Menor en Análisis de datos para la salud y la sociedad
- Modalidad presencial
El objeto de estudio de este menor se centra en el análisis avanzado de datos, utilizando técnicas de minería de datos, bioestadística, machine learning y su aplicación en el ámbito de la salud pública. El objetivo es formar profesionales capaces de procesar, analizar y extraer información valiosa de grandes volúmenes de datos, con el fin de tomar decisiones informadas y mejorar los resultados en salud. Esto incluye la identificación de patrones, la predicción de tendencias y la mejora de políticas y prácticas en salud pública.
Área de desarrollo
Salud
Programa
Ciencia de Datos
Dependencia
Departamento de Ciencias Básicas
Total créditos
12
Duración
4 semestres
Cursos:
1. Data mining
3 créditos
Modalidad: Presencial
2. Bioestadística
3 créditos
Modalidad: Presencial
3. Análisis de datos en salud
3 créditos
Modalidad: Presencial
4. Machine learning
3 créditos
Modalidad: Presencial
Estructura
Se requiere al menos una estadística previa en su programa y cursar los menores 2 – 5 (12 créditos). En caso de que no haya cursado ninguna estadística podrá matricular Estadística Descriptiva para iniciar el menor y puede elegir de los otros cursos solamente tres para completar los 12 créditos. Puede cursarlos en cualquier orden.
Para tener en cuenta
Este menor está diseñado para estudiantes interesados en aplicar herramientas estadísticas y de análisis de datos en el ámbito de la salud pública y las ciencias sociales. Se enfoca en el manejo de datos complejos, la interpretación de resultados y la formulación de conclusiones que impacten positivamente en la sociedad.
Los estudiantes podrán adquirir habilidades en bioestadística, análisis de datos en salud pública y técnicas avanzadas de visualización de datos para presentar hallazgos de forma clara y efectiva. Este menor es ideal para quienes desean contribuir al bienestar social, la planificación en salud pública o la investigación científica basada en datos.
Competencia 1
Analizar grandes volúmenes de datos de salud pública utilizando técnicas estadísticas y de minería de datos en el contexto de la salud pública para identificar patrones y tendencias relevantes.
Resultados de aprendizaje esperados
El estudiante será capaz de seleccionar y aplicar técnicas estadísticas y de minería de datos para procesar y analizar grandes conjuntos de datos relacionados con la salud pública, identificando patrones y tendencias significativas.
El estudiante podrá utilizar herramientas avanzadas de minería de datos (como algoritmos de clasificación, regresión y clustering) para la segmentación de pacientes o la predicción de condiciones de salud a partir de datos epidemiológicos.
El estudiante será capaz de evaluar la calidad y la fiabilidad de los datos, identificando posibles sesgos, errores y limitaciones, para garantizar resultados válidos y éticamente responsables en su análisis.
Competencia 2
Desarrollar y aplicar modelos predictivos mediante técnicas de machine learning en el contexto de la salud pública para la toma de decisiones informadas.
Resultados de aprendizaje esperados
El estudiante podrá construir, entrenar y validar modelos predictivos utilizando algoritmos de machine learning, tales como redes neuronales, árboles de decisión o máquinas de soporte vectorial, para la predicción de enfermedades o la gestión de recursos en salud.
El estudiante será capaz de interpretar los resultados de los modelos predictivos y traducirlos en recomendaciones prácticas para mejorar la toma de decisiones en salud pública, basándose en la probabilidad y la precisión de las predicciones.
El estudiante podrá ajustar y optimizar los modelos mediante la selección adecuada de parámetros (tuning), validación cruzada y métodos de evaluación, para maximizar su efectividad y desempeño en el contexto de datos reales de salud.
Competencia 3
Aplicar principios éticos en el uso y análisis de datos de salud para garantizar la privacidad y la equidad en el contexto de la salud pública.
Resultados de aprendizaje esperados
El estudiante será capaz de aplicar principios éticos y de privacidad en el manejo y análisis de datos personales de salud, cumpliendo con regulaciones y estándares internacionales como la HIPAA (Health Insurance Portability and Accountability Act) o el GDPR (Reglamento General de Protección de Datos).
El estudiante podrá identificar y abordar los riesgos potenciales asociados con el uso de datos en salud, tales como el sesgo en los algoritmos de machine learning, la equidad en el acceso a modelos predictivos y el impacto de los resultados en poblaciones vulnerables.
El estudiante será capaz de presentar los resultados del análisis de datos y los modelos predictivos de manera clara, comprensible y accesible para audiencias no especializadas, utilizando visualizaciones y enfoques comunicacionales efectivos en el contexto de la salud pública.
