Especialización en Bioinformática Aplicada a Tromboembolismo Venoso

Módulo 1. Fisiopatología y epidemiología de la Enfermedad Tromboembólica Venosa

1.1. Introducción general a la complejidad y al impacto clínico de la ETEV

1.1.1. Introducción general a la complejidad
1.1.2. Impacto clínico de la ETEV

1.2. Generación de un trombo patológico

1.2.1. El equilibrio de la hemostasia
1.2.2. La ruptura del equilibrio (Triada de Virchow clásica) y las consecuencias
1.2.3. Función venosa normal y patológica
1.2.4. Papel de las valvas venosas en el trombo patológico
1.2.5. Papel del endotelio vascular
1.2.6. Papel de las plaquetas y polifosfatos
1.2.7. Papel de las trampas extracelulares de neutrófilos (NETs)
1.2.8. Papel de las micropartículas circulantes
1.2.9. Procesos inflamatorios locales
1.2.10. La trombosis paraneoplásica (relación con Módulo 4)
1.2.11. Mecanismo y lugar de formación de trombo

1.3. Clasificación y características de la ETEV según lugares anatómicos

1.3.1. Localización en extremidades inferiores
1.3.2. Localización en extremidades superiores
1.3.3. Tromboembolismo pulmonar
1.3.4. Localizaciones atípicas

1.3.4.1. Viscerales
1.3.4.2. Intracraneales

1.4. Clasificación de las trombosis según circunstancias asociadas

1.4.1. ETEV espontánea vs. Secundaria
1.4.2. Factores de riesgo ambientales (Tabla a)
1.4.3. Papel de raza, edad y sexo
1.4.4. Papel de los dispositivos intravasculares (catéteres endovenosos)

1.5. Secuelas de la ETEV

1.5.1. Síndrome postrombótico y trombosis residual. Relación con la recidiva
1.5.2. Hipertensión pulmonar crónica
1.5.3. Mortalidad a corto y largo plazo
1.5.4. Sobre la calidad de vida

1.6. Impacto de la ETEV en el conjunto de las enfermedades mundiales

1.6.1. Contribución en la carga de enfermedad global
1.6.2. Impacto sobre la economía

1.7. Epidemiología de la ETEV

1.7.1. Variables que influyen (edad, raza, comorbilidades, fármacos, factores estacionales, etc.)

1.8. Riesgo y epidemiología de la recidiva trombótica

1.8.1. Diferencias entre sexos
1.8.2. Diferencias según las circunstancias asociadas al primer episodio

1.9. Trombofilia

1.9.1. Concepto clásico
1.9.2. Biomarcadores biológicos de trombofilia

1.9.2.1. Genéticos
1.9.2.2. Plasmáticos
1.9.2.3. Celulares

1.9.3. Estudio de laboratorio de la trombofilia

1.9.3.1. Debate sobre su utilidad
1.9.3.2. Anomalías clásicas
1.9.3.3. Otros biomarcadores o fenotipos intermediarios (Tabla b)

1.10. La trombofilia como concepto de patología compleja y crónica

1.10.1. Alta complejidad (ver apartado 2.1)
1.10.2. Importancia de la base genética. Concepto de heredabilidad
1.10.3. Factores de riesgo genético conocidos (Tabla c). Relación con Módulos 7 y 8
1.10.4. La heredabilidad por descubrir

1.11. Perfil de riesgo individual

1.11.1. Concepto
1.11.2. Componentes permanentes (genéticos)
1.11.3. Circunstancias cambiantes
1.11.4. Modelos matemáticos nuevos y potentes para evaluar conjuntamente todas las variables de riesgo (relación con Módulo 9)

Módulo 2. Datos ómicos: introducción al lenguaje de programación R

2.1. Introducción básica al sistema operativo UNIX/Linux

2.1.1. Historia y filosofía
2.1.2. Intérprete de comandos (Shell)
2.1.3. Comandos básicos en Linux
2.1.4. Procesadores de texto

2.2. Gestión de archivos en UNIX/Linux

2.2.1. Sistema de ficheros
2.2.2. Usuarios y grupos
2.2.3. Permisos

2.3. Gestión de sistemas UNIX/Linux

2.3.1. Tareas (jobs)
2.3.2. Registros (logs)
2.3.3. Herramientas de monitorización
2.3.4. Redes

2.4. Introducción y características básicas de R

2.4.1. ¿Qué es R?
2.4.2. Primeros pasos

2.4.2.1. Instalación e interfaz gráfica
2.4.2.2. Espacio de trabajo (Workspace)

2.4.3. Extensiones en R

2.4.3.1. Paquetes estándar
2.4.3.2. Paquetes aportados, CRAN y Bioconductor

2.5. Tipos de datos en R

2.5.1. Vectores
2.5.2. Listas
2.5.3. Variables indexadas (Arrays) y matrices
2.5.4. Factores
2.5.5. Hojas de datos (Data Frames)
2.5.6. Strings de texto
2.5.7. Otros tipos de datos

2.6. Gestión de los datos en R

2.6.1. Importar y exportar datos
2.6.2. Manipulación de datos

2.6.2.1. Vectores
2.6.2.2. Matrices
2.6.2.3. Strings de texto
2.6.2.4. Hojas de datos

2.7. Funciones de control y bucles en R

2.7.1. Ejecución condicional: if
2.7.2. Ciclos: For, Repeat, While
2.7.3. Funciones del tipo apply

2.8. Modelos estadísticos en R

2.8.1. Datos univariantes
2.8.2. Datos multivariantes
2.8.3. Test de hipótesis

2.9. Representación gráfica en R

2.9.1. Representaciones básicas
2.9.2. Parámetros y elementos gráficos
2.9.3. El paquete ggplot2

2.10. Definición de funciones en R

2.10.1. Ejemplos simples
2.10.2. Argumentos y valores predeterminados
2.10.3. Asignaciones dentro de una función

Módulo 3. Modelos predictivos

3.1. Aprendizaje estadístico

3.1.1. Estimación de f
3.1.2. Aprendizaje supervisado y no supervisado
3.1.3. Problemas de regresión y de clasificación
3.1.4. Modelos lineales y no lineales

3.2. Preprocesamiento de los datos

3.2.1. Normalización
3.2.2. Imputación
3.2.3. Valores atípicos (Outliers)

3.3. Regresión lineal

3.3.1. Modelos lineales
3.3.2. Análisis de la varianza (ANOVA)
3.3.3. Modelos de efectos mixtos

3.4. Clasificación

3.4.1. Regresión logística
3.4.2. Análisis discriminante lineal
3.4.3. K vecinos más próximos (KNN)

3.5. Métodos de remuestreo

3.5.1. Validación cruzada

3.5.1.1. Conjunto de validación o test
3.5.1.2. Validación cruzada dejando uno fuera (Leave One Out)
3.5.1.3. Validación cruzada de k iteraciones (k-Fold)

3.5.2. Bootstrap

3.6. Selección de modelos lineales

3.6.1. Comparación de modelos anidados
3.6.2. Algoritmos Stepwise
3.6.3. Diagnóstico de modelos lineales

3.7. Regularización

3.7.1. La maldición de la dimensión
3.7.2. Regresión de componentes principales
3.7.3. Regresión de mínimos cuadrados parciales
3.7.4. Métodos de Shrinkage

3.7.4.1. Regresión Ridge
3.7.4.2. Lasso

3.8. Métodos basados en árboles de decisión

3.8.1. Introducción a los árboles de decisión
3.8.2. Tipos de árboles de decisión

3.8.2.1. Bagging
3.8.2.2. Bosques aleatorios (Random Forests)
3.8.2.3. Boosting

3.9. Máquinas de soporte vectorial

3.9.1. Clasificadores de margen máximo
3.9.2. Máquinas de soporte vectorial
3.9.3. Afinación de los hiperparámetros

3.10. Aprendizaje no supervisado

3.10.1. Análisis de componentes principales
3.10.2. Métodos de agrupamiento (Clustering)

3.10.2.1. Agrupamiento k-medias (K-means)
3.10.2.2. Agrupamiento jerárquico