Curso de Python para análisis de datos biomédicos

Lección 1 • Sintaxis Básica de Python y Tipos de Datos

Cubre variables, tipos numéricos, cadenas y booleanos con convenciones de nomenclatura biomédicas. Proporciona el vocabulario para todas las tareas posteriores de manipulación de datos.

Lección 2 • Bucles e Iteración

Introduce los bucles for y while para procesar colecciones de registros de pacientes. Sirve de apoyo directo a los patrones de procesamiento por lotes utilizados en los capítulos sobre canalizaciones de datos.

Lección 3 • Configuración del Entorno de Python

Instala Anaconda, configura Jupyter Notebook y verifica la disponibilidad de paquetes. Establece el espacio de trabajo reproducible utilizado a lo largo de todo el curso.

Lección 4 • Flujo de Control y Lógica

Enseña ramificaciones if/elif/else y operadores de comparación utilizando ejemplos de umbrales clínicos. Permite el filtrado condicional de datos que se aplica en capítulos de análisis posteriores.

Lección 1 • Conjuntos y Pruebas de Pertenencia

Introduce los conjuntos para la deduplicación y las comprobaciones rápidas de pertenencia en identificadores de cohortes. Sirve de apoyo a los pasos de limpieza de datos tratados en el capítulo de pandas.

Lección 2 • Listas y Tuplas en Contexto Clínico

Cubre la creación, indexación, segmentación y mutación de listas, junto con tuplas inmutables. Se conecta con el almacenamiento de series ordenadas de mediciones y campos de metadatos fijos.

Lección 3 • Fundamentos de Entrada y Salida de Archivos

Lee y escribe archivos de texto plano y CSV utilizando herramientas integradas de Python. Tiende un puente entre los archivos de datos sin procesar y los métodos de carga estructurada introducidos con pandas.

Lección 1 • Selección y Filtrado de Datos

Enseña loc, iloc, indexación booleana y query para la selección de subconjuntos de filas y columnas. Permite la extracción de cohortes y la selección de variables para análisis posteriores.

Lección 2 • Introducción a DataFrames y Series

Explica los objetos DataFrame y Series, sus ejes y tipos de datos. Establece el modelo de datos central utilizado en cada operación posterior de pandas.

Lección 3 • Carga de Datos Clínicos desde Archivos

Cubre read_csv, read_excel y read_json con opciones de delimitador y codificación. Maneja formatos de archivo comunes encontrados en exportaciones de historiales clínicos electrónicos.

Lección 4 • Inspección Exploratoria de Datos

Utiliza head, info, describe y value_counts para perfilar la estructura y distribuciones del conjunto de datos. Identifica valores faltantes y valores atípicos antes de cualquier paso de transformación.

Lección 1 • Limpieza y Estandarización de Cadenas

Utiliza métodos del accesor str para normalizar códigos de diagnóstico, nombres de fármacos y campos de texto libre. Garantiza etiquetas de categoría coherentes antes de la agrupación y agregación.

Lección 2 • Fundamentos de Ingeniería de Características

Crea variables derivadas como IMC, grupos de edad y tiempo transcurrido a partir de columnas sin procesar. Produce características clínicamente significativas para modelado y análisis estratificado.

Lección 3 • Manejo de Datos Faltantes

Cubre dropna, fillna y estrategias de interpolación adecuadas para mediciones clínicas. Discute el impacto de cada estrategia en la validez estadística.

Lección 4 • Detección y Tratamiento de Valores Atípicos

Aplica los límites del rango intercuartílico y umbrales de puntuación z para detectar valores fisiológicamente inverosímiles. Conecta las decisiones sobre valores atípicos con el conocimiento del dominio y la sensibilidad del análisis.

Lección 1 • Operaciones GroupBy para Análisis de Cohortes

Aplica groupby con agg, transform y apply para calcular estadísticas de grupo. Permite resúmenes de resultados clínicos por diagnóstico, por centro y por punto temporal.

Lección 2 • Reforma de Datos: Melt y Stack

Transforma paneles de laboratorio de formato ancho a formato largo utilizando melt, stack y unstack. Prepara los datos para el análisis longitudinal y flujos de trabajo de visualización de datos ordenados.

Lección 3 • Tablas Dinámicas y Tabulaciones Cruzadas

Construye resúmenes con pivot_table y crosstab para análisis de contingencia y frecuencia. Facilita los formatos de informe requeridos en las tablas de resultados de ensayos clínicos.

Lección 1 • Gráficos Estadísticos con Seaborn

Utiliza seaborn para gráficos de distribución, categóricos y relacionales con estadísticas integradas. Acelera la visualización exploratoria de las relaciones entre variables clínicas.

Lección 2 • Fundamentos de Matplotlib

Introduce el modelo de Figure y Axes, tipos de gráfico básicos y controles de formateo. Proporciona la capa de renderizado que subyace a todas las bibliotecas de visualización utilizadas posteriormente.

Lección 3 • Personalización de Gráficos para Publicación

Aplica temas, paletas de colores, tamaños de fuente y ajustes de diseño para estándares de revistas. Garantiza que las figuras cumplan con los requisitos de accesibilidad y reproducibilidad.

Lección 4 • Visualización de Datos Longitudinales de Pacientes

Representa gráficamente trayectorias de biomarcadores en series temporales y líneas de tiempo de eventos para pacientes individuales. Conecta la visualización temporal con las habilidades de reforma de datos del capítulo anterior.

Lección 1 • Correlación y Corrección por Pruebas Múltiples

Calcula correlaciones de Pearson y Spearman y aplica la corrección FDR para paneles de múltiples biomarcadores. Aborda las tasas infladas de falsos positivos en estudios biomédicos de alta dimensionalidad.

Lección 2 • Comparación de Grupos con Pruebas Paramétricas

Ejecuta pruebas t y ANOVA usando SciPy para comparar medias entre grupos de pacientes. Incluye la comprobación de supuestos de normalidad y homogeneidad de varianzas.

Lección 3 • Fundamentos de Contraste de Hipótesis

Cubre valores p, niveles de significación, tamaños del efecto y potencia para el diseño de estudios biomédicos. Previene interpretaciones erróneas comunes de la significación estadística en contextos clínicos.

Lección 4 • Estadística Descriptiva y Distribuciones

Calcula la media, mediana, varianza, asimetría y curtosis para distribuciones de mediciones clínicas. Establece la caracterización de línea base requerida antes de cualquier prueba inferencial.

Lección 1 • Interpretabilidad del Modelo e Importancia de Características

Extrae importancias de características, valores SHAP y gráficos de dependencia parcial para explicar las decisiones del modelo. Respalda los requisitos regulatorios y de confianza clínica para herramientas predictivas.

Lección 2 • Evaluación de Modelos y Métricas de Rendimiento

Aplica exactitud, precisión, exhaustividad, F1, ROC-AUC y matrices de confusión para evaluar clasificadores. Selecciona métricas alineadas con la asimetría de coste clínico entre falsos positivos y negativos.

Lección 3 • Modelos de Regresión para Biomarcadores Continuos

Ajusta regresión lineal, ridge y lasso para predecir valores continuos de laboratorio y respuestas a dosis. Evalúa los modelos con RECM, EAM y R-cuadrado en conjuntos de prueba reservados.

Lección 4 • Conceptos y Flujo de Trabajo de Aprendizaje Automático

Define el aprendizaje supervisado, las divisiones de entrenamiento-prueba y el equilibrio sesgo-varianza en contextos clínicos. Establece la canalización de modelado de extremo a extremo aplicada en cada sección posterior.