Màster en Intel·ligència Artificial i Big Data en Salut
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 assignatures de 10 ETCS i Treball Final de Màster.
- Diploma d’Especialització: 1 any de durada, 35 crèdits ECTS, 3 primeres assignatures del Màster i Treball Final de Diploma.
- Curs d’especialització en Intel·ligència Artificial: 10 crèdits ECTS corresponent a la primera assignatura del Màster (una vegada realitzada aquesta, és extensible a qualsevol assignatura del màster i amb possibilitats d’adaptació al programa de Diploma o de Màster quan s’hagin cursat les assignatures corresponents).
Justificació
La nostra societat es troba en una revolució 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 fins i tot en la forma en què ens veiem a nosaltres mateixos com a humans.
Aquesta revolució també afectarà la medicina que està en una certa forma en un moment de canvi. Com a professió, malgrat els extraordinaris avanços en l’art i la ciència de la medicina en les últimes quatre dècades, sovint presenta limitacions en el diagnòstic, sobretot en la seva capacitat predictiva i tenint en compte que fer proves i tractaments innecessaris eleven els costos dels sistemes de salut públics. Aquesta revolució pot ajudar en gran manera a fer front a aquests problemes.
El potencial que ens proporciona l’aprofitament de grans quantitats de dades és molt gran, ja que mitjançant la capacitat d’extracció de coneixement i d’aprendre que tenen aquests quan es combinen amb mètodes d’intel·ligència artificial i aprenentatge profund, podem aconseguir una gran precisió en el diagnòstic i prognosi. Amb l’ajuda d’aquestes tecnologies els clínics podran augmentar la seva eficàcia i sobretot la seva eficiència en l’atenció als pacients, que és potser, un dels grans problemes de la medicina actual.
Per tant, l’atenció sanitària és un sector que es beneficiarà enormement de la IA. La IA permetrà estalviar milions d’euros a millorar la prevenció, el diagnòstic i el tractament de problemes com l’obesitat infantil, les malalties cardiovasculars i les seves seqüeles, les malalties neurodegeneratives, el càncer de mama, la nefrologia, entre altres àmbits. A més, permetrà desenvolupar nous medicaments i fomentar la medicina personalitzada i domiciliària i millorar la qualitat de vida de les persones majors.
La medicina personalitzada ha creat un nou paradigma on pocs metges tenen la formació adequada. Els professionals implicats en l’entorn sanitari necessiten, en primer lloc, el coneixement per a fer front a un canvi molt important en la manera de fer medicina. En segon lloc, els coneixements específics que els permetrà abordar la generació i desenvolupament de coneixement relacionat amb les tecnologies implicades en aquest nou paradigma i, en últim lloc, necessiten la capacitat de creació d’equips multidisciplinaris, que integren professionals dels entorns científics 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 basades 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, –ómicas (genòmica, proteòmica, transcriptòmica, etc.) i eines d’imatges mèdiques.
Així, aquest Màster, Diploma d’Especialització i Cursos d’Especialització van dirigits a clínics interessats a conèixer com s’aplica la IA en salut i investigar amb les dades que tenen accés als seus llocs de treball, historials clínics i altres dades que recullen els serveis on treballen. Generalment, aquests professionals estan acostumats a investigar 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, les implicacions ètiques a l’hora de conduir una recerca 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 es necessiten per a escriure una proposta de projecte que pugui ser validada pels Comitès Ètics de Recerca Clínica amb medicaments (CEICm).
Objectius
Objectius generals
L’objectiu fonamental d’aquests estudis és adquirir el coneixement necessari per a analitzar les necessitats d’informació que es plantegen a l’entorn de Salut i seguir totes les etapes del procés de construcció d’una solució per a millorar el coneixement i la presa de decisions en aquesta àrea sense oblidar la part legal i ètica.
Els objectius formatius del programa són:
- Formar a professionals especialitzats en el processament i anàlisi de dades relacionades amb la salut mitjançant la utilització de les eines que proporciona la IA i el Big Data.
- Adquirir els coneixements específics per a analitzar les dades generades i facilitar la presa de decisions a l’entorn de Salut seguint totes les etapes del procés de creació d’una solució per a millorar el coneixement i la presa de decisions en aquesta àrea sense oblidar els condicionaments legals ni ètics.
- Desenvolupar la capacitat de treball i creació/integració d’equips multidisciplinaris que permetin abordar els nous reptes que plantegen aquesta medicina personalitzada.
Considerant el Marc Espanyol de Qualificacions per a l’Educació Superior (BRESSOLES) i el seu desplegament com Marc Català de Qualificacions per a l’Educació Superior (2023), s’utilitzen els resultats d’aprenentatge com la combinació de coneixements, habilitats i competències que els estudiants seran capaços de demostrar al final del procés educatiu i que per als presents estudis són:
CONEIXEMENTS
- Reconèixer les tecnologies de generació de dades sanitàries.
- Identificar els entorns basats en Intel·ligència Artificial (IA) i els models utilitzats.
- Identificar les tecnologies i conceptes específics en l’àmbit de les dades massives (Big Data).
- Demostrar coneixements en entorns/aplicacions/models de IA i Big Data en Salut.
HABILITATS
- Analitzar les transformacions i tractament de les dades en l’àmbit de Ciències de la Salut.
- Relacionar tots els aspectes vinculats a les dades en l’àmbit de Ciències de la Salut.
- Analitzar les metodologies de IA aplicades a dades mèdiques.
- Utilitzar entorns i eines per a la gestió de dades massives.
- Determinar els entorns i estructures eficients de gestió de dades.
- Experimentar amb eines i models de IA i Big Data.
COMPETÈNCIES
- Avaluar diferents aspectes relacionats amb les dades en l’àmbit de Ciències de la Salut.
- Dissenyar entorns per al processament de dades mèdiques.
- Validar les eines tecnològiques de gestió de dades massives.
- Dissenyar un codi de processament de dades massives.
- Construir entorns de processament basat en IA i Big Data.
Metodologia
- Places:
- Màster: 20.
- Diploma dèspecialització: 15.
- Cursos d’especialització: 40.
- Crèdits:
- Master: 60 ECTS.
- Diploma d’especialització: 35 ECTS.
- Cursos d’especialització: 10 ECTS.
- Idioma: Castellà.
- Modalitat: Virtual.
El programa està dissenyat utilitzant una metodologia virtual a través del campus virtual (CV) de la UAB que utilitza la plataforma educativa *Moodle i que permet aprendre de manera autònoma i propícia la reflexió sobre els continguts del Màster.
Tots els continguts de les assignatures estan allotjats en aquest campus virtual i des d’on es realitzen les diferents activitats que integren els cursos: estudi del material, resolució de casos pràctics o exercicis i activitats de seguiment i avaluació.
A l’inici de cada setmana el professor publicarà el material a treballar durant la setmana i estarà disponible a través de les eines de comunicació del CV perquè els estudiants puguin formular les preguntes i dubtes que tinguin. Els divendres el professor realitzarà una classe sincrònica per a discutir amb els alumnes els temes tractats mitjançant la plataforma *Teams la qual serà gravada i posada a disposició per a aquells alumnes que no puguin assistir (aquestes es guardessin fins al final de l’assignatura). El professor també inclourà activitats de seguiment per a avaluar l’evolució dels estudiants i l’assignatura finalitzarà amb un treball final d’assignatura on l’alumne/a podrà posar en pràctica tots els conceptes desenvolupats durant tota l’assignatura.
Els estudiants en cada assignatura tindran el coordinador de l’assignatura que els podrà guiar en el seu progrés personal i resoldrà els seus dubtes i problemes que es presentin relacionats amb aquesta assignatura o traslladarà això als coordinadors del màster si el problema més enllà de l’assignatura en particular.
Durada i planificació docent
Les assignatures tenen una durada aproximada de 12 setmanes. Segueixen una seqüència cronològica dels temes d’estudi, 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.
Treball final d’assignatura
Els estudiants hauran de fer un treball final de cada assignatura que consistirà en la planificació i realització d’un projecte d’anàlisi i desenvolupament centrat en els temes tractats, sent en principi el coordinador de l’assignatura el tutor de l’alumne durant aquest treball (o el professor de l’assignatura a qui delegui)
Procediments d’avaluació de les assignatures
Les cinc assignatures del màster/diploma (a excepció del TFM) s’avaluaran de manera similar. Es valorarà l’interès i grau d’implicació demostrats per l’estudiant (intervenció en els fòrums del CV), el resultat obtingut en els qüestionaris i les activitats de seguiment setmanals i la realització i solució del treball final de l’assignatura. El pes de cadascuna d’aquestes activitats, dependrà de l’assignatura en particular i serà indicat a l’inici de cadascuna d’elles, però estarà dins dels següents rangs:
- Participació: 15-25%
- Activitats de seguiment: 40%
- Treball final de l’assignatura: 30%-45%
El TFM/TFD serà avaluat de la manera següent:
- Informe i defensa (tribunal): 60%
- Seguiment i valoració del tutor: 40%
La nota global del màster i del diploma de Postgrau serà la mitjana ponderada de les notes de les assignatures que componen aquests programes.
Programes generals
- Màster, Postgrau i Curs d’especialització en Intel·ligència Artifical i Big Data en Salut
Edició 2020-22: inici 25/09/20 - Màster, Postgrau i Curs d’especialització en Intel·ligència Artifical i Big Data en Salut
Edició 2021-23: inici 27/09/21 - Màster, Postgrau i Curs d’especialització en Intel·ligència Artifical i Big Data en Salut
Edició 2022-24: inici 23/09/22 - Màster, Postgrau i Curs d’especialització en Intel·ligència Artifical i Big Data en Salut
Edició 2023-25: inici 22/09/230 - Màster, Postgrau i Curs d’especialització en Intel·ligència Artifical i Big Data en Salut
Edició 2024-26: inici 23/09/24
Calendaris
Edició 2024 – 2026
| Màster Assignatures 1, 2, 3, 4, 5 + Treball Fi Màster |
Postgrau Assignatures 1, 2, 3 |
Curs d’especialització Assignatura 1 |
|
|---|---|---|---|
| Assignatura 1 | Del 23/09/24 al 15/01/25 | ||
| Assignatura 2 | Del 07/01/25 al 20/04/25 | ||
| Assignatura 3 | Del 21/04/25 al 31/07/25 | ||
| Assignatura 4 | Del 15/09/25 al 15/01/26 | ||
| Assignatura 5 | Del 12/01/26 al 11/04/26 | ||
| Treball Fi Màster | 30/09/26 (Data límit: 31/01/27) | ||
Continguts
L’anàlisi de dades s’ha utilitzat de manera intensiva i extensiva per a 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, l’anàlisi 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 assignatures obligatòries de 10 ECTS i un Treball Final de Màster (10 ECTS)
- A1: Intel·ligència Artificial en Salut.
- A2: Anàlisi de Dades en Salut.
- A3: Processament i gestió de la Informació en entorns de Big Data.
- A4: Adquisició, filtrat i seguretat de dades.
- A5: Emmagatzematge i visualització de dades.
- Treball Final de Màster.
Els estudis de Diploma d’Especialització estan organitzats en 3 assignatures obligatòries de 10 ECTS i un Treball Final de Diploma (5 ECTS)
- A1: Intel·ligència Artificial en Salut.
- A2: Anàlisi de Dades en Salut.
- A3: Processament i gestió de la Informació en entorns de Big Data.
- Treball Final de Diploma
El Curs d’especialització d’Intel·ligència Artificial en Salut correspon a l’assignatura mòdul 1 del Màster (10 ECTS)
- A1: Intel·ligència Artificial en Salut.
Existeix la possibilitat de cursar les assignatures individuals com a Cursos d’especialització. Obligatòriament haurà de cursar primer l’assignatura “Intel·ligència Artificial en Salut”, per a poder cursar la resta d’assignatures ofertes. Aquests es poden cursar bé dins del Diploma o del Màster, o bé individualment, així com en qualsevol de les edicions del Màster i és possible després fer una adaptació per a tenir un estudi superior (p. ex. és possible les assignatures 1,2,3 com a cursos d’especialització i després fer l’adaptació per a matricular el TFD i obtenir el diploma d’especialització).
Assignatura 1: Intel·ligència artificial en salut
Aquesta assignatura presenta els conceptes fonamentals per a introduir-se en el 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.
En finalitzar el curs l’estudiant tindrà una visió general del que és un projecte d’anàlisi de dades mitjançant tècniques de IA en salut.
Contingut
- Introducció a la IA per Clínics: Aplicacions en Salut. Definició i conceptes de IA i ciència de dades.
- Procés de mineria de dades: Definició del problema, captura, preprocessament, anàlisi, visualització i avaluació de les dades.
- Aprenent de dades: Conceptes d’aprenentatge supervisat vs no supervisat. Avaluació de models.
- Algorismes d’aprenentatge: Algorismes de Machine Learning i Deep Learning. Mètriques. Casos d’ús.
- Emmagatzematge i visualització de dades: Tipus de dades clíniques, dades estructurades/no-estructurades, bases de dades relacionals i no relacionals (NoSQL). Visualització de dades.
- Dades Massives i computació en el núvol: Conceptes vinculats al Big Data. Processament i anàlisi. Infraestructures Cloud. Eines i casos d’ús.
- Legalitat en el tractament de dades mèdiques i IA: Regulació sobre IA. Fonaments jurídics per al tractament de dades clíniques. Principals requisits, mesures o obligacions. Legalitat en el tractament de les dades mèdiques i IA. Regulacions.
- Qualitat, privacitat i seguretat de les dades: Aspectes tècnics sobre la privacitat i seguretat de la informació. Estàndard ISO/IEC 27001 i Esquema Nacional de Seguretat (ENS).
- Ètica al tractament de dades mèdiques: Conceptes sobre aspectes ètics d’un projecte de IA: èticament permissible, just i no discriminatori, segur, precís, de confiança i transparent.
- Innovació i Gestió de projectes en salut: Elements essencials per a la creació d’una proposta de sol·licitud de fons per a un projecte relacionat amb IA i salut. Casos d’ús.
Professorat
- 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
Assignatura 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
- Eines estadístiques i processament de les dades: Ús d’eines estadístiques per a obtenir informació de les dades. Gestió de les dades i missing values, compressió de dades (PCA i LDA).
- Algorismes d’aprenentatge: Avaluació dels algorismes d’aprenentatge a través
de les diferents mètriques disponibles. - Regressió lineal i logística: Funcionament i interpretació dels mètodes de
regressió lineal i de regressió logística per a problemes de classificació. - Aprenentatge supervisat i models d’aprenentatge conjunt: Concepte de regularització. Regularització L1 i L2 en regressió lineal i logística. Evolució en Support Vector Machines (SVM). Concepte d’aprenentatge conjunt (bagging, boosting i composició de models). Aplicació a arbres de decisió (RF i GBM).
- Aprenentatge no supervisat: Concepte d’aprenentatge no supervisat. Clustering i tècnica de k-Means. Regles d’associació.
- Xarxes neuronals completament connectades i per dades no estructurades: Concepte, funcionament i aplicació pràctica de les RN. completament connectades (MLP). Evolució del MLP: CNN i RNN.
Professorat
- Albert Ruiz Cirera
- José López Vicario
- Edwar Macias Toro
- Antoni Morell Pérez
- Antoni Lozano Bagen
Assignatura 3: Processament i gestió de la Informació en entorns de Big Data
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.
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
- Introducció al Big Data: Descripció dels conceptes més importants relacionats amb les dades massives des de la seva obtenció, filtrat, processament, emmagatzematge i visualització.
- Introducció a Linux, Cloud i Python: Coneixements bàsics per al desenvolupament i la utilització d’eines i entorns de programació per al processament de Big Data.
- Introducció a la generació de codi amb IA generatives: Coneixements aplicats per al desenvolupament de codi utilitzant ajudes basades en IA generativa.
- Infraestructura Big Data I: Entorn Hadoop. Conceptes principals i casos d’ús de la plataforma de processament de dades massives Hadoop i l’el seu ecosistema.
- Infraestructura Big Data II: Entorn Spark. Conceptes principals i casos d’ús de la plataforma de processament de dades massives Spark i el seu ecosistema.
Professorat
- Remo Suppi Boldrito
Assignatura 4: Adquisició, filtratge i seguretat de dades
Les dades amb els quals es treballa no són sinó una representació, simplificada ja vegades esbiaixada, de la realitat. Les dades es capturen en a través de dispositius físics que no “veuen” la realitat completa sinó només un o uns pocs aspectes d’aquesta. La fidelitat amb què aquestes dades representen a la realitat depèn de com i amb quins dispositius s’adquireixin.
Així mateix, les dades capturades han de ser tractats, preservant la informació que contenen, per al seu posterior emmagatzematge i explotació. En aquesta assignatura es veurà com es capturen les dades al seu nivell més baix, i quins tipus de tractaments bàsics se’ls aplica per a aconseguir que reflecteixin de la manera més completa i fidel la realitat d’una banda i facilitar el seu emmagatzematge i/o transmissió per un altre. Dau es treballa 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 privacitat es requereixen i com es garanteixen.
Contingut
- Tipus de dades en salut. Descripció dels tipus de dades i el seu significat: dades clíniques, senyals vitals, seqüències d’esdeveniments, text, imatges mèdiques, genoma.
- Adquisició de dades: Senyals i sistemes. Transductors. Condicionament, amplificat i filtrat. Mostreig.
Sensors. Conceptes bàsics Tipus. Xarxes de sensors. Fonts d’informació multimodal. Extracció de característiques.Imatges mèdiques: TC, ressonàncies magnètiques, ecografies, SPECT i PETs. Visualització. Genòmica. PCRs. - Tractament de dades: Fiabilitat de les dades. Tolerància a fallades, disponibilitat i cost d’emmagatzematge.
Compressió de dades de text, imatge i vídeo. Compressió amb i sense pèrdua, quantificació i mesures de distorsió.
Estàndards de compressió. DICOM. Pre-processament de dades: neteja, enriquiment, integració i curació.
Anonimització. pseudoanonimització.
Introducció a la seguretat. Seguretat i xifratge. Seguretat de les dades i en el Big Data.
Professorat
- Joan Bartrina Rapesta
- Bernat Gastón Braso
- Ramon Martí Escalé
- Joan Oliver Malagelada
- Marta Prim Sabriá
- Mercè Villanueva
Assignatura 5: Emmagatzematge i visualització de dades
Aquesta assignatura es divideix en dues parts funcionals: Emmagatzematge i Visualització de les dades. En la primera part l’estudiant analitzarà el tipus de dades mèdiques i el seu nivell d’estructura i aprendrà a fer una representació adequada per a cadascun d’ells conjunts de dades i aprofundirà sobre la utilització de bases de dades relacionals, per a dades fortament estructurades, i bases de dades no relacionals, per a dades menys estructurades.
En la segona part, l’estudiant treballarà amb conceptes claus en la visualització de les dades, desenvoluparà estructures de visualització i crearà visualitzacions complexes amb eines avançades per a utilitzar la visualització de dades com a eina d’anàlisi exploratòria.
Contingut
- Introducció a les Bases de dades Relacionals i Data Warehouse: Arquitectures de bases de dades. Arquitectures Client/Servidor.Tipologies de bases de dades: relacionals i no relacionals. Introducció a les eines de gestió de bases de dades: Oracle, MongoDB, entre altres.Data warehouse: Introducció al concepte i la seva gestió. Opcions i explotació de dades.
- Bases de dades relacionals: El model entitat-relació. Criteris de disseny d’un sistema d’entitat-relació. Fases de disseny d’una base de dades. Captació i anàlisi de requisits.Model relacional. Estructura de les dades. Regles d’integritat. Manipulació de les dades. Introducció al SQL.
- Bases de dades no Relacionals: Introducció als conceptes de bases NoSQL, arquitectures, tipus, diferències i explotació de les dades.
- Integració i homogeneïtzació de dades: Introducció a aquests conceptes i la seva posada en pràctica.
- Visualització de Dades: Conceptes claus en la visualització de les dades, estructures de visualització. Eines avançades per a utilitzar la visualització de dades com a eina d’anàlisi exploratòria.
Professorat
- Helena Boltà Torrel
- Oriol Ramos Terrades
- Aura Hernàndez Sabaté
- Laura Rivera Sánchez
- Carles Sánchez Ramos
Treball Fi de Màster (TFM)
Aquest és un treball d’aprofundiment i desenvolupament dels conceptes treballat en les assignatures i té com a objectiu principal avaluar la integració dels coneixements, habilitats i competències adquirides durant la docència de les assignatures.
L’estudiant ha de desenvolupar un estudi o projecte basat en dades obertes o dades disponibles que hagin superat els requisits legals pertinents als quals l’estudiant aplicarà mètodes, eines i procediments ja treballats durant el desenvolupament de les assignatures.
Tutories de seguiment
L’estudiant comptarà amb un tutor dedicat que li guiarà i supervisarà el treball durant tota la seva execució.
Informe final i presentació
L’estudiant haurà de presentar un informe final, en format article de revista, amb una longitud d’entre 10-15 pàgines sobre: Resum, Introducció i Estat de l’Art, Material i Mètodes, Discussió, Resultats, Conclusions i Línies Obertes, Bibliografia i Agraïments. Es podran afegir pàgines addicionals (annexos) parar incloure material addicional, gràfics, figures que siguin complementaris al treball desenvolupat. El format, preferentment, serà IEEE i s’haurà de lliurar a través del Campus Virtual.
L’avaluació es realitzarà a través d’un tribunal format per tres professors en la presentació pública. L’estudiant haurà de presentar abans de la seva exposició un vídeo (entre 5 i 7 minuts) explicatiu del treball realitzat.
Professorat
- Bernat Gastón Braso
- Aura Hernández Sabaté
- José Ibeas López
- José López Vicario
- Antoni Morell Pérez
- Oriol Ramos Terrades
- Dolores Rexachs del Rosario
- Laura Rivera Sànchez
- Carles Sánchez Ramos
- Javier Serrano García
- Remo Suppi Boldrito
Professorat
Joan Bartrina: Doctor. Professor del departament d’Enginyeria de la Informació i de les Comunicacions de la UAB. Àrea de compressió de dades, vídeo i imatges digitals de satèl·lit i metgesses.
Anna Benavent: MSc en Ciències d’Enginyeria de Telecomunicacions i Electrònica. Directora d’Organització i Sistemes d’Informació. Hospital Universitari Parc Taulí.
Luis Bernáldez: Enginyer. Cap de sistemes i comunicacions en Hospital Universitari Parc Taulí.
Helena Boltà: Msc. en Visual Analytics i Big Data. Professora del departament de Ciències de la Computació i Intel·ligència Artificial. UAB. Àrea de Big Data i bases de dades.
Bernat Gastón: Doctor. Professor del departament d’Enginyeria de la Informació i de les Comunicacions de la UAB.
Aura Hernández: Doctora. Professora del departament de Ciències de la Computació i Intel·ligència Artificial. UAB.
José Ibeas: Doctor. Nefrologia. Hospital Universitari Parc Taulí. Director del Grup de Nefrologia Clínica, Intervencionista i Computacional (CICN) de l’Institut de Recerca i Innovació Parc Taulí (I3PT). MSc en Medicina Basada en l’Evidència. President del Grup Espanyol Multidisciplinari de l’Accés Vascular (GEMAV). Membre del Comitè d’Ètica de Recerca amb medicaments (CEIm) Hospital Universitari Parc Taulí
José López-Vicario: Doctor. Professor del departament de Telecomunicacions i Enginyeria de Sistemes. UAB.
Antoni Lozano: Doctor. Professor del departament de Matemàtiques. UAB.
Edwar Macias: Doctor. Enginyer en Cognizant Netcentric.
Marcela Manríquez: Llicenciada en Medicina. Coordinadora de la Unitat d’Assajos Clínics. Membre del Comitè d’Ètica de Recerca. Hospital Universitari Parc Taulí.
Ramon Martí: Doctor. Professor del departament d’Enginyeria de la Informació i de les Comunicacions. UAB. Àrea de Xarxes d’ordinadors, Seguretat i Arquitectura de Computadors.
Antoni Morell: Doctor. Professor del departament de Telecomunicacions i Enginyeria de Sistemes. Àrea d’Analítica de Dades Mèdiques.
Coloma Moreno: MSc en Salut Pública. Metge especialista en Medicina Preventiva i Salut Pública., Especialitat en Epidemiologia. Secretaria Tècnica del Comitè d’Ètica de Recerca. Hospital Universitari Parc Taulí.
Marta Prim: Doctora. Professora del departament de Microelectrònica i Sistemes Electrònics. UAB.
Joan Oliver: Doctor. Professor del departament de Microelectrònica i Sistemes Electrònics. UAB. Àrea de Disseny de Circuits Integrats.
Oriol Ramos: Doctor. Professor del departament de Ciències de la Computació i Intel·ligència Artificial. UAB.
Guillem Reig: Advocat. Msc. en dret internacional dels negocis. Especialista en dret sanitari i protecció de dades personals. Membre del Comitè d’Ètica de Recerca de l’Hospital Universitari Parc Taulí
Dolores Rexachs: Doctora. Professora del departament d’Arquitectura de Computadors i Sistemes Operatius. Àrea d’arquitectura de computadors i sistemes intel·ligents orientats a serveis de salut.
Laura Rivera: Doctora. Professora del departament de Ciències de la Computació i Intel·ligència Artificial. UAB.
Albert Ruiz: Doctor. Professor del departament de matemàtiques. UAB. Àrea àlgebra, geometria i topologia.
Carles Sánchez: Doctor. Professor del departament de Ciències de la Computació i Intel·ligència Artificial. UAB.
Miguel Ángel Seguí: Doctor. Especialista en Oncologia Mèdica. Cap del Servei d’Oncologia i President del Comitè Ètic de Recerca de l’Hospital Universitari Parc Taulí.
Javier Serrano: Doctor. Professor (en excedència) del departament de Telecomunicacions i Enginyeria de Sistemes. UAB. Investigador al Technology Innovation Institute. Abu Dhabi. Emirats Àrabes.
Rem Suppi: Doctor. Professor del departament d’Arquitectura de Computadors i Sistemes Operatius. Àrea de big data i IA, sistemes distribuïts i infraestructures per al processament de dades (clústers i Cloud).
Mercè Villanueva: Doctora. Professora del departament d’Enginyeria de la Informació i de les Comunicacions. UAB. 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 un 5% UAB Alumni.
Passos a seguir per formalitzar la inscripció:
1. Envia les teves dades a la Secretaria Tècnica
2. Envia la documentació
La documentació que cal presentar és:
Professionals amb nacionalitat espanyola:
- Titulació universitària, amb compulsa original o digital (nacionalitat espanyola)
- Fotocòpia del DNI/NIE/Passaport
Professionals amb nacionalitat de països signants del Conveni de la Haia (Postil·li Convention):
- Títol universitari i l’expedient acadèmic amb la postil·la de la Haia
- Fotocòpia del DNI/NIE/Passaport
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: 5.880€
- Diploma de Postgrau: 3.430€
- Curs: 980€
Despeses de cancelació: 50€ Curs, 142,50€ Diploma i 285€ Máster.
Descomptes: 10% als membres de l’Hospital Universitari Parc Taulí, Bioinformàtics Barcelona i 5% UAB Alumni.
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)
L’activitat acadèmica es realitzarà mitjançant la plataforma Campus Virtual de la UAB (Moodle, https://cv.uab.cat/) i les sessions sincròniques a través de la plataforma Teams.
Contacte
- Secretaria Tècnica: Ester Freixa, efreixa@tauli.cat
- Direcció Acadèmica: José Ibeas, jibeas@tauli.cat , Remo Suppi Remo.Suppi@uab.cat
Direcció
- Jose Ibeas. Servei de Nefrologia. Parc Taulí Hospital Universitari.
- Remo Suppi. 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