12 meses
15-04-2026
Online
60
1500
$ 4.065
La Maestría en Oncología Médica, Genómica de ISEIE Colombia ofrece formación de ultra-especialización para el diagnóstico, pronóstico y tratamiento del cáncer basado en el perfil molecular del paciente. Explorarás la genómica tumoral, los biomarcadores predictivos, las terapias dirigidas, la inmunooncología y la interpretación de informes genéticos, vinculándolos con la práctica clínica y los ensayos fase I/II. Trabajarás con análisis de secuenciación de última generación, protocolos de cribado de cáncer hereditario y la gestión de bases de datos genómicas. El claustro integra oncólogos, genetistas y bioinformáticos. Al finalizar, liderarás la implementación de la medicina de precisión, optimizando la respuesta terapéutica y minimizando la toxicidad.
La Maestría en Oncología Médica Genómica ISEIE Colombia tiene como propósito desarrollar en los oncólogos y especialistas la capacidad de interpretar la complejidad de los datos genómicos del tumor y convertirlos en decisiones de tratamiento altamente individualizadas. Consolidarás fundamentos en la biología molecular del cáncer, Liquid Biopsy y farmacogenómica oncológica, para diseñar estrategias terapéuticas que utilicen la inmunoterapia y las terapias dirigidas de forma óptima. Construirás herramientas para la evaluación del riesgo de cáncer hereditario, protocolos de selección de pacientes para ensayos clínicos y estrategias para el manejo de la resistencia a los tratamientos. Aprenderás a gestionar los dilemas éticos asociados a la información genética, analizar la evidencia de la literatura con pensamiento crítico y seleccionar las intervenciones que ofrezcan la mayor supervivencia y calidad de vida. El propósito es formar expertos que impulsen la oncología de precisión en el país.
La Maestría en Oncología Médica Genómica ISEIE Colombia se estudia para adquirir una subespecialización de máxima relevancia en el avance actual contra el cáncer. Aprenderás a utilizar paneles genéticos y exomas para identificar mutaciones driver, a interpretar los resultados de carga mutacional tumoral (TMB) y a gestionar las toxicidades inmunorelacionadas. Desarrollarás estrategias para la comunicación del pronóstico basado en datos moleculares, la coordinación con laboratorios de diagnóstico genómico y la integración en redes de investigación internacionales. Dominarás herramientas para la investigación traslacional y la publicación de nuevos hallazgos clínicos. Estudiarla amplía oportunidades profesionales en unidades de oncología de precisión, hospitales universitarios y la industria farmacéutica, diferenciándote por implementar prácticas verificables, éticas y culturalmente pertinentes orientadas a la optimización terapéutica y la extensión de la vida con la mínima toxicidad.
ISEIE tiene como objetivo promover la educación de calidad, la investigación de alto nivel y los estudios de excelencia en todo el mundo.
La titulación que reciben nuestros estudiantes son reconocidas en las empresas más prestigiosas.
ISEIE cuenta con una trayectoria formativa basada en años de experiencia y preparación de profesionales cualificados.
Alto porcentaje de aquellos que han estudiado un MBA han incrementado su salario
Según estudios, los perfiles más buscados son los que cuentan con formación académica superior.
Nuestro sistema educativo le permite compatibilizar de un modo práctico y sencillo los estudios con su vida personal y profesional.
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.
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.
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
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
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
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 KNN
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
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)
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
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
Dirigido a ginecólogos, obstetras, estudiantes y profesionales del ámbito sanitario que quieran profundizar conocimientos en esta área del saber.
Al concluir el máster, los participantes serán galardonados con una titulación oficial otorgada por ISEIE Innovation School. Esta titulación se encuentra respaldada por una certificación que equivale a 60 créditos ECTS (European Credit Transfer and Accumulation System) y representa un total de 1500 horas de dedicación al estudio.
Esta titulación de ISEIE no solo enriquecerá su imagen y credibilidad ante potenciales clientes, sino que reforzará significativamente su perfil profesional en el ámbito laboral. Al presentar esta certificación, podrá demostrar de manera concreta y verificable su nivel de conocimiento y competencia en el área temática del programa.
Esto resultará en un aumento de su empleabilidad, al hacerle destacar entre otros candidatos y resaltar su compromiso con la mejora continua y el desarrollo profesional.
Una vez que haya completado satisfactoriamente todos los módulos de la Maestría oncología médica genómica , deberá llevar a cabo un trabajo final en el cual deberá aplicar y demostrar los conocimientos que ha adquirido a lo largo del curso.
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 de la especialización 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.
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
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.
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.
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.
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.
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.
