IA en Saúde

O obxectivo principal desta materia é coñecer as diferentes aplicacións da Intelixencia Artificial no ámbito da saúde, desde o proceso inicial de obtención de datos médicos básicos, a integración e explotación dos ditos datos e a súa utilización final en diagnósticos e actuacións específicas neste ámbito, como os derivados da medicina personalizada. Afondaranse nas diferentes aplicacións da Intelixencia Artificial, desde un punto de vista global e integral, a través da descrición e estudo de diferentes casos de éxito na aplicación de técnicas, ferramentas ou sistemas de intelixencia artificial no devandito ámbito da saúde. Tamén se formará o alumnado no uso de técnicas específicas de integración de datos de fontes heteroxéneas e no uso de diferentes estándares existentes.

Resultados de aprendizaxe:
- Desenvolver habilidades sólidas para crear modelos complexos que permitan diagnósticos personalizados e predición de tendencias clínicas, a partir de fontes heteroxéneas.
- Coñecer os diferentes estándares de tratamento de datos no ámbito sanitario e desenvolver a capacidade de integralos en proxectos de IA. Coñecer técnicas de integración da IA en dispositivos médicos.
- Desenvolver as habilidades para deseñar aplicacións web de saúde electrónica baseadas en modelos de IA.
- Coñecer as especificidades dos campos de aplicación da vixilancia intelixente de datos e sinais en e-saúde e as súas restricións en tempo real.
- Comprender e analizar de forma fiable e segura as especificidades técnicas e os modelos para a transmisión, recollida, rastrexo e tratamento de datos nestes contextos.

Integración de datos de fontes heteroxéneas e estándares en saúde. Seguridade e privacidade de datos clínicos. Casos de éxito de aplicación de técnicas de IA en saúde. Tratamento e diagnóstico por imaxe médica. E-saúde e medicina personalizada.

Non haberá unha bibliografía como tal, senón que se traballará con artigos científicos e charlas de divulgación de experiencias.

CB6 - Posuír e comprender coñecementos que proporcionan unha base ou oportunidade para ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación.
CB7 - Que os e as estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade para resolver problemas en contornos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinarios) relacionados coa súa área de estudo.
CB9 - Que os e as estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos
especializados e non especializados dun modo claro e sen ambigüidades.
CB10 - Que os e as estudantes teñan as habilidades de aprendizaxe que lle permitan seguir estudando dun xeito que será en gran parte auto dirixido ou autónomo.
CG1 - Manter e ampliar enfoques teóricos fundados para permitir a introdución e explotación de tecnoloxías novas e avanzadas no ámbito da Intelixencia Artificial.
CG2 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábil na xestión do tempo, das persoas e da toma de decisións.
CT5 - Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras.
CT8 - Valorar a importancia da investigación, a innovación e o desenvolvemento tecnolóxico no progreso socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer prazos e cumprilos.
CE4 - Coñecer os fundamentos e técnicas básicas da intelixencia artificial e a súa aplicación práctica.
CE7 - Capacidade para entender as implicacións do desenvolvemento dun sistema intelixente explicable e interpretable.
CE19 - Coñecemento de diferentes ámbitos de aplicación das tecnoloxías baseadas en IA e a súa capacidade para ofrecer un valor engadido diferenciador.
CE20 - Capacidade de afrontar entornas interdisciplinarias e combinar e adaptar diferentes técnicas, extrapolando coñecementos entre diferentes ámbitos.
CE21 - Coñecemento das técnicas que facilitan a organización e xestión de proxectos en IA en entornas reais, a xestión dos recursos e a planificación de tarefas dunha maneira eficiente, tendo en conta conceptos de diseminación do coñecemento e ciencia aberta.
CE22 - Coñecemento de técnicas que facilitan a seguridade dos datos, aplicacións e as comunicacións e as súas implicacións en diferentes ámbitos de aplicación da IA.
CE30 - Ser capaz de plantexar, modelar e resolver problemas que requiran a aplicación de métodos, técnicas e tecnoloxías de intelixencia artificial.

A metodoloxía empregada usa o Campus Virtual das tres universidades como plataforma básica. Na aula virtual da materia, o alumnado terá toda a información (material teórico, diapositivas de clase, guións de prácticas, etc.)
* Sesións maxistrais: exposición oral (UDC/UVIGO) (retransmitida para todo o alumnado). Nelas se desenvolven principalmente as competencias CB6, CB10, CG4, CG5, CE4, CE7, CE19, CE21, CE22, CT5 e CT8.
* Sesións de laboratorio: (USC/UDC/UVIGO) (retransmitida para todo o alumnado). Presentación de casos de uso. Nelas desenvolveranse as competencias CB7, CB9, CG1, CG2 e CE20, CE30 y CT9.

A avaliación da aprendizaxe levarase a cabo mediante a avaliación dos traballos prácticos (20% da cualificación final), que será completada co seguimento continuado do traballo do alumnado e a realización de probas obxectivas (80%).
Seguimento e probas obxectivas: Úsase para avaliar principalmente as competencias CB6, CB10, CG4, CG5, CE4, CE7, CE19, CE21, CE22, CT5 e CT8.
Avaliación de traballos prácticos: Utilízase para avaliar principalmente as competencias CB7, CB9, CG1, CG2 y CE20, CE30 e CT9.
En caso de realización fraudulenta de exercicios ou probas, aplicarase o disposto na Normativa de Avaliación do rendemento académico dos estudantado e revisión das cualificacións.
En aplicación do Regulamento da ETSE sobre plaxio (aprobado pola Xunta ETSE o 19/12/2019), a copia total ou parcial de calquera exercicio de práctica ou teoría suporá un suspenso en ambas as ocasións do curso, cunha cualificación de 0,0 en ambos os casos.

Na segunda oportunidade, completarase a avaliación continua (20%) con unha proba final (80%).

Esta materia ten 3 créditos ECTS, correspondentes a unha carga de traballo total de 75 horas (presencia de 7h / crédito). Esta pódese dividir nas seguintes seccións:

TRABALLO PRESENCIAL EN AULA:
* Clases maxistrais: 10 horas
* Prácticas de laboratorio: 5 horas
* Aprendizaxe baseado en problemas, seminarios, estudo de casos e proxectos: 6 horas
Total de horas de traballo na aula: 21 horas

TRABALLO PERSOAL DO ALUMNADO:
* Estudo autónomo: 10 horas
* Prácticas de laboratorio: 15 horas
* Aprendizaxe baseado en problemas, seminarios, estudo de casos e proxectos: 29 horas
Total: 54 horas

Recoméndase ter cursado as materias básicas cos módulos previos. Recoméndase levar a materia ao día e o uso de titorías para aclarar dúbidas e asesorar no seu desenvolvemento.

A docencia desta materia será en inglés.
A docencia expositiva (10h) será impartida entre a USC, a UDC e a UVIGO e será retransmitida para todo o alumnado.
A docencia interactiva (11h) será impartida entre a USC, a UDC e a UVIGO e será retransmitida para todo o alumnado.