Máster en Oncología Médica, Genómica y Big data

Duración

1 año

Periodo de matricula

02-10-2023

Fecha de inicio

16-10-2023

Fecha de finalización

01-10-2024

ECTS

Horas

1500

Financiación

12 meses

Precio

3.000 €

Presentación del máster en oncología médica, genómica y big data

Así se abre una “revolución” en el mundo de la oncología, el big data. La llegada de los ordenadores con capacidad de analizar cantidades ingentes de datos supone grandes cambios en la Medicina y, concretamente, en la oncología. El big data se define por cuatro V’s: volumen de datos masivos, velocidad, variedad y veracidad, y los datos que genera son capaces de analizar comportamientos tumorales. Esto plantea una serie de retos y dilemas.

Aunque siempre se ha definido Big data como un término que describe el gran volumen de datos que invaden internet y que llega a todos los sectores del mundo, lo realmente importante es lo que las organizaciones hacen con esos datos. Big data puede analizar para obtener ideas que conduzcan a mejorar decisiones y movimientos de negocios.

Entre todos los retos que supone, se encuentra el de ayudar a formar la base de la Medicina de Precisión. Los datos generados por la Genómica, la Proteómica o el Metaboloma, una vez que sean capaces de cruzarse con los datos generados en la en la vida real, el big data, las redes sociales, etc., se podrá alcanzar correlaciones imposibles de alcanzar de otra manera diferente.

Propósito del máster 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 master 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.

Sobre el Máster

Innovación

Formación

Sin horarios

Experiencia

Multiplataforma

Para qué te prepara 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 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.

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.

Y además...

0 %

Mejora salarial

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

0 %

Demanda laboral

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

0 %

Flexibilidad

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

Los objetivos del máster 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.

Calidad académica

El 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.

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

A quién está dirigido el máster en oncología médica, genómica y big data

Dirigido a ginecólogos, obstetras, estudiantes y profesionales del ámbito sanitario que quieran profundizar conocimientos en esta área del saber.

Plan de estudios máster en oncología médica, genómica y big data

Nuestra facultad de medicina entiende tus necesidades, creando un contenido innovador basado en las últimas tendencias, y apoyado por la mejor metodología educativa y un claustro excepcional, que te otorgará las competencias para resolver situaciones críticas de forma creativa y eficiente.

Pensando en la mejora continua y profesional de los estudiantes preparándolos para alcanzar nuevas metas en el mundo de la farmacia, este programa se desarrolla en los siguientes módulos:

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

“Lo dificil no es entrar a la universidad, lo dificil es quedarse y hacerle frente.”

— Paola Rios

Alumna 2014

descarga el programa académico y solicita información

Llena el siguiente formulario para descargar el temario del programa académico y recibir toda la información en tu correo electrónico.

Preguntas frecuentes

¿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.

¿Cuáles son las habilidades requeridas para tener éxito en este programa?

Se espera que los estudiantes tengan un buen conocimiento de biología, química y matemáticas. Además, deben ser buenos en análisis de datos y habilidades de programación y estar dispuestos a trabajar en colaboración en proyectos de investigación.

¿Cuál es la demanda laboral para los graduados de este programa?

La demanda de profesionales con habilidades en oncología médica, genómica y big data está en aumento, especialmente en el campo de la investigación y el desarrollo de nuevas terapias y estrategias de tratamiento para el cáncer.

Máster en Oncología Médica, Genómica y Big data​