Ciencia de datos y modelamiento para vigilancia epidemiológica con R
VolverInformación General
| Programa | XXV Escuela Internacional de Verano 2024 |
|---|---|
| Año | 2024 |
| Semestre | Primero |
| Nombre | Ciencia de datos y modelamiento para vigilancia epidemiológica con R |
| Nombre Convenio Marco | |
| Equipo coordinador | Encargado: Sandra Flores Alvarado Coordinador: Felipe Medina Marín Administrativo: Leslye Pacheco Soto |
| Equipo docente |
|
| Académicos Externos |
|
| Ayudantes Alumnos |
|
| Unidad académica | Programa de Bioestadística |
| Versión | 1 |
| Modalidad | Presencial |
| Tipo de Curso | Educación Continua |
| Créditos 30 | 0 |
| Horas del Programa |
Horas directas (sincrónicas y asincrónicas): 20 Horas indirectas: 10 |
| Días y Horarios | Lunes a viernes 9:00 a 13:00 horas |
| Lugar | |
| Cupo alumnos mínimo | 5 |
| Cupo alumnos máximo | 28 |
| Competencias y Habilidades necesarias para la Asignatura (Pre-requisitos) |
Conocimientos básicos de epidemiología y uso de software estadístico R. Como referencia, se deben manejar los contenidos del siguiente tutorial de R básico: https://www.reconlearn.org/post/practical-intror-spanish.html |
| Arancel | $160.000 |
| Duración (semanas) | 1 |
| Fecha Inicio | 15/01/2024 |
| Fecha Término | 19/01/2024 |
Características del Curso
Área Temática
Fundamentos
La vigilancia epidemiológica es una piedra angular de la salud pública, actuando como la primera línea de defensa contra brotes de enfermedades y otras amenazas emergentes para la salud. Su principal propósito es recopilar, analizar y difundir información relacionada con enfermedades para prevenir su propagación. Sin embargo, con el auge de la tecnología y la acumulación masiva de datos, la tradicional vigilancia epidemiológica ha evolucionado, integrando técnicas avanzadas de ciencia de datos y modelamiento.
La ciencia de datos ofrece métodos y herramientas que permiten analizar conjuntos de datos de gran escala, identificar patrones ocultos, y generar insights significativos. En el contexto de la epidemiología, estos insights pueden traducirse en la identificación temprana de brotes, la predicción de la propagación de enfermedades y la toma de decisiones informadas sobre intervenciones.
El modelamiento epidemiológico, por su parte, juega un papel crucial en la simulación y predicción de la dinámica de enfermedades. A través de modelos, es posible comprender mejor cómo se propagan las enfermedades, qué factores influyen en su difusión y cómo diferentes intervenciones pueden impactar en su trayectoria.
Objetivo General
Proporcionar a los estudiantes herramientas y técnicas de ciencia de datos y modelamiento epidemiológico utilizando R, para mejorar la vigilancia, prevención y control de enfermedades infecciosas y otros eventos de salud pública.
Objetivos Específicos
- Comprender y utilizar técnicas avanzadas para la estimación de parámetros clave en epidemiología, como el número reproductivo y la fuerza de infección.
- Conocer y aplicar modelos determinísticos en el contexto de la epidemiología.
- Desarrollar habilidades prácticas en el uso de R para el análisis de datos epidemiológicos y la creación de modelos.
- Fomentar la colaboración y el intercambio de conocimientos entre los estudiantes y el equipo docente, incluidos expertos externos en el campo de la epidemiología y la ciencia de datos.
- Introducirse a la evaluación de la efectividad de las intervenciones, como las vacunas.
Contenidos/Temas
- Modelos determinísticos: teoría
- Modelos determinísticos: aplicación
- Estimación de parámetos: número reproductivo
- Fuerza de infección (serofoi)
- Efectividad de las vacunas en estudios de cohortes (vaccineff)
Destinatarios
Personas que estudien o trabajen en el área de epidemiología, salud pública o STEM.
Metodología
Clases teóricas-expositivas seguidas de talleres prácticos.
Formas de Evaluación
- Este curso es evaluado
- Otra forma de evaluación: Evaluacion diaria de contenidos vistos en clases y talleres
Calendario
| Sesión | Fecha | Hora | Docentes | Contenidos | Modalidad | Actividad |
|---|---|---|---|---|---|---|
| 15 enero 2024 | 9:00 - 13:00 | Sandra Andrea Flores Alvarado Felipe Andrés Medina Marín Zulma M. Cucunubá |
Modelos determinísticos: teoría | Presencial | Otro (especificar) | |
| 16 enero 2024 | 9:00 - 13:00 | Sandra Andrea Flores Alvarado Felipe Andrés Medina Marín Zulma M. Cucunubá |
Modelos determinísticos: aplicación | Presencial | Otro (especificar) | |
| 17 enero 2024 | 9:00 - 13:00 | Sandra Andrea Flores Alvarado Felipe Andrés Medina Marín Zulma M. Cucunubá |
Estimación de parámetos: número reproductivo (epiparameters) | Presencial | Otro (especificar) | |
| 18 enero 2024 | 9:00 - 13:00 | Sandra Andrea Flores Alvarado Felipe Andrés Medina Marín Zulma M. Cucunubá |
Fuerza de infección (serofoi) | Presencial | Otro (especificar) | |
| 19 enero 2024 | 9:00 - 13:00 | Sandra Andrea Flores Alvarado Felipe Andrés Medina Marín Zulma M. Cucunubá |
Efectividad de las vacunas en estudios de cohortes (vaccineff) | Presencial | Otro (especificar) |
Bibliografía
| Tipo lectura | Tipo contenido | Referencia | Archivos |
|---|---|---|---|
| Recomendada/Complementaria | Enlace | Tutorial R básico (revisar previo al curso): https://www.reconlearn.org/post/practical-intror-spanish.html | |
| Básica/Obligatoria | Enlace | https://cran.r-project.org/web/packages/EpiEstim/index.html | |
| Básica/Obligatoria | Enlace | https://github.com/epiverse-trace/vaccineff | |
| Básica/Obligatoria | Enlace | https://epiverse-trace.github.io/serofoi/ | |
| Básica/Obligatoria | Enlace | https://epiverse-trace.github.io/epiparameter/ | |
| Recomendada/Complementaria | Artículo | Piret & Boivin. Pandemics Throughout History. Front. Microbiol., 15 January 2021 | https://doi.org/10.3389/fmicb.2020.631736 | |
| Recomendada/Complementaria | Artículo | Toward Standardizing a Lexicon of Infectious Disease Modeling Terms. www.frontiersin.org/Journal/10.3389/fpubh.2016.00213 | |
| Recomendada/Complementaria | Artículo | Kretzschmar M. Disease modeling for public health: added value, challenges, and institutional constraints. J Public Health Policy. 2020 Mar;41(1):39-51. doi: 10.1057/s41271-019-00206-0. PMID: 31780754; PMCID: PMC7041603. | |
| Recomendada/Complementaria | Artículo | Cori A, Donnelly CA, Dorigatti I, Ferguson NM, Fraser C, Garske T, Jombart T, Nedjati-Gilani G, Nouvellet P, Riley S, Van Kerkhove MD, Mills HL, Blake IM. Key data for outbreak evaluation: building on the Ebola experience. Philos Trans R Soc Lond B Biol Sci. 2017;372(1721):20160371. doi: 10.1098/rstb.2016.0371. | |
| Recomendada/Complementaria | Artículo | Ferguson NM, Cucunubá ZM, Dorigatti I, Nedjati-Gilani GL, Donnelly CA, Basáñez MG, Nouvellet P, Lessler J. EPIDEMIOLOGY. Countering the Zika epidemic in Latin America. Science. 2016 Jul 22;353(6297):353-4. doi: 10.1126/science.aag0219. Epub 2016 Jul 14. PMID: 27417493; PMCID: PMC5475255. | |
| Recomendada/Complementaria | Artículo | Cucunubá ZM, Nouvellet P, Conteh L, Vera MJ, Angulo VM, Dib JC, Parra-Henao GJ, Basáñez MG. Modelling historical changes in the force-of-infection of Chagas disease to inform control and elimination programmes: application in Colombia. BMJ Glob Health. 2017 Sep 7;2(3):e000345. doi: 10.1136/bmjgh-2017-000345 https://pubmed.ncbi.nlm.nih.gov/29147578/ | |
| Recomendada/Complementaria | Artículo | Crowcroft NS, Klein NP. A framework for research on vaccine effectiveness. Vaccine. 2018 19;36(48):7286-7293. https://doi.org/10.1016/j.vaccine.2018.04.016 |
Recursos de Plataforma
- Utilización de Plataforma
- Foros
- Recepción de Trabajos
- Prueba Online
Tutores/Dinamizadores
|