○ planned · proyecto
Otorga nivel a: Neural Network · Model Evaluation
Usa: Neural Network · Convolutional Neural Network · Logistic Regression · Model Evaluation · Cross-Validation · Supervised Learning
El ponente, físico dedicado a modelado matemático en el Hospital General de México, desmitifica el deep learning en salud y advierte que antes de entrenar cualquier modelo hay que definir qué medir, con qué datos y con qué sesgos. Su tesis central es que en medicina el deep learning es útil pero no basta: requiere cantidades de datos etiquetados que casi nunca existen, y el error de fondo es querer sustituir el rigor estadístico con una red neuronal. La charla insiste en que la dificultad real no es la técnica, sino la definición de variables, la muestra y el acceso a datos clínicos en México.
Hallazgos clave
- “La media no es lo típico”: simplificar poblaciones a un solo número lleva a conclusiones engañosas (el 50% de divorcios se desploma a ~20% en doctorantes), por lo que un modelo debe describir subgrupos comparables, no promedios globales.
- Antes de modelar hay que respetar el nivel de medición de cada variable: nominal solo admite igualdad/moda, ordinal comparación/mediana, intervalo y razón admiten media aritmética; meter una variable categórica a una convolución invalida el resultado.
- El deep learning exige grandes volúmenes de datos etiquetados; en salud casi nunca hay “big data” (los números originales son de teras) y con 500–6,000 registros no se puede hacer deep learning, pero sí machine learning clásico útil.
- De 37,797 papers de deep learning indexados en PubMed, solo 167 llegaron a pruebas clínicas y 104 fueron ensayos controlados aleatorizados: hay mucha publicación y poca llegada al paciente.
- En México sí hay datos (INEGI, encuestas nacionales, cohortes de 10–20 mil pacientes); el problema no es la escasez sino la organización y el acceso, y el hecho de que “Uber te conoce mejor que el sector salud”.
Módulos
- De la población al modelo — Unidades de análisis, representación de individuos y la pregunta “¿qué quiero medir?” antes de cualquier algoritmo.
- Niveles de medición y estadística aplicada — Variables nominal/ordinal/intervalo/razón, medidas de centralidad válidas y errores comunes al ignorarlas.
- Tipos de aprendizaje de máquina — Supervisado, no supervisado y por refuerzo; regresión logística en epidemiología, clustering (DBSCAN) y Q-learning.
- Cómo aprende una red profunda — Capas convolucionales, detección de bordes/formas, funciones de probabilidad y por qué el resultado es una probabilidad, no una certeza.
- Datos y sesgos en salud — Sesgo del modelador, sesgos de muestra, “mentir con estadística” y la relación entre sesgos humanos y sesgos del modelo.
- Evidencia y acceso a datos en México — PubMed vs Scopus/Web of Science, lectura crítica de papers clínicos y rutas para acceder a datos hospitalarios y públicos.
Fuente: https://www.youtube.com/watch?v=jKbt7vrkMZ8 · Transcript local: data/cursos/datapub-deep-learning-en-salud/deep-learning-en-salud.srt
Enlaces
Otorga nivel a: Neural Network · Model Evaluation Usa: Neural Network · Convolutional Neural Network · Logistic Regression · Model Evaluation · Cross-Validation · Supervised Learning