Guía docente de Herramientas de Inteligencia Artificial (MD9/56/1/4)

La asignatura cubre tres paradigmas complementarios:

• El aprendizaje automático automatizado (AutoML) para la construcción de modelos predictivos clínicos sin programación.
• Los modelos de lenguaje de gran escala (LLMs) para la búsqueda, razonamiento y síntesis de información biomédica.
• Los agentes de IA para la automatización de flujos clínicos mediante plataformas no-code. 

Los estudiantes no tendrán que tener asignaturas, materias o módulos aprobados como requisito indispensable para cursar esta asignatura. No obstante, se recomienda haber cursado previamente los módulos del máster relativos a Fundamentos de Inteligencia Artificial para profesionales de Ciencias de la Salud, que sirven de base para los temas de AutoML e ingeniería de prompts en LLMs.

C05 Explica el papel de la representación y visualización del dato en la interpretabilidad y confianza en la Inteligencia Artificial.

COM07 Integra herramientas de Inteligencia Artificial en la práctica clínica para diagnóstico, tratamiento, seguimiento y toma de decisiones compartidas.

HD02 Maneja herramientas de Inteligencia Artificial en Salud para explorar resultados y apoyar la toma de decisiones.

En concreto, el alumno será capaz de:

1. Identificar problemas clínicos susceptibles de abordarse con modelos predictivos y construir un modelo básico usando plataformas AutoML sin necesidad de programar, evaluando críticamente sus métricas, sesgos y limitaciones de implantación.

2. Seleccionar y usar herramientas basadas en modelos de lenguaje (ChatGPT, Claude, Gemini, NotebookLM, Perplexity) de forma eficaz, crítica y responsable para tareas clínicas y de investigación biomédica, aplicando técnicas de prompting efectivo.

3. Diseñar flujos automatizados básicos con plataformas no-code (n8n, Make, Zapier) y aplicar el principio de supervisión humana al uso de agentes de IA en entornos clínicos.

El objetivo de esta asignatura es que el alumnado maneje de forma práctica herramientas y plataformas que permiten aplicar IA en salud sin necesidad de conocimientos de programación. Se abordarán entornos no-code, servicios en la nube y herramientas para análisis clínico y biomédico, explicando el papel de la representación y visualización del dato en la interpretabilidad y confianza en la IA. La finalidad es que los estudiantes adquieran autonomía para integrar estas soluciones en la práctica clínica para diagnóstico, tratamiento y seguimiento, comprendiendo sus limitaciones y asegurando la toma de decisiones basadas en datos.

En concreto, se abordarán los siguientes temas:

Tema 1. AutoML: herramientas para el desarrollo automático de modelos predictivos.

• Del análisis descriptivo a la predicción clínica. Modelos predictivos: concepto y diferencias con el análisis estadístico convencional. Modelos de caja negra y explicabilidad.
• Qué automatiza el AutoML: preprocesamiento, selección de algoritmos, optimización de hiperparámetros, validación cruzada.
• Plataformas AutoML no-code.
• Sesgos en modelos predictivos clínicos.

Tema 2. Uso de herramientas basadas en LLMs: búsqueda, razonamiento y síntesis.

• Fundamentos de los LLMs.
• Principales plataformas: ChatGPT, Claude, Gemini, Copilot. Comparativa y criterios de selección según tarea clínica.
• Herramientas especializadas: NotebookLM, Perplexity, IBM Watson.
• Aplicaciones en salud: documentación clínica, búsqueda y síntesis de literatura biomédica, comunicación con pacientes, apoyo a la investigación.

Tema 3. Agentes de IA: automatización de flujos clínicos.

• Del chatbot al agente: evolución conceptual y diferencias fundamentales. Definición de agente de IA.
• Componentes de un agente: percepción, memoria (corto y largo plazo), planificación y acción.
• Tipos de agentes según autonomía: asistidos (human-in-the-loop), supervisados (human-on-the-loop) y autónomos.
• Flujos automatizados (workflows): concepto, estructura y diferencia con los agentes.
• Plataformas no-code: n8n (open source, instalación local), Make (cloud, interfaz visual), Zapier (máxima integración), IBM watsonx Orchestrate (entornos institucionales). 
• Supervisión humana y regulación: principio human-in-the-loop.

• Entrenamiento, evaluación e interpretación de modelos con AutoML.
• Uso práctico de herramientas LLM para tareas clínicas y de investigación biomédica.
• Diseño y construcción de flujos automatizados básicos con plataformas no-code.
• Resolución de casos clínicos usando las herramientas trabajadas en cada tema.

• Alammar, J., & Grootendorst, M. (2024). Hands-on large language models: Language understanding and generation. O'Reilly Media.
• Clusmann, J., Kolbinger, F. R., Muti, H. S., Carrero, Z. I., Eckardt, J.-N., Laleh, N. G., Löffler, C. M. L., Schwarzkopf, S.-C., Unger, M., Veldhuizen, G. P., Wagner, S. J., & Kather, J. N. (2023). The future landscape of large language models in medicine. Communications Medicine, 3, Article 141.
• Hutter, F., Kotthoff, L., & Vanschoren, J. (Eds.). (2019). Automated machine learning: Methods, systems, challenges. Springer.
• Liu, F., Niu, Y., Zhang, Q., et al. (2025). A foundational architecture for AI agents in healthcare. Cell Reports Medicine, 6(10).
• Raieli, S., & Iuculano, G. (2025). Building AI agents with LLMs, RAG, and knowledge graphs: A practical guide to autonomous and modern AI agents. Packt Publishing.
• Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI agents vs. agentic AI: A conceptual taxonomy, applications and challenges. Information Fusion, Article 103599.
• Thirunavukarasu, A. J., Ting, D. S. J., Elangovan, K., et al. (2023). Large language models in medicine. Nature Medicine, 29(8), 1930–1940.
• Waring, J., Lindvall, C., & Umeton, R. (2020). Automated machine learning: Review of the state-of-the-art and opportunities for healthcare. Artificial Intelligence in Medicine, 104, Article 101822.

• Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly Media.
• Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453.
• Shortliffe, E. H., & Cimino, J. J. (Eds.). (2021). Biomedical informatics: Computer applications in health care and biomedicine (5th ed.). Springer.
• Topol, E. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Hachette.
• Wiens, J., Saria, S., Sendak, M., et al. (2019). Do no harm: A roadmap for responsible machine learning for health care. Nature Medicine, 25(9), 1337–1340.

• KNIME Analytics Platform — https://www.knime.com
• IBM watsonx — https://www.ibm.com/watsonx
• Claude — https://claude.ai
• NotebookLM — https://notebooklm.google.com
• Perplexity — https://www.perplexity.ai
• n8n — https://n8n.io
• Make — https://www.make.com

• MD01 Clases magistrales, seminarios y exposiciones multimedia.
• MD02 Clases de ejercicios y resolución de casos prácticos, estudio de casos y discusión de trabajos y artículos.
• MD03 Supervisión de trabajos.
• MD04 Tutorías individuales y/o colectivas programadas.
• MD05 Estudio personal del estudiante.

Sistema de Evaluación

Instrumento y Porcentaje

• Asistencia y participación activa en el desarrollo de las sesiones y foros de la asignatura: 10%
• Realización de cuestionarios y actividades online a través de la plataforma del Campus Virtual: 40%
• Elaboración y entrega del caso práctico de la asignatura, donde el estudiante integrará y aplicará de forma autónoma el conocimiento adquirido a lo largo de los tres temas. En su caso, podrá requerirse una defensa oral del trabajo a través de las herramientas del Campus Virtual: 50%

Rúbrica de Evaluación: Nivel y Criterios

Excelente (9-10)

• Dominio completo de las herramientas y conceptos trabajados en la asignatura.
• Excelente capacidad crítica para evaluar los resultados obtenidos con las herramientas de IA.
• Identificación rigurosa de sesgos, limitaciones y riesgos en contextos clínicos reales.
• Soluciones innovadoras y aplicación creativa de las herramientas a problemas clínicos propios.
• Redacción clara, bien estructurada y con referencias adecuadas.

Bueno (7-8)

• Comprensión sólida de las herramientas y sus aplicaciones en salud.
• Buena aplicación práctica con escasas incorrecciones técnicas o conceptuales.
• Argumentación consistente sobre las limitaciones y riesgos identificados.
• Criterio adecuado en la selección y uso de herramientas según el contexto clínico.

Aceptable (5-6)

• Conocimientos suficientes sobre las herramientas trabajadas en la asignatura.
• Aplicación práctica básica, con resultados correctos aunque poco desarrollados.
• Reflexión crítica limitada sobre sesgos, limitaciones o implicaciones éticas y regulatorias.
• Algunas deficiencias conceptuales que no impiden la comprensión general de los contenidos.

Insuficiente (menos de 5)

• Desconocimiento de conceptos esenciales de la asignatura.
• Incapacidad para usar las herramientas de forma autónoma o para interpretar sus resultados.
• Ausencia de reflexión crítica sobre las implicaciones clínicas, éticas o regulatorias del uso de IA.
• Errores relevantes que evidencian la no adquisición de las competencias descritas en esta guía.

Sistema de Evaluación

Instrumento y Porcentaje

• Elaboración y entrega del caso práctico de la asignatura, donde el estudiante integrará y aplicará de forma autónoma el conocimiento adquirido a lo largo de los tres temas. En su caso, podrá requerirse una defensa oral del trabajo a través de las herramientas del Campus Virtual: 50%
• Realización de cuestionarios y actividades online a través de la plataforma del Campus Virtual: 40%
• Asistencia y participación activa en el desarrollo de las sesiones y foros de la asignatura: 10%

Rúbrica de Evaluación: Nivel y Criterios

Excelente (9-10)

• Dominio completo de las herramientas y conceptos trabajados en la asignatura.
• Excelente capacidad crítica para evaluar los resultados obtenidos con las herramientas de IA.
• Identificación rigurosa de sesgos, limitaciones y riesgos en contextos clínicos reales.
• Soluciones innovadoras y aplicación creativa de las herramientas a problemas clínicos propios.
• Redacción clara, bien estructurada y con referencias adecuadas.

Bueno (7-8)

• Comprensión sólida de las herramientas y sus aplicaciones en salud.
• Buena aplicación práctica con escasas incorrecciones técnicas o conceptuales.
• Argumentación consistente sobre las limitaciones y riesgos identificados.
• Criterio adecuado en la selección y uso de herramientas según el contexto clínico.

Aceptable (5-6)

• Conocimientos suficientes sobre las herramientas trabajadas en la asignatura.
• Aplicación práctica básica, con resultados correctos aunque poco desarrollados.
• Reflexión crítica limitada sobre sesgos, limitaciones o implicaciones éticas y regulatorias.
• Algunas deficiencias conceptuales que no impiden la comprensión general de los contenidos.

Insuficiente (menos de 5)

• Desconocimiento de conceptos esenciales de la asignatura.
• Incapacidad para usar las herramientas de forma autónoma o para interpretar sus resultados.
• Ausencia de reflexión crítica sobre las implicaciones clínicas, éticas o regulatorias del uso de IA.
• Errores relevantes que evidencian la no adquisición de las competencias descritas en esta guía.

Sistema de Evaluación

Instrumento y Porcentaje

• Pruebas a través de las herramientas del Campus Virtual: 100%

Rúbrica de Evaluación: Nivel y Criterios

Excelente (9-10)

• Dominio completo de las herramientas y conceptos trabajados en la asignatura.
• Excelente capacidad crítica para evaluar los resultados obtenidos con las herramientas de IA.
• Identificación rigurosa de sesgos, limitaciones y riesgos en contextos clínicos reales.
• Soluciones innovadoras y aplicación creativa de las herramientas a problemas clínicos propios.
• Redacción clara, bien estructurada y con referencias adecuadas.

Bueno (7-8)

• Comprensión sólida de las herramientas y sus aplicaciones en salud.
• Buena aplicación práctica con escasas incorrecciones técnicas o conceptuales.
• Argumentación consistente sobre las limitaciones y riesgos identificados.
• Criterio adecuado en la selección y uso de herramientas según el contexto clínico.

Aceptable (5-6)

• Conocimientos suficientes sobre las herramientas trabajadas en la asignatura.
• Aplicación práctica básica, con resultados correctos aunque poco desarrollados.
• Reflexión crítica limitada sobre sesgos, limitaciones o implicaciones éticas y regulatorias.
• Algunas deficiencias conceptuales que no impiden la comprensión general de los contenidos.

Insuficiente (menos de 5)

• Desconocimiento de conceptos esenciales de la asignatura.
• Incapacidad para usar las herramientas de forma autónoma o para interpretar sus resultados.
• Ausencia de reflexión crítica sobre las implicaciones clínicas, éticas o regulatorias del uso de IA.
• Errores relevantes que evidencian la no adquisición de las competencias descritas en esta guía.