Síntesis del Programa de Curso:
Electivo Profesional: Electivo profesional: Inteligencia Artificial en Medicina: Bases Cuantitativas y Razonamiento Clínico

Enviado por: Caroll Andrea Cuellar Godoy Participación: Profesor Encargado Fecha envío: 03-08-2026 01:22:25
Validado por: Paola Alejandra Ramírez Salas Cargo: Analista de Unidad Fecha validación: 04-08-2026 15:11:53
Antecedentes generales
Unidad(es) Académica(s):
- Dirección de Pregrado
Código del Curso: ME08092
Tipo de curso: Electivo Línea Formativa: Especializada
Créditos: 3 Período: Segundo Semestre año 2026
Horas Presenciales: 54 Horas No Presenciales: 27
Requisitos: ME01011308005,ME01021106008,(ME01020706012/SP10001),ME07044
Equipo docente a cargo
# Nombre Función (Secciones)
1 Caroll Andrea Cuellar Godoy Profesor Encargado (1)
2 Catherine Josefa Lemun Lemun Profesor Coordinador (1)
Propósito Formativo
El curso Electivo Profesional IA en Medicina: Bases Cuantitativas y Razonamiento Clínico, correspondiente al Ciclo Especializado de la carrera de Medicina, tiene como propósito que las y los estudiantes desarrollen las competencias necesarias para evaluar críticamente, aplicar y comprender los fundamentos cuantitativos de la Inteligencia Artificial, como herramientas de apoyo para la toma de decisiones en el quehacer académico y profesional. Mediante un abordaje interdisciplinario, este curso busca formar profesionales con pensamiento crítico sólido, capaces de integrar herramientas tecnológicas en la toma de decisiones profesionales, resguardando la ética, mitigando sesgos y comprendiendo el impacto social de estas tecnologías en la salud de la población.
Competencias
Dominio: Científico
"Competencias del egresado de Medicina relacionadas con la resolución de los problemas de salud, basándose en el conocimiento y razonamiento reflexivo de las ciencias, sustentado en la revisión sistemática y crítica de literatura biomédica, actualizada y pertinente, contrastando la información con la propia experiencia, en el contexto de la realidad nacional y del caso particular. Considera además, la capacidad de contribuir a generar conocimiento en ciencias atingentes al área de la salud."
Competencia 2
"Utiliza en forma pertinente y con sentido crítico la información disponible en diversas fuentes confiables con el fin de fundamentar su quehacer profesional."
Subcompetencia 2.3
"Selecciona e interpreta adecuadamente la información obtenida desde la perspectiva de la situación particular."


Dominio: Ético-social
"Conjunto de habilidades del egresado de medicina para razonar y actuar en forma ética, con compromiso social, respeto y efectividad, en todos los ámbitos de desempeño profesional, bajo el marco legal y reglamentario vigente, fomentando su permanente desarrollo profesional y personal."
Competencia 9
"Autoevalúa permanentemente su quehacer profesional y se perfecciona constantemente"
Subcompetencia 9.3
"Participa de actividades que fomentan el desarrollo del autoaprendizaje y la capacidad de aprender y desaprender."

Subcompetencia 9.4
"Selecciona fuentes de actualización y de formación permanente."

Subcompetencia 9.5
"Participa en actividades complementarias a la formación como profesional, orientadas a la formación integral."


Dominio: Genérico - Transversal
"Esta área formativa promueve competencias interpersonales y sociales en el estudiante, que le permitan desarrollar una visión amplia respecto a la salud de las personas, familias y comunidades; destacándose por su compromiso ético, social y de responsabilidad ciudadana en los diversos escenarios vinculados con la profesión. El desempeño del rol en las diversas áreas se fundamenta en un pensamiento crítico reflexivo mediante el análisis de su quehacer en el marco de la conducta humana fundamentado en las bases teóricas de la ética y en un contexto legal; que le permite respetar, promover y cautelar los valores y principios del desempeño médico y a su vez respalda la toma de decisiones frente a los problemas éticos que se le presentan en un marco deliberativo y en el contexto de una sociedad pluralista."
Competencia 2
"Proponer juicios reflexivos mediante el análisis de conceptos, procesos y resultados de las propias acciones y las de otros, basado en criterios teóricos, metodológicos e ideológicos y establecer acciones de ser necesario, en sus distintas áreas formativas."
Subcompetencia 2.1
"Evalúa de manera crítica y reflexiva su quehacer y el de otros en diferentes áreas de desempeño, en base a criterios teóricos, metodológicos e ideológicos."


Resultados de Aprendizaje
1.

Aplicar y evaluar críticamente modelos y herramientas cuantitativas de Inteligencia Artificial en problemas de salud, utilizando Python, y reconociendo sus capacidades, limitaciones y riesgos.

2.

Utilizar de manera crítica, ética y responsable herramientas de Inteligencia Artificial Generativa en el ámbito académico y profesional, analizando sus implicancias éticas, sesgos algorítmicos e impacto social en el ejercicio médico.

3.

Integrar el razonamiento clínico y el pensamiento crítico en la evaluación del uso de herramientas de Inteligencia Artificial, emitiendo juicios reflexivos y fundamentados que resguarden la autonomía profesional en la toma de decisiones.

Unidades
Unidad 1: Alfabetización en IA y Exploración de Datos
Encargado: Catherine Josefa Lemun Lemun

Indicadores de logros Acciones asociadas

1.     Identifica los conceptos fundamentales de la IA (IA, ML, DL, LLMs) y su relación jerárquica.

2.     Utiliza Python en Google Colab como herramienta para explorar y manipular datos.

3.     Reconoce el potencial y las limitaciones de la IA aplicada al ámbito de la salud. 

Las y los estudiantes participan de las clases expositivas y desarrollan los laboratorios de computación en Google Colab, aplicando los conceptos de IA y las herramientas de Python a la exploración de datos. Realizan evaluación individual. 
Unidad 2: Modelos de Machine Learning y Arquitecturas de Deep Learning
Encargado: Joriv Tomas Yañez Caceres

Indicadores de logros Acciones asociadas
  1. Aplica y evalúa modelos clásicos de Machine Learning.
  2.  Aplica y evalúa arquitecturas de Deep Learning.
  3. Analiza de forma crítica las capacidades, limitaciones y riesgos de algoritmos y arquitecturas de IA aplicadas a datos.

Las y los estudiantes participan de las clases expositivas y desarrollan los laboratorios de computación en Google Colab, aplicando los conceptos de IA y las herramientas de Python a la exploración de datos. Realizan evaluación grupal y comienzan a preparar evaluación final.
Unidad 3: Inteligencia Artificial Generativa en el ámbito Académico y Profesional
Encargado: Ingrid Del Pilar Galaz Paredes

Indicadores de logros Acciones asociadas
  1. Utiliza herramientas de IA generativa para tareas académicas y profesionales.
  2. Evalúa de forma crítica los resultados generados por IA.
  3. Identifica buenas prácticas de uso responsable de IA generativa en el manejo de información académica y de datos en salud y medicina.

Las y los estudiantes participan de las clases expositivas y desarrollan los laboratorios de computación, aplicando estrategias de prompt engineering, evaluando de forma crítica los resultados generados. Realizan evaluación individual y continúan preparando evaluación final.
Unidad 4: Ética, Sesgos e Impacto Social de la Inteligencia Artificial en Medicina
Encargado: Caroll Andrea Cuellar Godoy

Indicadores de logros Acciones asociadas
  1. Analiza los principios éticos aplicables al uso de IA en medicina
  2. Identifica sesgos algorítmicos y sus consecuencias en el desempeño y equidad de sistemas de IA aplicados a salud
  3. Evalúa el impacto de la IA en el ejercicio profesional, académico y la relación médico-paciente.

Las y los estudiantes participan de las clases expositivas y de las prácticas, analizando principios éticos, sesgos algorítmicos e impacto de la IA en el ejercicio profesional, académico y clínico a través de casos reales o hipotéticos. Esta unidad no cuenta con evaluación propia; sus aprendizajes se integran y evalúan a través del Proyecto Integrador
Estrategias de evaluación
Tipo_Evaluación
Nombre_Evaluación
Porcentaje
Observaciones
Trabajo escrito
Trabajo Individual UA1
10.00 %
Evaluación práctica sobre alfabetización en IA, Python y Exploración de Datos.
Trabajo escrito
Trabajo Grupal UA2
15.00 %
Evaluación sobre algoritmos de Machine Learning y arquitecturas de Deep Learning.
Trabajo escrito
Trabajo Individual UA3
15.00 %
Evaluación enfocada en la Inteligencia Artificial Generativa y su uso crítico.
Presentación individual o grupal
Proyecto Integrador Grupal
60.00 %
Evaluación consistente en un Trabajo Escrito 45%, Presentación Proyecto 50% y 5% Promedio de Auto y Coevaluación. Avance 1 y 2 Proyecto Integrador Evaluación Formativa 0%
Suma de ponderaciones para notal final:
100%
Bibliografía Obligatoria
Formato: Libro digital
  • Aliferis C, Simon G , 2024 , Artificial Intelligence (AI) and Machine Learning (ML) for Healthcare and Health Sciences: The Need for Best Practices Enabling Trust in AI and ML , 1ª , Springer (Cham) , Inglés , https://www.ncbi.nlm.nih.gov/books/NBK610550/
Formato: Libro digital
  • Simon G, Aliferis C , 2024 , An Appraisal and Operating Characteristics of Major ML Methods Applicable in Healthcare and Health Science , 1ª , Springer (Cham) , Inglés , https://www.ncbi.nlm.nih.gov/books/NBK610556/
Formato: Libro digital
  • McKinney W , 2022 , Python for Data Analysis , 3ª , O'Reilly Media , Inglés , https://wesmckinney.com/book/
Formato: Sitio Web
  • Zhang A, Lipton ZC, Li M, Smola AJ , 2026 , Dive into Deep Learning , Inglés , d2l.ai , https://d2l.ai/index.html
Formato: Publicación de revista
  • Yazdani S, Hosseinzadeh M, Hosseini F , 2017 , Models of clinical reasoning with a focus on general practice: a critical review , Journal of Advances in Medical Education & Professionalism , 5(4) , Inglés , 177–184 , https://pubmed.ncbi.nlm.nih.gov/28979912/
Formato: Publicación de revista
  • Buess L, Keicher M, Navab N, et al. , 2025 , From large language models to multimodal AI: a scoping review on the potential of generative AI in medicine , Biomedical Engineering Letters , 15 , Inglés , 845–863 , https://doi.org/10.1007/s13534-025-00497-1
Formato: Publicación de revista
  • Teo ZL, Thirunavukarasu AJ, Elangovan K, et al. , 2025 , Generative artificial intelligence in medicine , Nature Medicine , 31 , Inglés , 3270–3282 , https://doi.org/10.1038/s41591-025-03983-2
Formato: Informe
  • World Health Organization , 2021 , Ethics and Governance of Artificial Intelligence for Health: WHO Guidance , 1ª , World Health Organization (Geneva) , Español
Formato: Informe
  • International Advisory Committee for Artificial Intelligence, MedBiquitous, Association of American Medical Colleges , 2026 , AI Integration Framework: Learner Matrix , v2026 , Association of American Medical Colleges (Washingt , Inglés
Bibliografía Complementaria
Formato: Libro impreso
  • McGee S , 2022 , Diagnóstico Físico Basado en la Evidencia , 5ª , Elsevier España (Barcelona) , Español
Formato: Sitio Web
  • Association of American Medical Colleges , 2025 , Principles for the Responsible Use of Artificial Intelligence in and for Medical Education , Inglés , aamc.org , https://www.aamc.org/about-us/mission-areas/medical-education/principles-ai-use
Formato: Informe
  • International Advisory Committee for Artificial Intelligence, MedBiquitous, Association of American Medical Colleges , 2026 , AI Integration Framework: Learner Matrix , v2026 , Association of American Medical Colleges (Washingt , Inglés
Plan de mejora a implementar

Primera versión del curso



Requisitos de aprobación y asistencia adicionales a lo indicado en decreto Exento N°23842 del 04 de julio de 2013.
Porcentaje y número máximo permisible de inasistencias que sean factibles de recuperar:

En este curso la asistencia a clases es libre. Las 6 clases prácticas son de carácter obligatorio, teniendo la posibilidad de un máximo de 1 día de inasistencia a justificar. Cada estudiante deberá informar a través de la plataforma de la DPI http://dpi.med.uchile.cl/estudiantes sus inasistencias y a la profesora encargada a través de correo vía u-cursos (el asunto del correo debe referir con letras mayúsculas INASISTENCIA_NOMBRE_APELLIDO). Lo anterior, en un plazo máximo de cinco días hábiles a contar de la fecha de la inasistencia.


Las modalidades de recuperación de actividades obligatorias y de evaluación:

La recuperación de actividades será en común acuerdo entre docente y estudiante.

Otros requisitos de aprobación:


Condiciones adicionales para eximirse:
Curso no posee examen.
¿El examen es reprobatorio?
NO, el examen no será reprobatorio.