Curso : Curso de Técnicas para el Análisis de Datos Clínicos

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN

1. Contexto de la obra
2. Motivos
3. Objetivos
4. El alcance y la orientación del libro desde el punto de vista del análisis de datos

UNIDAD DIDÁCTICA 2. CONCEPTOS

1. La ?minería de datos?
2. Relevancia y fiabilidad
3. Agregación de variables y datos
4. La representación ?difusa? de los datos
5. Análisis de datos con técnicas ?difusas?
6. Clustering
7. Clasificación

UNIDAD DIDÁCTICA 3. LA PERSPECTIVA DIFUSA

1. Conceptos básicos
2. Concepto de ?pertenencia difusa?
3. Relaciones difusas
4. Definición de un ?conjunto difuso?
5. Siete métodos para definir una función de pertenencia
6. Definición de ?variable difusa?
7. Definición de ?número difuso?
8. Los ?cuantificadores?
9. Representación difusa de variables de tipo binario
10. La selección de características
11. Funciones de pertenencia para datos clínicos

UNIDAD DIDÁCTICA 4. EL DIAGNÓSTICO Y EL PRONÓSTICO CLÍNICO

1. Enfoque de la estadística ?clásica?
2. Sistemas de puntuación de pronóstico en cuidados intensivos
3. Ejemplos de algunos de los sistemas más comunes de puntuación de pronóstico
4. Enfoques de la inteligencia artificial
5. Grupo de la Universidad de California en Irving: Repositorio base de datos sobre aprendizaje automatizado

UNIDAD DIDÁCTICA 5. EL DIAGNÓSTICO DEL SÍNDROME DE APNEA DEL SUEÑO

1. Presentación clínica
2. Prevalencia
3. Morbidity y mortalidad
4. Diagnóstico

UNIDAD DIDÁCTICA 6. LA REPRESENTACIÓN, COMPARACIÓN Y PROCESO DE DATOS DE DIFERENTES TIPOS

1. Representación y proceso de datos de tipos diferentes
2. Comparación entre diferentes tipos de datos
3. La mejora del cuestionario para el diagnóstico de apnea del sueño (estudio del Capítulo 11)

UNIDAD DIDÁCTICA 7. TÉCNICAS

1. Técnicas estadísticas
2. La técnica de inducción de reglas: ID3 y C4.5/5.0
3. La técnica de ?amalgamación?: los algoritmos de clustering de Hartigan
4. La técnica de ?agregación?: CP, OWA y WOWA
5. La técnica de ?agrupación difusa?: Fuzzy c-Means
6. La técnica de redes neuronales para clustering (tipo ?Kohoncn SOM?)
7. La técnica de ?redes neuronales? para predicción
8. La técnica del ?algoritmo evolutivo? (o ?genético?)

UNIDAD DIDÁCTICA 8. RESUMEN DE LOS ASPECTOS CLAVES EN LA ADAPTACIÓN E IMPLEMENTACIÓN DE LAS TÉCNICAS

1. El cálculo de covarianzas difusas entre variables 171
2. Resumen de las adaptaciones del operador de agregación WOWA

UNIDAD DIDÁCTICA 9. PRONÓSTICO DE PACIENTES DE LA UCI HOSPITAL PARC TAULÍ DE SABADELL

1. Exploración inicial de los datos
2. Proceso del conjunto de datos UCI con la técnica de inducción de reglas C4.5
3. Proceso del conjunto de datos UCI con la técnica de inducción de reglas ID3
4. Clustering con la red neuronal Kohonen SOM
5. Aplicación del joining algorithm de Hartigan a los datos UCI, usando covarianzas ?difusas? y ?no-di fusas? como entradas
6. Proceso de los datos UCI con la técnica ?Fuzzy c-Means?
7. Resumen

UNIDAD DIDÁCTICA 10. DATOS DEL CUESTIONARIO DE APNEA. LABORATORIOS DEL SUEÑO. NEUMOLOGÍA (ICPCT), HOSPITAL CLÍNICO DE BARCELONA

1. El diagnóstico de apnca usando WOWA con cocientes asignados por el medico experto
2. La comparación de diferentes métodos para asignar los cocientes de relevancia y fiabilidad. Agregación de datos usando el operador WOWA para casos de apnea del sueño
3. Resumen

UNIDAD DIDÁCTICA 11. DATOS DEL CUESTIONARIO DE APNEA. CENTRO DE ESTUDIOS DEL SUEÑO (NEUMOSALUD), HOSPITAL DE LA SANTÍSIMA TRINIDAD DE SALAMANCA

1. Datos de prueba variables seleccionadas
2. Comparación de las formas de representación categórica y como escala, de las preguntas del cuestionario
3. Aprendizaje y asignación de los valores de relevancia y fiabilidad
4. Resultados: diagnóstico de apnea usando el operador de agregación WOWA
5. Comparación de la precisión predictiva en el diagnóstico usando agregación WOWA respecto a otros métodos de modelización predictiva
6. Resumen

UNIDAD DIDÁCTICA 12. RESUMEN Y CONCLUSIONES