Maestría en Oncología Médica, Genómica y Big data

Name: Maestría en Oncología Médica, Genómica y Big data
Brand: ISEIE Colombia
SKU: https://co.iseie.com/medicina/maestrias-medicina/maestria-en-oncologia-medica-genomica-y-big-data/
Price: 17103486 COP
Availability: OnlineOnly
Rating: 5 (750 reviews)

Duración

12 meses

Fecha de inicio

15-01-2025

ECTS

Horas

1500

Financiación

3 meses

Precio

$ 17.103.486

Presentación de la Maestría en Oncología Médica, Genómica y Big data

La Maestría en Oncología Médica, Genómica y Big Data de ISEIE Colombia es un programa académico de vanguardia que integra las últimas tecnologías en el tratamiento del cáncer, con un enfoque en el análisis genómico y el uso de Big Data para la personalización de los tratamientos.

En nuestra maestría los estudiantes adquieren una comprensión profunda de los procesos moleculares y genéticos que subyacen al cáncer, al mismo tiempo que desarrollan habilidades avanzadas para aplicar herramientas de análisis de datos masivos (Big Data) en la práctica clínica oncológica.

Propósito de la Maestría en Oncología Médica, Genómica y Big data

La Institución Superior Estudios Innovadores Europeos estar enfocado en la mejora profesional de su participante, ofreciéndole el mejor conocimiento posible en Oncología Médica, Genómica y Big Data. Gracias a una distinción única y con demanda en el campo de esta especialidad, el egresado acabará teniendo amplias posibilidades de mejorar su actual puesto de trabajo, al igual que su propio prestigio Médico.

Nuestro máster ofrece la posibilidad de profundizar y actualizar los conocimientos en esta materia, con el uso de una tecnología educativa vanguardista. Ofreciendo una visión global y al mismo tiempo poniendo el foco en los aspectos más importantes e innovadores de la medicina.

Para qué te prepara la Maestría en Oncología Médica, Genómica y Big data

El máster en oncología médica, genómica y big data es un programa de formación avanzado que tiene como objetivo preparar a los estudiantes para trabajar en el campo de la oncología, con un enfoque especial en la aplicación de la genómica y el análisis de big data en el diagnóstico y tratamiento del cáncer.

Solicitad más información de la Maestría en Oncología Médica, Genómica y Big data

Razones por las cuales elegir ISEIE

Prestigio internacional

ISEIE tiene como objetivo promover la educación de calidad, la investigación de alto nivel y los estudios de excelencia en todo el mundo.

Validez internacional

La titulación que reciben nuestros estudiantes son reconocidas en las empresas más prestigiosas.

Trayectoria académica

ISEIE cuenta con una trayectoria formativa basada en años de experiencia y preparación de profesionales cualificados.

Mejora salarial

0 %

Alto porcentaje de aquellos que han estudiado un MBA han incrementado su salario

Demanda laboral

0 %

Según estudios, los perfiles más buscados son los que cuentan con formación académica superior.

Flexibilidad

0 %

Nuestro sistema educativo le permite compatibilizar de un modo práctico y sencillo los estudios con su vida personal y profesional.

ISEIE Innovation School es calidad académica

Nuestro plan interno de calidad del instituto persigue diversos objetivos, como el aumento de la satisfacción de los estudiantes, el cumplimiento de los objetivos de calidad establecidos, el desarrollo de una cultura de calidad, el reforzamiento de la relación entre el personal y la universidad, y el mejoramiento continuo de los procesos.

Los objetivos de la Maestría en Oncología Médica, Genómica y Big data

Los estudios de postgrado consisten no solo en adquirir conocimientos por parte del participante, sino que estos queden supeditados al desarrollo de una serie de competencias en función de los perfiles académicos y los correspondientes perfiles profesionales.

Nuestra función es centrar los objetivos de este máster y los diferentes módulos que lo conforman no solamente en la simple acumulación de conocimientos sino también en las hard skills y soft skills que permitan a los profesionales especializados en ONCOLOGÍA MÉDICA, GENÓMICA Y BIG DATA desempeñar su labor de forma exitosa en este mundo laboral en constante evolución.

Diseño del plan de estudios Maestría en Oncología Médica, Genómica y Big data

Para el diseño del Plan de estudios de este Maestría en Oncología Médica, Genómica y Big data de ISEIE ha seguido las directrices del equipo docente, el cual ha sido el encargado de seleccionar la información con la que posteriormente se ha constituido el temario.

De esta forma, el profesional que acceda al programa encontrarás el contenido más vanguardista y exhaustivo relacionado con el uso de materiales innovadores y altamente eficaces, conforme a las necesidades y problemáticas actuales, buscando la integración de conocimientos académicos y de formación profesional, en un ambiente competitivo globalizado.

Todo ello a través de de material de estudio presentado en un cómodo y accesible formato 100% online.

El empleo de la metodología Relearning en el desarrollo de este programa te permitirá fortalecer y enriquecer tus conocimientos y hacer que perduren en el tiempo a base de una reiteración de contenidos.

Plan de estudios Maestría en Oncología Médica, Genómica y Big data

Módulo 1. Oncología Genómica o de Precisión

1.1. Utilidad del perfil de expresión génica en cáncer
1.2. Subtipos moleculares del cáncer de mama
1.3. Plataformas genómicas de carácter pronóstico-predictivo en el cáncer de mama
1.4. Dianas terapéuticas en cáncer de pulmón célula no pequeña
1.4.1. Introducción
1.4.2. Técnicas de detección molecular
1.4.3. Mutación EGFR
1.4.4. Translocación ALK
1.4.5. Translocación ROS
1.4.6. Mutación BRAF
1.4.7. Reordenamientos NRTK
1.4.8. Mutación HER2
1.4.9. Mutación/amplificación de MET
1.4.10. Reordenamientos de RET
1.4.11. Otras dianas moleculares
1.5. Clasificación molecular del cáncer de colon
1.6. Estudios moleculares en el cáncer gástrico
1.6.1. Tratamiento del cáncer gástrico avanzado
1.6.2. Sobreexpresión de HER2 en cáncer gástrico avanzado
1.6.3. Determinación e interpretación de sobreexpresión de HER2 en cáncer gástrico avanzado
1.6.4. Fármacos con actividad frente a HER2
1.6.5. Trastuzumab en primera línea de cáncer gástrico avanzado
1.6.6. Actividad de otros fármacos anti-HER2 en cáncer gástrico avanzado
1.7. El GIST como modelo de investigación traslacional: 15 años de experiencia
1.7.1. Introducción
1.7.2. Mutaciones de KIT y PDGFRA como promotores principales en GIST
1.7.3. Genotipo en GIST: valor pronóstico y predictivo
1.7.4. Genotipo en GIST y resistencias al imatinib
1.7.5. Conclusiones
1.8. Biomarcadores moleculares y genómicos en melanoma
1.9. Clasificación molecular de los tumores cerebrales
1.10. Biomarcadores moleculares y genómicos en melanoma
1.11. Inmunoterapia y biomarcadores
1.11.1. Escenario de las terapias inmunológicas en el tratamiento del cáncer y necesidad de definir el perfil mutacional de un tumor
1.11.2. Biomarcadores del inhibidor del punto de control: PD-L1 y más allá
1.11.3. Desarrollo de fármacos de punto de control inmune en cáncer
1.11.4. Fármacos disponibles

Módulo 2. Biología molecular

2.1. Mecanismos moleculares del cáncer
2.1.1. Ciclo celular
2.1.2. Desprendimiento de las células tumorales
2.2. Reprogramación del microambiente tumoral
2.2.1. El microambiente del tumor: una visión general
2.2.2. El TME como factor pronóstico del cáncer de pulmón
2.2.3. TME en progresión y metástasis del cáncer de pulmón
2.2.4. Contribución del TME a la resistencia terapéutica
2.2.5. El TME como blanco terapéutico en el cáncer de pulmón
2.3. Inmunología tumoral: bases de la inmunoterapia en cáncer
2.3.1. Introducción al sistema inmune
2.3.2. Inmunología tumoral
2.3.3. Bases de la inmunoterapia en cáncer
2.3.4. Moduladores inmunes no específicos
2.3.5. Otros enfoques para la inmunoterapia
2.4. Mecanismos moleculares implicados en el proceso de invasión y metástasis

Módulo 3. Machine Learning para el análisis de Big Data

3.1. Introducción a Machine Learning
3.2. Presentación del problema, carga de datos y librerías
3.3. Limpieza de datos (NAs, categorías, variables Dummy)
3.4. Análisis de datos exploratorio (ggPlot) + validación cruzada
3.5. Algoritmos de predicción: regresión lineal múltiple, Support Vector Machine, árboles de regresión, Random Forest, etc.
3.6. Algoritmos de clasificación: regresión lineal múltiple, Support Vector Machine, árboles de regresión, Random Forest, etc.
3.7. Ajuste de los hiperparámetros del algoritmo
3.8. Predicción de los datos con los diferentes modelos
3.9. Curvas ROC y matrices de confusión para evaluar la calidad del modelo

Módulo 4. Minería de datos aplicado a la Genómica

4.1. Introducción

4.2. Inicialización de variables

4.3. Limpieza y acondicionado del texto

4.4. Generación de la matriz de términos

4.4.1. Creación de la matriz de términos TDM

4.4.2. Visualizaciones sobre la matriz de palabras TDM

4.5. Descripción de la matriz de términos

4.5.1. Representación gráfica de las frecuencias

4.5.2. Construcción de una nube de palabras

4.6. Creación de un Data Frame apto para K-NN

4.7. Construcción del modelo de clasificación

4.8. Validación del modelo de clasificación

4.9. Ejercicio práctico guiado de minería de datos en Genómica en cáncer

Módulo 5. Técnicas de extracción de datos genómicos

5.1. Introducción al “Scraping Data”
5.2. Importación de archivos de datos de hoja de cálculo almacenados online
5.3. Scraping de texto HTML
5.4. Scraping los datos de una tabla HTML
5.5. Aprovechar las API para Scraping de los datos
5.6. Extraer la información relevante
5.7. Uso del paquete rvest de R
5.8. Obtención de datos distribuidos en múltiples páginas
5.9. Extracción de datos genómicos de la plataforma “My Cancer Genome”
5.10. Extracción de información sobre genes de la base de datos” HGNC HUGO Gene Nomenclature Committee”
5.11. Extracción de datos farmacológicos de la base de datos “OncoKB” (Precision Oncology Knowledge Base)

Módulo 6. Análisis de datos, Big Data en salud, trazabilidad e inteligencia artificial

6.1. Los datos
6.1.1. Ciclo de vida del dato
6.2. Aplicación de ciencias de los datos y Big Data en salud
6.3. Estado del arte en salud e inteligencia artificial
6.3.1. Usos de la IA en salud
6.4. Técnica de cadena de bloques (Blockchain)
6.5. Realidad virtual, aumentada, Internet de las Cosas (IoT) y domótica
6.5.1. Usos de la realidad virtual/aumentada en salud
6.5.2. Usos de IoT en salud
6.5.3. Usos de la domótica en salud
6.6. Inteligencia artificial centrada en el paciente: redes neuronales, chatbots, aprendizaje automático
6.7. Aplicaciones emergentes en el cuidado de la salud usando IA
6.7.1. Principales aplicaciones emergentes de IA en salud
6.8. Bioinformática
6.9. Semántica web en salud
6.9.1. Lenguajes de uso en terminología semántica
6.10. Estrategia de implantación de IA

Módulo 7. Nuevas técnicas en la era Genómica

7.1. Entendiendo la nueva tecnología: Next Generation Sequence (NGS) en la práctica clínica
7.1.1. Introducción
7.1.2. Antecedentes
7.1.3. Problemas en la aplicación de la secuenciación Sanger en Oncología
7.1.4. Nuevas técnicas de secuenciación
7.1.5. Ventajas del uso de la NGS en la práctica clínica
7.1.6. Limitaciones del uso de la NGS en la práctica clínica
7.1.7. Términos y definiciones de interés
7.1.8. Tipos de estudios en función de su tamaño y profundidad
7.1.9. Etapas en la secuenciación NGS
7.1.10. Anotación y clasificación de variantes
7.2. Secuenciación DNA y análisis bioinformático
7.2.1. Introducción
7.2.2. Software
7.2.3. Procedimiento
7.3. Secuenciación RNA y análisis bioinformático
7.3.1. Introducción
7.3.2. Software
7.3.3. Procedimiento
7.4. Tecnología ChIP-seq
7.4.1. Introducción
7.4.2. Software
7.4.3. Procedimiento
7.5. Big Data aplicado a la oncología genómica
7.5.1. El proceso de análisis de datos
7.6. Servidores genómicos y bases de datos de variantes genéticas
7.6.1. Introducción
7.6.2. Servidores genómicos en web
7.6.3 Arquitectura de los servidores genómicos
7.6.4 Recuperación y análisis de datos
7.6.5. Personalización
7.7. Anotación de variantes genéticas
7.7.1. Introducción
7.7.2. ¿Qué es la llamada de variantes?
7.7.3. Entendiendo el formato VCF
7.7.4. Identificadores de variantes
7.7.5. Análisis de variantes
7.7.6. Predicción del efecto de la variación en la estructura y función de la proteína

Módulo 8. Trabajo de fin de Máster

Requisitos de la Maestría en Oncología Médica, Genómica y Big data de ISEIE

A quien está dirigido

Requisitos

Titulación

A quien está dirigido

Requisitos

Titulación

$ 17.103.486

8 Módulos
1500 Horas
60 ECTS

Razones por las cuales estudiar en ISEIE

Estudiantes

+ 0

Tutores

+ 0

Online

0 %

Trabajo final de la Maestría en Oncología Médica, Genómica y Big data

Una vez que haya completado satisfactoriamente todos los módulos del Máster en Oncología Médica, Genómica y Big data de ISEIE, deberá llevar a cabo un trabajo final en el cual deberá aplicar y demostrar los conocimientos que ha adquirido a lo largo del programa.

Este trabajo final suele ser una oportunidad para poner en práctica lo que ha aprendido y mostrar su comprensión y habilidades en el tema.

Puede tomar la forma de un proyecto, un informe, una presentación u otra tarea específica, dependiendo del contenido y sus objetivos.

Recuerde seguir las instrucciones proporcionadas y consultar con su instructor o profesor si tiene alguna pregunta sobre cómo abordar el trabajo final.

Conoce todas nuestras preguntas más frecuentes

Preguntas Frecuentes

Descubre las preguntas más frecuentes y sus respuestas, de no e no encontrar una solución a tus dudas te invitamos a contactarnos, estaremos felices de brindarte más información

¿Qué es el máster en oncología médica, genómica y big data?

El máster en oncología médica, genómica y big data es un programa de formación avanzado que proporciona a los estudiantes una comprensión profunda de la biología molecular del cáncer, la genética y la epigenética de los tumores, así como una formación en las técnicas más avanzadas de diagnóstico y tratamiento de la enfermedad.

¿Qué requisitos son necesarios para inscribirse en este programa?

La mayoría de los programas de máster en oncología médica, genómica y big data requieren que los estudiantes tengan una licenciatura en ciencias de la salud o una disciplina relacionada. Además, es posible que se requieran cartas de recomendación, una declaración de propósito y calificaciones académicas.

¿Qué habilidades y conocimientos puedo esperar adquirir en este programa?

Los estudiantes pueden esperar adquirir habilidades y conocimientos avanzados en biología molecular del cáncer, genómica del cáncer, análisis de big data en oncología y terapias innovadoras en oncología. Además, aprenderán a aplicar estas habilidades y conocimientos en la investigación del cáncer y la toma de decisiones clínicas.

¿Qué carreras puedo seguir después de completar este programa?

Los graduados del máster en oncología médica, genómica y big data estarán bien preparados para trabajar en centros de investigación de vanguardia, hospitales y clínicas privadas, así como en la industria farmacéutica. También pueden optar por seguir una carrera en la educación o la investigación académica.

¿Cuánto tiempo dura el programa?

El programa de máster en oncología médica, genómica y big data puede durar entre uno y dos años, dependiendo del programa y el formato de enseñanza.

Cursos relacionados

$ 1.513.000