Diplomado en Bioestadística Avanzada – Online

• Grado académico de licenciado o título profesional de una carrera del área de la salud. Otro Grado académico o título profesional con interés en aplicaciones estadísticas del área de la salud (Ejemplo: estadístico, sociólogo, sicólogo, etc.).
• Manejo técnico de inglés a nivel de lectura.
• Contar con al menos uno de los siguientes programas estadísticos:
• Stata 14 o superior.
• R 3.4.3 o superior.
• SPSS 17 o superior, con módulos que permitan el ajuste de Modelos de regresión lineal, Regresión logística, Regresión Poisson y Regresión loglineal, Modelo Lineal General, Modelos Lineales Generalizados, Análisis de sobrevivencia y Modelo de Cox, Modelos de efectos mixtos. NOTA: SPSS no permite ajustar modelos de sobrevivencia paramétricos, que son vistos en el curso de Sobrevivencia. Para este tópico se debe usar Stata o R.
• Si se usan versiones anteriores de estos programas, el alumno debe asegurarse que permitan hacer los análisis indicados en el punto previo.
• Haber realizado el Diplomado en Bioestadística I (puede ver el contenido en: http://www.educacioncontinua.uc.cl/27865-ficha-diplomado-en-bioestadistica).

Los postulantes que no hayan hecho el Diplomado, deben acreditar la realización de curso(s) de pregrado y/o postgrado que cubran al menos el 80% de los contenidos mencionados en la siguiente tabla:

• Analizar datos cuantitativos en forma multifactorial, con énfasis en el estudio de fenómenos propios de Ciencias de la Salud.
• Interpretar las relaciones entre variables en un modelo estadístico para datos longitudinales o multiniveles.
• Aplicar técnicas de revisiones sistemáticas y de meta-análisis para combinar estudios científicos.

CURSO 1

Nombre del curso: Modelos Estadísticos

Nombre en inglés: Statistical models 

Horas cronológicas: 30 

Créditos: 5 

Resultados de Aprendizaje

1. Comprender las diferentes aplicaciones que tienen los modelos estadísticos.
2. Comprender la teoría básica de los modelos estadísticos lineales, logísticos y Poisson.
3. Aplicar programas estadísticos para el ajuste de modelos estadísticos
4. Interpretar los resultados relacionados con modelos estadísticos

Contenidos

• Introducción a los Modelos Estadísticos. Asociación conjunta, control de confusión y modelos predictivos.
• Modelos de regresión lineal simple y múltiple. 

2.1. Ajuste del modelo e interpretación de resultados.

2.2. Validación de supuestos.

2.3. Concepto de R². Capacidad predictiva de un modelo lineal.

2.4.  Aplicaciones: asociación conjunta, control de confusión, predicción.

2.5. Instrucciones necesarias para obtener estos resultados en los programas estadísticos más   

comunmente utilizados (SPSS, R, Stata).

• Modelos ANOVA y ANCOVA.

3.1. Introducción de variables dummy a una regresión.

3.2. Ajuste del modelo e interpretación de resultados.

3.3. Validación de supuestos.

3.4. Aplicaciones: asociación conjunta, control de confusión, predicción, diseño de experimentos.

3.5. Instrucciones necesarias para obtener estos resultados en los programas estadísticos más comunmente utilizados (SPSS, R, Stata).

• Modelos de regresión logística.

4.1. Ajuste del modelo e interpretación de resultados. OR crudo y ajustado.

4.3. Validación de supuestos.

4.4. Porcentaje correcto de clasificación. Test Hosmer y Lemeshow de bondad de ajuste.

4.5  Aplicaciones: Evaluación y construcción de scores de riesgo, Curvas ROC.

4.8. Instrucciones necesarias para obtener estos resultados en los programas estadísticos más comunmente utilizados (SPSS, R, Stata).

• Modelos de regresión Poisson.

5.1.  Ajuste del modelo e interpretación de resultados.

5.2.  Validación de supuestos.

5.3.  Aplicación: razones de prevalencia.

5.4. Instrucciones necesarias para obtener estos resultados en los programas estadísticos más comunmente utilizados (SPSS, R, Stata).

• Métodos de selección de variables: All Subsets y procedimientos paso-a-paso.
• Concepto de Interacción: Interacción de dos variables categóricas e interacción de una variable categórica y una numérica.

Metodología de enseñanza y aprendizaje:

Plataforma web disponible donde encontrará:

• presentaciones power point (video clases)
• material complementario
• tutoriales prácticos
• foro de discusión (formativo)

Evaluación de los aprendizajes:

• Trabajo de aplicación de las técnicas vistas usando datos del área de las Ciencias de la Salud (40%)
• 4 controles parciales, sobre los contenidos teóricos y prácticos del curso (15% cada uno).

CURSO 2

Nombre del curso: Análisis de Sobrevivencia

Nombre en inglés: Survival Analysis 

Horas cronológicas: 30 

Créditos: 5

Resultados de Aprendizaje

1. Aplicar el método de Kaplan – Meier y otros métodos no paramétricos relacionados (sobrevivencia empírica, tablas de vida) para estimar la distribución del tiempo de sobrevida hasta la ocurrencia de un evento.
2. Aplicar métodos de comparación de curvas de sobrevivencia no paramétrica.
3. Aplicar el modelo de riesgos proporcionales de Cox para estimar el tiempo de sobrevida en función de una o más variables explicatorias.
4. Interpretar modelos de sobrevivencia paramétricos básicos.

Contenidos

• Análisis de Sobrevida Actuarial

1.1.  Posibles diseños

1.2. Concepto de tiempo de sobrevida y datos censurados.

1.3.  Concepto de función densidad y función de sobrevivencia.

1.4.  Función de sobrevivencia empírica.

1.5.  Tablas de vida.

1.6. Función de sobrevivencia de Kaplan – Meier.

1.7.  Precisión e intervalo de confianza de la estimación de Kaplan – Meier.

• Sobrevida Relativa

2.1. Introducción: Tipos de Análisis de Sobrevida

2.2. Sobrevida relativa.

2.3. Cálculo de Sobrevida Esperada

2.4. Sobrevida relativa acumulada

• Comparación de Curvas de Sobrevida

3.1.  Test de Log-rango y test de Wilcoxon.

3.2.  Comparación de más de dos curvas de sobrevida.

• Extensión en Análisis de Sobrevida

4.1.  Función de hazard y función de hazard acumulado.

4.2.  Modelo de riesgos proporcionales de Cox. Ejemplos de uso.

4.3.  Introducción a los modelos de sobrevivencia paramétrica.

Metodología de enseñanza y aprendizaje:

Plataforma web disponible donde encontrará:

• presentaciones power point (video clases)
• material complementario
  • tutoriales prácticos (nota: Los modelos de sobrevivencia paramétricos se muestran en Stata y R, ya que SPSS no ajusta estos modelos).
  • foro de discusión (formativo)

Evaluación de los aprendizajes:

• Controles semanales (60%)
• Tareas con aplicación de las distintas metodologías vistas (base de datos serán entregadas) e interpretación de resultados (40%).

CURSO 3

Nombre del curso: Búsquedas Sistemáticas y Meta-análisis

Nombre en inglés: Systematic Reviews and Meta-analyses

Horas cronológicas: 30 

Créditos: 5 

Resultados de Aprendizaje

1. Plantear hipótesis y preguntas estructuradas en Ciencias de la Salud.
2. Realizar búsquedas usando herramientas de uso común en revisiones sistemáticas.
3. Organizar la información de la literatura en matrices de datos.
4. Evaluar la calidad de la literatura utilizando instrumentos internacionales.
5. Aplicar los métodos más usados para combinar medidas de efecto o riesgo y otros métodos asociados, usando programas estadísticos.

Contenidos

Revisiones Sistemáticas

• Preguntas e hipótesis estructuradas en Ciencias de la Salud.
• Métodos para realizar búsquedas sistemáticas usando herramientas de uso frecuente en Internet.
• Matriz de extracción de datos para organizar la información proveniente de los artículos.
• Instrumentos para evaluar la calidad de los artículos.
• Formas de presentar los resultados (PRISMA y análisis narrativo).

Meta-análisis

• Formas de cuantificar medidas de efecto o riesgo.
• Métodos para asignar ponderaciones a estudios en un meta-análisis.
• Meta-análisis usando método de efectos fijos y método de efectos aleatorios.
• Cuantificación de la heterogeneidad entre estudios.
• Formas de presentación de un meta-análisis.
• Sesgo de publicación.

Programas computacionales para Revisiones sistemáticas y meta-análisis

• Uso de programas Stata y R para revisiones y meta-análisis.
• Instrucciones necesarias para realizar un meta-análisis en los programas estadísticos REVMAN (de Cochrane Library), EPIDAT y OpenMeta

Metodología de enseñanza y aprendizaje

Plataforma web disponible donde encontrará:

• presentaciones power point (video clases)
• material complementario
• tutoriales prácticos
• foro de discusión (formativo)

Evaluación de los aprendizajes

• Controles al final de cada uno de los 3 módulos. (50%).
• Prueba final individual de conocimiento (50%).

CURSO 4

Nombre del curso: Modelos de Efectos Mixtos

Nombre en inglés: Mixed Effects Models

Horas cronológicas: 30 

Créditos: 5 

Resultados de Aprendizaje

1. Identificar diferentes contextos en los que se obtienen datos correlacionados.
2. Comprender la teoría básica de los modelos de datos correlacionados.
3. Emplear programas estadísticos para ajustar modelos de datos correlacionados.
4. Interpretar resultados de modelos de datos correlacionados.

Contenidos

1.1 Introducción a los datos correlacionados.

1.2 Modelos simples: datos pareados en dos o más tiempos o condiciones fijas.

1.3 Modelo lineal de efectos mixtos.

1.4 Estimación de efectos fijos y de efectos aleatorios.

1.5 Modelo mixto lineal general.

1.6 Modelos de efectos mixtos para datos binarios. Regresión logística mixta.

1.7 Modelos de efectos mixtos para conteos. Regresión Poisson mixta.

1.8 Ecuaciones de estimación generalizadas (Generalized estimating Equations o Modelos GEE).

Instrucciones necesarias para ajustar modelos básicos para datos correlacionados en los programas estadísticos más comunmente utilizados en Ciencias de la Salud (SPSS, R, Stata).

Metodología de enseñanza y aprendizaje

Plataforma web disponible donde encontrará:

• presentaciones power point (video clases)
• material complementario
• tutoriales prácticos
• foro de discusión (formativo)

Evaluación de los aprendizajes

• Prueba individual de conocimiento (50%).
• 2 controles parciales sobre aspectos teóricos del curso (12.5% cada uno).
• 2 trabajos prácticos usando bases de datos (12.5% cada uno).

JEFE DE PROGRAMA

Luis Villarroel del Pino

Profesor Asociado, Departamento de Salud Pública, Facultad de Medicina UC. Estadístico. Magíster y Doctorado en Estadística UC. Diplomado en Docencia, Facultad de Medicina UC. Miembro del Comité Ético Científico, Facultad de Medicina UC. Autor de texto universitario “Métodos Bioestadísticos”, Ediciones Universidad Católica de Chile, Segunda Edición 2018.

EQUIPO DOCENTE

Paulina Bravo Valenzuela.

Profesora Asociada, Directora de Investigación y Doctorado Escuela de Enfermería, Facultad de Medicina UC. Honorary Research Fellow, Cardiff University. Licenciada en Enfermería mención en Salud Mental y Psiquiatría. PhD (Medicina) Cardiff University. Postdoctorada School of Social Sciences y School of Medicine, Cardiff University. Diplomado en Bioética Clínica Facultad de Medicina UC. Profesora encargada de Claustro, Magíster en Enfermería UC.

Angélica Domínguez de Landa.

Profesora Asistente. Departamento de Salud Pública, Facultad de Medicina UC. Licenciada en Matemáticas con título de Estadística y Magíster en Estadística (2013, UC, Chile). Ha trabajado especialmente con grupos de neonatología, nutrición y enfermedades crónicas. Ha realizado cursos de Bioestadística para el pregrado de Nutrición y Fonoaudiología. 

Francisca González López.

Investigadora Asociada. Departamento de Salud Pública, Facultad de Medicina UC. Licenciada en Matemáticas con título de Estadística y Magíster en Estadística (2012, UC, Chile). Ha realizado cursos de Bioestadística para el pregrado de Nutrición y Fonoaudiología. 

Ricardo Aravena Cuevas.

Profesor Asociado Adjunto. Facultad de Matemáticas, Estadístico y Magíster en Estadística UC. Director académico del Diplomado en Estadística de la Facultad de Matemáticas UC. Profesor del curso de Bioestadística para Odontología y para College en Ciencias Naturales de la Pontificia Universidad Católica de Chile.

Luis Villarroel Del Pino.

Profesor Asociado, Departamento de Salud Pública UC. Estadístico. Magíster y Doctorado en Estadística UC. Diplomado en Docencia, Facultad de Medicina UC. Profesor Jefe curso Bioestadística de carrera de Medicina UC, Profesor de Bioestadística en Programas de Magíster en Epidemiología, Ciencias de la Salud, Administración en Salud y de Doctorados de la Escuela de Medicina. Autor de libro “Métodos Bioestadísticos, 2da Edición”, Ediciones Universidad Católica 2018. Miembro del Comité Asesor del Fondo Nacional de Investigación y Desarrollo en Salud (FONIS). Miembro del Comité Ético Científico de la Facultad de Medicina UC.

Paola Viviani García.

Profesora Asistente. Departamento de Salud Pública, Facultad de Medicina UC. Licenciada en Matemáticas con mención en estadística. Magister en estadística UC. Doctor en Estadística, UCM (Madrid). Diplomado en Docencia, Facultad de Medicina UC.  Profesora de Bioestadística para las carreras de Ciencias de la Salud (Kinesiología y Fonoaudiología). Profesora de Computación Estadística para Magister en Epidemiología y Bioestadística para Magister de Salud Pública. 

Cada curso tendrá una nota final correspondiente al promedio de las evaluaciones indicadas en cada caso, con escala de 1,0 a 7,0.

El promedio final del Diplomado corresponde al promedio de los cuatro cursos dictados, donde cada curso se pondera con el 25%

Curso: Modelos Estadísticos. 25%

Curso: Análisis de Sobrevivencia. 25%

Curso: Búsquedas Sistemáticas y Meta-análisis. 25%

Curso: Modelos de Efectos Mixtos. 25%

Para aprobar el diplomado, el alumno debe:

• Aprobar todos los cursos con nota mínima de 4,0.

Para aprobar los programas de diplomados se requiere la aprobación de todos los cursos que lo conforman y en el caso que corresponda, de la evaluación final integrativa.

Los alumnos que cumplan con las exigencias del programa recibirán un certificado de aprobación otorgado por la Pontificia Universidad Católica de Chile.

Nota: Los alumnos que no cumplan con el requisito de aprobación no recibirán ningún tipo de certificación.

• Chatterjee S, Hadi A. Regression Analysis by Example 4th Ed. Wiley 2006.
• Weinsberg S. Applied Linear Regression. Wiley 2005.
• Hosmer D, Lemeshow S, Sturdivant R. Applied logistic regression 3th Ed. Wiley 2013.
• Brown H, Prescott R. Applied mixed models in medicine 2nd Ed. Wiley 2006.
• Hedeker D, Gibbons R. Longitudinal data analysis. Wiley 2006.
• Collett D. Modelling survival data in medical research 2nd Ed. Chapman-Hall 2004.
• Kleinbaum D, Klein M. Survival Analysis. A self-learning text. 2nd Ed. Springer 2005.
• Selvin S. Survival Analysis for Epidemiologic and Medical Research. Cambridge U.Press 2008.
• Everitt B, Hothorn T. An Introduction to Applied Multivariate Analysis with R. Springer 2011.

Las personas interesadas deberán completar la ficha de postulación que se encuentra en www.diplomados.uc.cl y enviar los siguientes documentos a Marcela Gaete Vivanco al correo mgaetei@uc.cl:

– Breve Currículum vitae actualizado

– Copia simple de título o licenciatura 

– Cédula de Identidad (por ambos lados)

Las postulaciones son desde diciembre de 2019 hasta el 29 de mayo de 2020 o hasta completar las vacantes.

VACANTES: 60

“No se tramitarán postulaciones incompletas”.

El Programa se reserva el derecho de suspender la realización del diplomado/curso si no cuenta con un mínimo de 25 alumnos matriculados. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero en un plazo aproximado de 10 días hábiles.

A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolverá el total pagado menos el 10% del total del arancel