En este segundo curso pasas de entender la inteligencia artificial a construirla: abrirás la caja negra para crear, interpretar y evaluar los modelos de machine learning que hoy se usan en salud. Recorreremos la regresión logística y su lectura como riesgo clínico, los árboles de decisión, los bosques aleatorios, el boosting y el análisis de supervivencia; la evaluación rigurosa de un modelo (matriz de confusión, curva ROC, calibración y validación); y el ciclo de vida completo hasta el mundo real: impacto, implementación y ética. Todo anclado en un sistema real de detección de sepsis y en datos hospitalarios reales que trabajarás con tus propias manos.
Al terminar este módulo serás capaz de:
- Construir e interpretar los modelos de machine learning más usados en salud (regresión logística, árboles de decisión, bosques aleatorios y boosting) sobre datos clínicos reales.
- Reconocer que un score clínico conocido, como el de Framingham, es por dentro un modelo, y leerlo con el idioma del riesgo (odds ratio, riesgo relativo y absoluto).
- Evaluar y validar un modelo con criterio epidemiológico (matriz de confusión, curva ROC, calibración y validación externa) y reconocer sus trampas: la fuga de datos, los faltantes informativos y la diferencia entre predecir y explicar.
- Comprender el ciclo de vida de un modelo en el mundo real: su impacto clínico y económico, su implementación entre hospitales y la responsabilidad ética de una IA que apoya, nunca reemplaza, el juicio clínico.
Disclaimer: este es un programa de educación informal, de acuerdo con la normativa colombiana vigente. No conduce a título de educación superior alguno. Al finalizar se expide una constancia de aprobación que da cuenta de las horas cursadas.