitar la toma de decisiones en el entorno de Salud siguiendo todas las etapas del proceso de creación de una solución para mejorar el conocimiento y toma de decisiones en esta área sin olvidar los condicionamientos legales ni éticos.
- Desarrollar la capacidad de trabajo y creación/integración de equipos multidisciplinares que permitan abordar los nuevos retos que plantean esta medicina personalizada.
Considerando el Marco Español de Calificaciones para la Educación Superior (CUNAS) y su despliegue como Marco Catalán de Calificaciones para la Educación Superior (2023), se utilizan los resultados de aprendizaje como la combinación de conocimientos, habilidades y competencias que los estudiantes serán capaces de demostrar al final del proceso educativo y que para los presentes estudios son:
CONOCIMIENTOS
- Reconocer las tecnologías de generación de datos sanitarios.
- Identificar los entornos basados en inteligencia Artificial (IA) y los modelos utilizados.
- Identificar las tecnologías y conceptos específicos en el ámbito de los datos masivos (Big Data).
- Demostrar conocimientos en entornos/aplicaciones/modelos de IA y Big Data en Salud.
HABILIDADES
- Analizar las transformaciones y el tratamiento de los datos en el ámbito de Ciencias de la Salud.
- Relacionar todos los aspectos vinculados a los datos en el ámbito de ciencias de la salud.
- Analizar las metodologías de IA aplicadas a datos médicos.
- Utilizar entornos y herramientas para la gestión de datos masivos.
- Determinar los entornos y estructuras eficientes de gestión de datos.
- Experimentar con herramientas y modelos de IA y Big Data.
COMPETENCIAS
- Evaluar distintos aspectos relacionados con los datos en el ámbito de Ciencias de la Salud.
- Diseñar entornos para el procesamiento de datos médicos.
- Validar las herramientas tecnológicas de gestión de datos masivos.
- Diseñar un código de procesamiento de datos masivos.
- Construir entornos de procesamiento basado en IA y Big Data.
Metodología
- Plazas:
- Master: 20.
- Diploma de especialización: 15.
- Cursos de especialización: 40.
- créditos:
- Máster: 60 ECTS.
- Diploma de especialización: 35 ECTS.
- Cursos de especialización: 10 ECTS.
- Idioma: Castellano.
- modalidad: Virtual
El programa está diseñado utilizando una metodología virtual a través del campus virtual (CV) de la UAB que utiliza la plataforma educativa Moodle y que permite aprender de manera autónoma y propicia la reflexión sobre los contenidos del Máster.
Todos los contenidos de las asignaturas están alojados en este campus virtual y desde el que se realizan las diferentes actividades que integran los cursos: estudio del material, resolución de casos prácticos o ejercicios y actividades de seguimiento y evaluación.
Al inicio de cada semana el profesor publicará el material a trabajar durante la semana y estará disponible a través de las herramientas de comunicación del CV para que los estudiantes puedan formular sus preguntas y dudas. Los viernes el profesor realizará una clase sincrónica para discutir con los alumnos los temas tratados mediante la plataforma Teams la cual será grabada y puesta a disposición para aquellos alumnos que no puedan asistir (éstas se guardaran hasta el final de la asignatura) . El profesor también incluirá actividades de seguimiento para evaluar la evolución de los estudiantes y la asignatura finalizará con un trabajo final de asignatura en el que el alumno/a podrá poner en práctica todos los conceptos desarrollados durante toda la asignatura.
Los estudiantes en cada asignatura tendrán el coordinador de la asignatura que les podrá guiar en su progreso personal y resolverá sus dudas y problemas que se presenten relacionados con esta asignatura o trasladará esto a los coordinadores del máster si el problema más allá del asignatura en particular.
Duración y planificación docente
Las asignaturas tienen una duración aproximada de 12 semanas. Siguen una secuencia cronológica de los temas de estudio, que incorporan lecturas, debates y actividades vinculadas a las temáticas trabajadas. Se trata de un planteamiento en el que el estudiante debe superar en cada tema las exigencias académicas (teóricas y prácticas) del módulo.
Trabajo final de asignatura
Los estudiantes deberán realizar un trabajo final de cada asignatura que consistirá en la planificación y realización de un proyecto de análisis y desarrollo centrado en los temas tratados, siendo en principio el coordinador de la asignatura el tutor del alumno durante este trabajo (o el profesor de la asignatura a quien delegue)
Procedimientos de evaluación de las asignaturas
Las cinco asignaturas del máster/diploma (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), el resultado obtenido en los cuestionarios y actividades de seguimiento semanales y la realización y solución del trabajo final de la asignatura. El peso de cada una de estas actividades, dependerá de la asignatura en particular y será indicado al inicio de cada una de ellas, pero estará dentro de los siguientes rangos:
- Participación: 15-25%
- Actividades de seguimiento: 40%
- Trabajo final de la asignatura: 30%-45%
El TFM/TFD será evaluado de la siguiente forma:
- Informe y defensa (tribunal): 60%
- Seguimiento y valoración del tutor: 40%
La nota global del master y del diploma de Postgrado será la media ponderada de las notas de los módulos que componen estos programas.
programas generales
- Master, Postgrado y Curso de especialización en Inteligencia Artificial y Big Data en Salud
Edición 2020-22: inicio 25/09/20 - Master, Postgrado y Curso de especialización en Inteligencia Artificial y Big Data en Salud
Edición 2021-23: inicio 27/09/21 - Master, Postgrado y Curso de especialización en Inteligencia Artificial y Big Data en Salud
Edición 2022-24: inicio 23/09/22 - Master, Postgrado y Curso de especialización en Inteligencia Artificial y Big Data en Salud
Edición 2023-25: inicio 22/09/230 - Master, Postgrado y Curso de especialización en Inteligencia Artificial y Big Data en Salud
Edición 2024-26: inicio 23/09/24
Calendarios
Edición 2024 - 2026
| Master Módulos 1, 2, 3, 4, 5 + Trabajo Fin Master |
Postgrado Módulos 1, 2, 3 |
Curso de especialización módulo 1 |
|
|---|---|---|---|
| módulo 1 | Del 23/09/24 al 15/01/25 | ||
| módulo 2 | Del 07/01/25 al 20/04/25 | ||
| módulo 3 | Del 21/04/25 al 31/07/25 | ||
| módulo 4 | Del 15/09/25 al 15/01/26 | ||
| módulo 5 | Del 12/01/26 al 11/04/26 | ||
| Trabajo Fin Master | 30/09/26 (Fecha límite: 31/01/27) | ||
Contenidos
El análisis de datos se ha utilizado de forma intensiva y extensiva para muchas organizaciones. En ciencias de la vida, el análisis de datos clínicos es cada vez más popular, incluso podría decirse cada vez más esencial. Las aplicaciones de IA pueden beneficiarse 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 ingentes cantidades de datos en información útil para la toma de decisiones.
Los estudios de Máster están organizados en 5 asignaturas obligatorias de 10 ECTS y un Trabajo Final de Máster (10 ECTS)
- M1: Inteligencia Artificial en Salud.
- M²: Análisis de Datos en Salud.
- M³: Procesamiento y gestión de la Información en entornos de Big Data.
- M4: Adquisición, filtrado y seguridad de datos.
- M5: Almacenamiento y visualización de datos.
- Trabajo Final de Máster.
Los estudios de Diploma de Especialización están organizados en 3 asignaturas obligatorias de 10 ECTS y un Trabajo Final de Diploma (5 ECTS)
- M1: Inteligencia Artificial en Salud.
- M²: Análisis de Datos en Salud.
- M³: Procesamiento y gestión de la Información en entornos de Big Data.
- Trabajo Final de Diploma
El Curso de especialización de Inteligencia Artificial en Salud corresponde a la asignatura módulo 1 del Máster (10 ECTS)
- M1: Inteligencia Artificial en Salud.
Existe la posibilidad de cursar las asignaturas individuales como Cursos de especialización. Obligatoriamente deberá cursar primero la asignatura “Inteligencia Artificial en Salud”, para poder cursar el resto de asignaturas ofertadas. Estos se pueden cursar bien dentro del Diploma o del Máster, o bien individualmente, así como en cualquiera de las ediciones del Máster y es posible después realizar una adaptación para tener un estudio superior (p. ej. es posible las asignaturas 1,2,3 ,XNUMX como cursos de especialización y después realizar la adaptación para matricular el TFD y obtener el diploma de especialización).
Módulo 1: Inteligencia artificial en salud
Esta asignatura 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 finalizar 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
- Introducción a la IA por Clínicos: Aplicaciones en Salud. Definición y conceptos de IA y ciencia de datos.
- Proceso de minería de datos: Definición del problema, captura, preprocesamiento, análisis, visualización y evaluación de los datos.
- Aprendiz de datos: Conceptos de aprendizaje supervisado vs no supervisado. Evaluación de modelos.
- Algoritmos de aprendizaje: Algoritmos de Aprendizaje automático (Machine learning & LLM) i Aprendizaje profundo. Métricas. Casos de uso.
- Almacenamiento y visualización de datos: Tipo de datos clínicos, datos estructurados/no-estructurados, bases de datos relacionales y no relacionales (NoSQL). Visualización de datos.
- Datos Masivos y computación en la nube: Conceptos vinculados al Big Data. Procesamiento y análisis. Infraestructuras Soluciones. Herramientas y casos de uso.
- Legalidad en el tratamiento de datos médicos e IA: Regulación sobre IA. Fundamentos jurídicos para el tratamiento de datos clínicos. Principales requisitos, medidas u obligaciones. Legalidad en el tratamiento de los datos médicos e IA. Regulaciones.
- Calidad, privacidad y seguridad de los datos: Aspectos técnicos sobre la privacidad y seguridad de la información. Estándar ISO/IEC 27001 y Esquema Nacional de Seguridad (ENS).
- Ética al tratamiento de datos médicos: Conceptos sobre aspectos éticos de un proyecto de IA: éticamente permisible, justo y no discriminatorio, seguro, preciso, de confianza y transparente.
- Innovación y gestión de proyectos en salud: Elementos esenciales para la creación de una propuesta de solicitud de fondos para un proyecto relacionado con IA y salud. Casos de uso.
Profesorado
- Ana Benavent
- Luis Bernaldez Balado
- Helena Boltà Torrell
- José Ibeas López
- Edwar Macias Toro
- Marcela Manríquez Tapia
- Antoni Morell Pérez
- Coloma Moreno Quiroga
- Guillem Reig Loncán
- Dolores Rexachs del Rosario
- Miguel A. Seguí Palmer
- Javier Serrano
- Remo Suppi Boldrito
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
- Herramientas estadísticas y procesamiento de los datos: Uso de herramientas estadísticas para obtener información de los datos. Gestión de los datos y missing values, compresión de datos (PCA y LDA).
- Algoritmos de aprendizaje: Evaluación de los algoritmos de aprendizaje a través
de las distintas métricas disponibles. - Regresión lineal y logística: Funcionamiento e interpretación de los métodos de
regresión lineal y de regresión logística para problemas de clasificación. - Aprendizaje supervisado y modelos de aprendizaje conjunto: Concepto de regularización. Regularización L1 y L2 en regresión lineal y logística. Evolución en Support Vector Machines (SVM). Concepto de aprendizaje conjunto (bagging, boosting y composición de modelos). Aplicación a árboles de decisión (RF y GBM).
- Aprendizaje no supervisado: Concepto de aprendizaje no supervisado. Clustering y técnica de k-Means. Reglas de asociación.
- Redes neuronales completamente conectadas y por datos no estructurados: Concepto, funcionamiento y aplicación práctica de las RN. completamente conectadas (MLP). Evolución del MLP: CNN y RNN.
Profesorado
- Albert Ruiz Cirera
- José López Vicario
- Edwar Macias Toro
- Antoni Morell Pérez
- Antoni Lozano Bagen
Módulo 3: Procesamiento y gestión de la Información en entornos de Big Data
La necesidad de procesamiento masivo de datos es una realidad que aprovecha la potencia de las infraestructuras de cómputo distribuido y la creciente disponibilidad de datos no estructurados o semiestructurados.
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
- Introducción al Big Data: Descripción de los conceptos más importantes relacionados con los datos masivos desde su obtención, filtrado, procesamiento, almacenamiento y visualización.
- Introducción a Linux, Cloud y Python: Conocimientos básicos para el desarrollo y utilización de herramientas y entornos de programación para el procesamiento de Big Data.
- Introducción a la generación de código con IA generativas: Conocimientos aplicados para el desarrollo de código utilizando ayudas basadas en IA generativa.
- Infraestructura Big Data I: Entorno Hadoop. Conceptos principales y casos de uso de la plataforma de procesamiento de datos masivos Hadoop y su ecosistema.
- Infraestructura Big Data II: Entorno Spark. Conceptos principales y casos de uso de la plataforma de procesamiento de datos masivos Spark y su ecosistema.
Profesorado
- Remo Suppi Boldrito
Módulo 4: Adquisición, filtrado y seguridad de datos
Los datos con los que se trabaja no son sino una representación, simplificada ya veces sesgada, de la realidad. Los datos se capturan en a través de dispositivos físicos que no “ven” la realidad completa sino sólo uno o unos pocos aspectos de ésta. La fidelidad con la que estos datos representan a la realidad depende de cómo y con qué dispositivos se adquieran.
Asimismo, los datos capturados deben ser tratados, preservando la información que contienen, para su posterior almacenamiento y explotación. En esta asignatura se verá cómo se capturan los datos a su nivel más bajo, y qué tipos de tratamientos básicos se les aplica para conseguir que reflejen de la manera más completa y fiel la realidad por un lado y facilitar su almacenamiento y /o transmisión por otro. Dau se trabaja 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
- Tipo de datos en salud. Descripción de los tipos de datos y su significado: datos clínicos, señales vitales, secuencias de eventos, texto, imágenes médicas, genoma.
- Adquisición de datos: Señales y sistemas. Transductores. Acondicionamiento, amplificado y filtrado. Muestreo.
Sensores. Conceptos básicos Tipo. Redes de sensores. Fuentes de información multimodal. Extracción de características. Imágenes médicas: TC, resonancias magnéticas, ecografías, SPECT y PETs. Visualización. Genómica. PCRs. - Tratamiento de datos: Fiabilidad de los datos. Tolerancia a fallos, disponibilidad y coste de almacenamiento.
Compresión de datos de texto, imagen y vídeo. Compresión con y sin pérdida, cuantificación y medidas de distorsión.
Estándares de compresión. DICOM. Preprocesamiento de datos: limpieza, enriquecimiento, integración y curación.
Anonimización. pseudoanonimización.
Introducción a la seguridad. Seguridad y cifrado. Seguridad de los datos y en el Big Data.
Profesorado
- Joan Bartrina Rapesta
- Bernat Gastón Braso
- Ramon Martí Escalé
- Joan Oliver Malagelada
- Marta Prim Sabriá
- Mercè Villanueva
Módulo 5: Almacenamiento y visualización de datos
Esta asignatura se divide en dos partes funcionales: Almacenamiento y Visualización de los datos. En la primera parte el estudiante analizará el tipo de datos médicos y su nivel de estructura y aprenderá a realizar una representación adecuada para cada uno de ellos conjuntos de datos y profundizará sobre la utilización de bases de datos relacionales, para datos fuertemente estructuradas, y bases de datos no relacionales, para datos menos estructurados.
En la segunda parte, el estudiante trabajará con conceptos claves en la visualización de los datos, desarrollará estructuras de visualización y creará complejas visualizaciones con herramientas avanzadas para utilizar la visualización de datos como herramienta de análisis exploratorio.
Contenido
- Introducción a las Bases de datos Relacionales y Data Warehouse: Arquitecturas de bases de datos. Arquitecturas Cliente/Servidor. Tipologías de bases de datos: relacionales y no relacionales. Introducción a las herramientas de gestión de bases de datos: Oracle, MongoDB, entre otros. Data warehouse: Introducción al concepto y su gestión. Opciones y explotación de datos.
- Bases de datos relacionales: El modelo entidad-relación. Criterios de diseño de un sistema de entidad-relación. Fases de diseño de una base de datos. Captación y análisis de requisitos. Modelo relacional. Estructura de los datos. Reglas de integridad. Manipulación de los datos. Introducción al SQL.
- Bases de datos no Relacionales: Introducción a los conceptos de bases NoSQL, arquitecturas, tipos, diferencias y explotación de los datos.
- Integración y homogeneización de datos: Introducción a estos conceptos y su puesta en práctica.
- Visualización de Datos: Conceptos claves en la visualización de los datos, estructuras de visualización. Herramientas avanzadas para utilizar la visualización de datos como herramienta de análisis exploratorio.
Profesorado
- Helena Boltà Torrel
- Oriol Ramos Terrades
- Aura Hernández Sabaté
- laura rivera sánchez
- Carlos Sánchez Ramos
Trabajo Fin de Máster (TFM)
Éste es un trabajo de profundización y desarrollo de los conceptos trabajado en las asignaturas y tiene como objetivo principal evaluar la integración de los conocimientos, habilidades y competencias adquiridas durante la docencia de las asignaturas.
El estudiante debe desarrollar un estudio o proyecto basado en datos abiertos o datos disponibles que hayan superado los requisitos legales pertinentes a los que el estudiante aplicará métodos, herramientas y procedimientos ya trabajados durante el desarrollo de las asignaturas.
Tutorías de seguimiento
El estudiante contará con un tutor dedicado que le guiará y supervisará el trabajo durante su ejecución.
Informe final y presentación
El estudiante deberá presentar un informe final, en formato artículo de revista, con una longitud de entre 10-15 páginas sobre: Resumen, Introducción y Estado del Arte, Material y Métodos, Discusión, Resultados, Conclusiones y Líneas Abiertas , Bibliografía y Agradecimientos. Se podrán añadir páginas adicionales (anexos) para incluir material adicional, gráficos, figuras que sean complementarios al trabajo desarrollado. El formato, preferentemente, será IEEE y deberá entregarse a través del Campus Virtual.
La evaluación se realizará a través de un tribunal formado por tres profesores en la presentación pública. El estudiante deberá presentar antes de su exposición un vídeo (entre 5 y 7 minutos) explicativo del trabajo realizado.
Profesorado
- Bernat Gastón Braso
- Aura Hernández Sabaté
- José Ibeas López
- José López Vicario
- Antoni Morell Pérez
- Oriol Ramos Terrades
- Dolores Rexachs del Rosario
- Laura Rivera Sánchez
- Carlos Sánchez Ramos
- Javier Serrano García
- Remo Suppi Boldrito
Profesorado
Juan Bartrina: Doctor. Profesor del departamento de Ingeniería de la Información y Comunicaciones de la UAB. Área de compresión de datos, vídeo e imágenes digitales de satélite y médicas.
Anna Benavent: MSc en Ciencias de Ingeniería de Telecomunicaciones y Electrónica. Directora de Organización y Sistemas de Información. Hospital Universitario Parc Taulí.
Luis Bernáldez: Ingeniero. Jefe de sistemas y comunicaciones en Hospital Universitari Parc Taulí.
Helena Boltà: Msc. en Visual Analytics y Big Data. Profesora del departamento de Ciencias de la Computación e Inteligencia Artificial. UAB. Área de Big Data y bases de datos.
Bernat Gastón: Doctor. Profesor del departamento de Ingeniería de la Información y Comunicaciones de la UAB.
Aura Hernández: Doctora. Profesora del departamento de Ciencias de la Computación e Inteligencia Artificial. UAB.
José Ibeas: Doctor. Nefrología. Hospital Universitario Parc Taulí. Director del Grupo de Nefrología Clínica, Intervencionista y Computacional (CICN) del Instituto de Investigación e Innovación Parc Taulí (I3PT). MSc en Medicina Basada en la Evidencia. Presidente del Grupo Español Multidisciplinar del Acceso Vascular (GEMAV). Miembro del Comité de Ética de Investigación con medicamentos (CEIm) Hospital Universitari Parc Taulí
José López-Vicario: Doctor. Profesor del departamento de Telecomunicaciones e Ingeniería de Sistemas. UAB.
Antoni Lozano: Doctor. Profesor del departamento de Matemáticas. UAB.
Edwar Macias: Doctor. Ingeniero en Cognizant Netcentric.
Marcela Manríquez: Licenciada en Medicina. Coordinadora de la Unidad de Ensayos Clínicos. Miembro del Comité de Ética de Investigación. Hospital Universitario Parc Taulí.
Ramon Martí: Doctor. Profesor del departamento de Ingeniería de la Información y Comunicaciones. UAB. Área de Redes de ordenadores, Seguridad y Arquitectura de Computadores.
Antoni Morell: Doctor. Profesor del departamento de Telecomunicaciones e Ingeniería de Sistemas. Área de Analítica de Datos Médicos.
Coloma Moreno: MSc en Salud Pública. Médico especialista en Medicina Preventiva y Salud Pública., Especialidad en Epidemiología. Secretaría Técnica del Comité de Ética de Investigación. Hospital Universitario Parc Taulí.
Marta Delgado: Doctora. Profesora del departamento de Microelectrónica y Sistemas Electrónicos. UAB.
Joan Oliver: Doctor. Profesor del departamento de Microelectrónica y Sistemas Electrónicos. UAB. Área de Diseño de Circuitos Integrados.
Oriol Ramos: Doctor. Profesor del departamento de Ciencias de la Computación e Inteligencia Artificial. UAB.
Guillem Reig: Abogado. Msc. derecho internacional de los negocios. Especialista en derecho sanitario y protección de datos personales. Miembro del Comité de Ética de Investigación del Hospital Universitari Parc Taulí
Dolores Rexachs: Doctora. Profesora del departamento de Arquitectura de Computadores y Sistemas Operativos. Área de arquitectura de computadores y sistemas inteligentes orientados a servicios de salud.
Laura Rivera: Doctora. Profesora del departamento de Ciencias de la Computación e Inteligencia Artificial. UAB.
Albert Ruiz: Doctor. Profesor del departamento de matemáticas. UAB. Área álgebra, geometría y topología.
Carlos Sánchez: Doctor. Profesor del departamento de Ciencias de la Computación e Inteligencia Artificial. UAB.
Miguel Ángel Seguí: Doctor. Especialista en Oncología Médica. Jefe del Servicio de Oncología y Presidente del Comité Ético de Investigación del Hospital Universitari Parc Taulí.
Javier Serrano: Doctor. Profesor (en excedencia) del departamento de Telecomunicaciones e Ingeniería de Sistemas. UAB. Investigador en el Technology Innovation Institute. Abu Dhabi. Emiratos Árabes.
Rem Suppi: Doctor. Profesor del departamento de Arquitectura de Computadores y Sistemas Operativos. Área de big data e IA, sistemas distribuidos e infraestructuras para el procesamiento de datos (clusters y Cloud).
Mercedes Villanueva: Doctora. Profesora del departamento de Ingeniería de la Información y Comunicaciones. UAB. 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
2. Enviar la documentación
La documentación a presentar es:
Profesionales con nacionalidad española:
- Titulación universitaria, con compulsa original o digital (nacionalidad española)
- Fotocopia del DNI/NIE/Pasaporte
Profesionales con nacionalidad de países firmantes del Convenio de La Haya (Postilio Convention):
- Título universitario y el expediente académico con la apostilla de La Haya
- Fotocopia del DNI/NIE/Pasaporte
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: 5.880 €
- Diploma de Postgrado: 3.430€
- curso: 980€
Gastos de cancelación: 50€ Curso, 142,50€ Diploma y 285€ Máster.
Descuentos: 10% a los miembros del Hospital Universitari Parc Taulí, Bioinformáticos Barcelona y 5% UAB Alumni.
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)
La actividad académica se realizará mediante la plataforma Campus Virtual de la UAB (Moodle, https://cv.uab.cat/) y las sesiones sincrónicas a través de la plataforma Teams.
Contacto
- Secretaría Técnica: Ester Freixa, efreixa@tauli.cat
- Dirección Académica: José Ibeas, jibeas@tauli.cat , Remo Suppi remo.Suppi@uab.cat
Dirección
- Jose Ibeas. Servicio de Nefrología. Parc Taulí Hospital Universitario.
- Remo Suppi. . 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