Objetivo
Formar a profesionales del sector salud con las competencias técnicas, metodológicas y éticas necesarias para diseñar, implementar y desplegar soluciones de aprendizaje automático e Inteligencia Artificial Generativa, aplicando estándares globales de interoperabilidad (HL7 FHIR, SNOMED CT, LOINC) y modelos de datos clínicos (OMOP), con el fin de convertir los datos en evidencia accionable que mejore la seguridad del paciente, la calidad asistencial y la sostenibilidad del sistema de salud, bajo un marco de actuación ético, normativo y socialmente responsable.
Dirigido a
El diplomado está dirigido a profesionales que se identifica con alguno de los siguientes perfiles:

• Líderes Clínicos e Investigadores, Médicos, especialistas, enfermeros y profesionales de la salud, Gestores y Tomadores de Decisión, Directivos de hospitales, gerentes de EPS, secretarios de salud y consultores, Profesionales de Tecnología y Ciencia de Datos, Ingenieros de sistemas, bioingenieros y científicos de datos.
• Son profesionales que buscan herramientas para optimizar la seguridad del paciente, reducir la carga administrativa y liderar proyectos de investigación traslacional mediante el uso de modelos de datos estandarizados como OMOP. Al mismo tiempo, requieren una visión estratégica para la adquisición e implementación de tecnologías de inteligencia artificial, comprendiendo conceptos clave como el ROI (Retorno de Inversión), la ética algorítmica y la gobernanza de datos, con el fin de garantizar una transformación digital sostenible y segura en sus organizaciones. Además, muchos de ellos ya trabajan o desean incursionar en el sector salud y buscan especializarse en la complejidad del dato clínico, dominando los estándares de interoperabilidad (HL7 FHIR, SNOMED CT, LOINC) y las arquitecturas de IA Generativa (RAG) que actualmente demanda el mercado sanitario.

• Para Salud: Fundamentos de bases de datos, lógica algorítmica y anatomía de un dataset.
• Para Tecnología: Flujos de atención clínica, terminología médica básica y ética del cuidado.
• Glosario Común: Definiciones base de IA, ML y Salud Digital.

• Arquitectura de Datos en Salud: Del registro clínico al dato estructurado.
• El Estándar OMOP CDM: Estructura de tablas, dominios y lógica de estandarización.
• Ecosistema OHDSI: Herramientas para la investigación observacional y analítica poblacional.
• Procesos ETL: Extracción, Transformación y Carga de datos de Historias Clínicas a OMOP.

• Fenotipado Computacional: Cómo definir eventos clínicos (ej. falla renal) dentro de una base de datos.
• Aprendizaje Supervisado: Modelos de riesgo, diagnóstico y pronóstico.
• Aprendizaje No Supervisado: Descubrimiento de patrones y subgrupos de pacientes.
• Métricas de Desempeño: Validación clínica de algoritmos (Sensibilidad, Especificidad, AUC-ROC).

• Fundamentos de Transformers: Cómo funcionan los modelos de lenguaje (LLMs) en medicina.
• Prompt Engineering Clínico: Diseño de instrucciones para resúmenes, codificación y apoyo diagnóstico.
• Mitigación de Alucinaciones: Estrategias para garantizar la veracidad de la información generada.

• Arquitectura RAG (Retrieval-Augmented Generation): Conexión de LLMs con Guías de Práctica Clínica y protocolos institucionales.
• Estándares HL7 FHIR: Creación y gestión de recursos para el intercambio de información.
• Terminologías Semánticas: Uso avanzado de SNOMED CT y LOINC para que la IA sea "entendible" por cualquier sistema.

• Gobernanza de Datos: Privacidad, seguridad y cumplimiento normativo.
• Auditoría de Sesgos: Detección de sesgos algorítmicos en salud.
• Presentación del Proyecto Integrador: Despliegue de una solución que recorra desde la estandarización en OMOP hasta la generación de una recomendación en FHIR.