Este documento presenta el programa de un evento sobre hospitales inteligentes y sanidad digital. El evento incluye presentaciones sobre almacenamiento y comparación de imágenes médicas en la nube, inteligencia artificial aplicada a la sanidad, visión artificial, Power BI y machine learning, asistentes virtuales y realidad virtual/aumentada en hospitales.

1. 21.06.2017
Hospitales Inteligentes:
Descubriendo la Sanidad
Digital
Pablo Álvarez Doval
Introducción a ML
Data Team Lead

2. 2
10:00 Keynote ¿Cuál es el futuro de la sanidad digital?
10:15 Almacena y comparte imágenes médicas con Azure
10:30 Beneficios de la Inteligencia artificial aplicada a la sanidad/
Cognitive Services
11:00 Visión artificial/ Cognitive Services
11:45 Break / Networking
12:15 PowerBI + Machine Learning
13:00 Asistentes virtuales/ Bots
13:15 Realidad Virtual y Aumentada en los hospitales
13:30 Experimenta las diferentes realidades con Hololens y Oculus
Hospitales
Inteligentes:
Descubriendo
la Sanidad
Digital

3. I work with code and data, but don't tell my mom; she thinks I'm a
piano player in a whorehouse.
Data Pontifex @ Plain Concepts.
Pablo Doval
@plainconcepts 3
@PabloDoval
DATA TEAM LEAD

4. ¿PARA QUE NOS SIRVE ESTO?

5. 5
DASHBOARD

6. GRIPE 2009

7. http://www.tylervigen.com
CORRELACIÓN != CAUSALIDAD

8. MACHINE LEARNING

9. 9
• HDInsight
• SQL Server VM
• SQL DB
• Blobs & tables
• Local Files
Publicar la API en minutos
Dispositivos Aplicaciones Dashboards
Datos Microsoft Azure Machine Learning API
Storage space Web
Microsoft
Azure portal
Workspace
ML
Studio
Problema de Negocio Valor de NegocioModelado Despliegue
• Desktop files
• Excel spreadsheet
• Other data
files on PC
Cloud
Local
A VISTA DE PÁJARO

10. ALGUNAS CLASES DE PROBLEMAS
Clasificación
• Asignar una categoria
• Ej: Restaurante (Chino | Indio | Italiano | Japo)
Regresión
• Predicción de un valor real para cada elemento
• Ej: valor de una compra, una temperatura, etc.
Ranking
• Ordenar los elementos de acuerdo a un criterio
• Ej: resultados de una busqueda en la web
Clustering
• Particionado de los elementos en grupos heterogeneos.
• Ej: clustering automático de posts por tematica
Reducción de Dimensionalidad
• Transformación de una representación inicial en una representación de menor dimensionalidad
• Ej: preprocesado de imagines, reconocimiento de voz, etc.

11. Servicios
Financieros
• Modelado de Riesgos
• Análisis de Amenazas y Detección de Fraude
Media y
Entretenimiento
• Publicidad Dirigida
• Motores de Recomendación
Comercio • Análisis de Sentimiento
Telecomuncaciones • Análisis de CDRs
Gobierno
• Monitorización Medioambiental
• Congestión y Re-routing de trafico
Ingeniería • Mantenimiento Predictivo
ESCENARIOS COMUNES

12. Regresión
• Estimación del número de emergencias
• Predicción de necesidad de Logística
(camas, etc…)
• Ayuda al control de stock de medicamentos
Clasificación
• Ayuda al diagnóstico (benigno/maligno,
etc…)
• Detección de Fraude
• Organización de Campañas de Medicina
Preventiva
Deep
Learning
• Análisis de Imagen
• Genómica
ESCENARIOS COMUNES EN SANIDAD

13. Demo: Predicción de Diabetes

14. ¡GRACIAS!
www.plainconcepts.com
@plainconcepts

15. www.plainconcepts.com
MADRID
Paseo de la Castellana 163, 10º
28046 Madrid. España
T. (+34) 91 5346 836
BILBAO
Calle Ledesma 10-bis 3º
48001 Bilbao. España
T. (+34) 94 6073 371
BARCELONA
Carrer Compte d’Urgell 240 4º 1A
08036 Barcelona. España
T. (+34) 93 7978 566
SEVILLA
Avenida de la innovación s/n
Edificio Renta Sevilla, 3º A
41020 Sevilla. España
DUBAI
Dubai Internet City. Building 1
73030 Dubai. EAU
T. (+971) 4 551 6653
LONDON
Impact Hub Kings Cross
24B York Way, N1 9AB
London. UK
SEATTLE
1511, Third Ave
Seattle WA 98101. USA
T. (+1) 206 708 1285