Bioestadística para investigación clínica
Hipótesis, tamaño muestral, intervalos de confianza y lectura crítica con R y Python. Diseñado para residentes y clínicos en activo.
Formación aplicada · LATAM
Bioestadística y ciencia de datos para salud, en español.
Formación aplicada para médicos, investigadores clínicos y equipos de salud que necesitan analizar datos, interpretar evidencia y comunicar resultados con rigor. Programas prácticos con R, Python y SQL, diseñados desde la pregunta clínica hasta el entregable final.
Programas
Cuatro trayectos. Un objetivo: resultados defendibles.
Cada programa combina teoría rigurosa, práctica con datos clínicos reales y un entregable que puedes mostrar a tu equipo, comité o revista.
Ingeniería de datos clínicos
Modelado tabular, diccionarios de variables, reglas de validación y pipelines en SQL que sobreviven a una auditoría.
Machine Learning aplicado a salud
Clasificación, calibración, curvas ROC y PR, explicabilidad y validación honesta. Modelos interpretables, sin cajas negras.
Despliegue seguro de productos analíticos
Lleva tu trabajo a producción con hardening básico, HTTPS, reverse proxy y scripts de mantenimiento auditables.
Método
Del dato a la decisión. Cuatro pasos. Ningún atajo.
No terminas con un notebook olvidado. Terminas con un producto que tu equipo puede usar, auditar y defender meses después.
01
Marco clínico y estadístico
Definición de la pregunta de investigación, identificación de variables y sesgos, diseño justificado antes de la primera línea de código.
02
Preparación del dataset
Limpieza, imputación con criterio, diccionarios automáticos y reglas de validación que atrapan errores antes del análisis.
03
Análisis, modelado y lectura crítica
Estimación, intervalos, curvas de decisión y performance honesta. Lo que importa no es el AUC: es la decisión clínica que habilita.
04
Entrega defendible
Informe ejecutivo, dashboard interactivo, herramienta de cálculo o app web. Listo para mostrar al comité, al equipo o al revisor.
Por qué DataVidence
No es un curso más de estadística. Es un sistema para producir resultados.
Rigor sin teatroEstadística explicada en lenguaje de decisión clínica. Cada técnica se justifica por el problema que resuelve, no por costumbre académica.
Entregables realesInformes, notebooks, pipelines y dashboards que tu equipo seguirá usando y auditando meses después del curso.
Datos clínicosVariables reales de salud, vigilancia de sesgo y trazabilidad. Cero datasets genéricos de juguete.
Herramientas modernasR, Python, SQL, Quarto, Git y GitHub. El stack que usan los equipos de datos en salud hoy.
Talleres
Workshops intensivos de inferencia causal y evaluación de impacto.
Sesiones prácticas con metodología moderna. DAGs, potential outcomes, diferencias en diferencias y más.
Inferencia causal · Fundamentos
DAGs, backdoor criterion, propensity scores e IPTW. El enfoque moderno para estimar efectos causales con datos observacionales.
Evaluación de políticas de salud
Diferencias en diferencias, regresión discontinua y variables instrumentales aplicadas a programas de salud pública.
Series temporales con causalidad
Análisis de intervención, forecasting y métodos contrafactuales para medir el impacto de políticas en el tiempo.
Contacto
Recibe las aperturas de cohortes y resuelve tus dudas.
WhatsApp
+51 977 371 554
Correo
[email protected]
Modalidad
Online · síncrono o asíncrono
Escribir por WhatsApp