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 biomédica. 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. Apoya directamente los patrones de procesamiento por lotes utilizados en los capítulos de pipelines 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 la ramificación if/elif/else y operadores de comparación utilizando ejemplos de umbrales clínicos. Permite el filtrado condicional de datos aplicado en capítulos posteriores de análisis.

Lección 1 • Conjuntos y Pruebas de Pertenencia

Introduce los conjuntos para la deduplicación y comprobaciones rápidas de pertenencia en identificadores de cohortes. Apoya los pasos de limpieza de datos cubiertos 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 de mediciones ordenadas 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. Conecta los archivos de datos crudos con los métodos de carga estructurada introducidos con pandas.

Lección 1 • Selección y Filtrado de Datos

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

Lección 2 • Introducción a DataFrames y Series

Explica los objetos DataFrame y Series, sus ejes y dtypes. 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 historias clínicas electrónicas.

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 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. Asegura etiquetas de categoría consistentes 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 crudas. Produce características clínicamente significativas para modelado y análisis estratificado.

Lección 3 • Manejo de Datos Faltantes

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

Lección 4 • Detección y Tratamiento de Valores Atípicos

Aplica el cercado IQR y umbrales de puntuación z para marcar 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 por diagnóstico, por sitio y por punto temporal de resultados clínicos.

Lección 2 • Remodelación de Datos: Melt y Stack

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

Lección 3 • Tablas Dinámicas y Tabulaciones Cruzadas

Construye resúmenes de pivot_table y crosstab para análisis de contingencia y frecuencia. Apoya los formatos de reporte 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 relaciones de variables clínicas.

Lección 2 • Fundamentos de Matplotlib

Introduce el modelo Figure y Axes, tipos de gráficos básicos y controles de formato. Proporciona la capa de renderizado subyacente 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. Asegura que las figuras cumplan con los requisitos de accesibilidad y reproducibilidad.

Lección 4 • Visualización de Datos Longitudinales de Pacientes

Grafica trayectorias de biomarcadores de series de tiempo y líneas de tiempo de eventos para pacientes individuales. Conecta la visualización temporal con las habilidades de remodelación de datos del capítulo anterior.

Lección 1 • Correlación y Corrección por Pruebas Múltiples

Calcula correlaciones de Pearson y Spearman y aplica 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 verificación de supuestos de normalidad y homogeneidad de varianza.

Lección 3 • Fundamentos de Pruebas de Hipótesis

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

Lección 4 • Estadística Descriptiva y Distribuciones

Calcula 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. Apoya los requisitos regulatorios y de confianza clínica para herramientas predictivas.

Lección 2 • Evaluación del Modelo y Métricas de Desempeño

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

Lección 3 • Modelos de Regresión para Biomarcadores Continuos

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

Lección 4 • Conceptos y Flujo de Trabajo de Aprendizaje Automático

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