Dades generals
-
Curs acadèmic:
- 2020
-
Descripció:
- Fonts de coneixement: historials existents, compartició de bases de dades, evidència mèdica. Gestió d'informació: fusió d’informació, elaboració d’indicadors, qualitat de la informació. Generació de coneixement: aprenentatge automàtic, mineria de dades, descoberta de coneixement, big data. Models poblacionals i personalitzats. Presentació de casos i exemples de motivació i aplicació.
-
Crèdits ECTS:
- 5
Grups
Grup EB
-
Durada:
- Semestral, 1r semestre
-
Professorat:
- Yenny Teresa Leal Moncada
/ Maria Beatriz Lopez Ibañez
/ Maria Gloria Mateu Figueras
-
Idioma de les classes:
- Català (100%)
Competències
- CB01 Analitzar situacions complexes i dissenyar estratègies per resoldre-les
- CB05 Prendre decisions per a la resolució de situacions diverses
- CB07 Utilitzar tecnologies de la informació i la comunicació i especialment la programació i ús d'ordinadors
- CB08 Recollir, seleccionar i organitzar informació de manera eficaç
- CT03 Comunicar-se oralment i per escrit
- CES2 Analitzar problemes computacionals i desenvolupar solucions algorísmiques acord
- CES5 Analitzar i modelar dades per a tasques de suport a la presa de decisions mèdiques
- CES8 Especificar, dissenyar i avaluar dispositius i aplicacions informàtica per a teràpies biomèdiques
Continguts
1. Introducció. Models poblacionals: cas/control; cohorts. Disseny d’estudis clínics i tipus d'estudis clínics. Conceptes bàsics d’epidemiologia. Panorama de les tècniques d’Intel·ligència Artificial en Medicina.
2. Aplicació de l’Estadística a la Medicina i la Salut. Regressió amb variable dependent dicotòmica: formulació, estimació i discussió del model. Metodologia de l’anàlisi de dades composicionals.
3. Aplicació de la Intel·ligència Artificial a la Medicina i la Salut. Descobriment de patrons. Presa de decisions. Generació de recomanacions.
4. Casos d’estudi:
4.1. Microbiota humana i obesitat
4.2. Deteriorament cognitiu i ressonància magnètica
4.3. Resistència a la insulina
4.4. Reconeixement d’activitats i envelliment actiu
Activitats
Tipus d’activitat |
Hores amb professor |
Hores sense professor |
Hores virtuals amb professor |
Total |
Aprenentatge basat en problemes (PBL) |
10,00 |
50,00 |
32,00 |
92,00 |
Prova d'avaluació |
3,00 |
14,00 |
0
|
17,00 |
Sessió expositiva |
0
|
8,00 |
6,00 |
14,00 |
Sortida de camp |
2,00 |
0
|
0
|
2,00 |
Total |
15,00 |
72,00 |
38,00 |
125 |
Bibliografia
- Aitchison, J.. (1986). The Statistical analysis of compositional data. Caldwell, NJ: The Blackburn Press. Catàleg
- Filzmoser, Peter. (2018). Applied compositional data analysis :. New York, NY: Springer Berlin Heidelberg. Catàleg
- Hosmer, David W.. (2000). Applied logistic regression (2nd ed.). New York [etc.]: John Wiley & Sons. Catàleg
- Mark Chang (2020). Artificial Intelligence for Drug Development, Precision Medicine, and Healthcare. Taylor & Francis. Catàleg
- Begg, Rezaul. (2008). Computational intelligence in biomedical engineering /. Boca Raton, FL: CRC/Taylor & Francis. Catàleg
- Russell, Stuart J.. (2010). Artificial intelligence : (3rd ed.). Upper Saddle River: Prentice Hall. Catàleg
Avaluació i qualificació
Activitats d'avaluació:
Descripció de l'activitat |
Avaluació de l'activitat |
% |
Recuperable |
PBL-Microbiota |
Es plantejarà a l’alumnat qüestions referents al cas d’estudi que hauran de resoldre seguint un procés de desenvolupar hipòtesis, identificar la metodologia necessària y interpretar críticament els resultats. |
20 |
No |
PBL-Deteriorament cognitiu |
Es plantejarà a l’alumnat qüestions referents al cas d’estudi que hauran de resoldre seguint un procés de desenvolupar hipòtesis, identificar la metodologia necessària y interpretar críticament els resultats. |
20 |
No |
PBL-Resistència insulina |
Es plantejarà a l’alumnat qüestions referents al cas d’estudi que hauran de resoldre seguint un procés de desenvolupar hipòtesis, identificar la metodologia necessària y interpretar críticament els resultats. |
20 |
No |
PBL - Reconeixement d’activitats i envelliment actiu |
Es plantejarà a l’alumnat qüestions referents al cas d’estudi que hauran de resoldre seguint un procés de desenvolupar hipòtesis, identificar la metodologia necessària y interpretar críticament els resultats. |
20 |
No |
Prova d'avaluació |
Examen on s'avaluaran els continguts treballats en l'assignatura |
20 |
No |
Qualificació
La nota final de l’assignatura es calcularà d’acord amb els pesos de cada una de les activitats proposades.
Criteris específics de la nota «No Presentat»:
La realització d’alguna de les activitats d’avaluació previstes en l’assignatura dóna lloc a tenir una nota. En cas contrari s’obtindrà un No Presentat.
Avaluació única:
Per optar a l'avaluació única de l'assignatura cal fer una petició formal a la Secretaria Acadèmica.
Els alumnes que demanin avaluació única hauran de fer un únic examen on s'avaluaran els continguts de tot el curs i tindrà un pes del 100%. Aquest examen únic tindrà una oportunitat de recuperació.
Requisits mínims per aprovar:
Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0
Tutoria
Les tutories es sol·licitaran a través de l'Agenda de l’assignatura al Moodle, i en el seu defecte, a través de correu electrònic.
Es podran desenvolupar presencialment (els dies assignats a problemes de l’assignatura), o virtualment (a través de videoconferència).
Comunicacio i interacció amb l'estudiantat
S’utilitzarà un sistema de videoconferència per a les classes virtuals. Les preguntes es realitzaran de manera asíncrona a través del fòrum de l’assignatura. La resposta es rebrà en un període de dos dies lectius.
Observacions
La bibliografia recomanada es completa amb el material elaborat pels professors. Tot i això, creiem indispensable l'assistència regular a les classes ja que moltes matisacions que fa el professor no es poden reflectir en els textos escrits.
A mesura que avanci el curs podreu trobar diferent material en el moodle de l'assignatura.
Assignatures recomanades
- Estadística
- Fonaments de matemàtiques 1
- Fonaments de matemàtiques 2
- Intel·ligència artificial
Modificació del disseny
Modificació de les activitats:
Escenari amb un 100% de virtualitat:
Les classes de problemes es realitzaran virtualment.
Modificació de l'avaluació:
Escenari amb un 100% de virtualitat:
El procés d’avaluació no es veuria afectat.
La presentació de les activitats es realitzarà de forma virtual.
La prova d’avaluació es realitzarà de forma virtual.
Tutoria i comunicació:
Escenari amb un 100% de virtualitat:
No es veurien afectades.