Instagram Linkedin-in Youtube Tiktok
Campus
ISEIE Ecuador
Contáctanos
ISEIE Ecuador

Maestría oncología médica genómica

Duración

12 meses

Fecha de inicio

15-11-2026

Modalidad

Online

ECTS

60

Horas

1500

Precio

$ 4.868

COMPRAR
Descargar Brochure
El 99%
de los alumnos
potencia su valor en el mercado laboral
Harvard
Deusto
ISEIE la universidad del futuro
Universidad
Nº1
Internacional
en Certificaciones y Reconocimientos Internacionales
El 99%
de los alumnos
potencia su valor en el mercado laboral
Harvard
Deusto
ISEIE la universidad del futuro
Universidad
Nº1
Internacional
en Certificaciones y Reconocimientos Internacionales
Maestría en Oncología Médica, Genómica y Big data

Presentación de la Maestría oncología médica genómica

La Maestría en Oncología Médica Genómica de ISEIE Ecuador ofrece una formación clínica avanzada centrada en la aplicación de la genómica al diagnóstico y el tratamiento del cáncer. El programa aborda la genómica del cáncer, los biomarcadores tumorales, la medicina de precisión y las terapias dirigidas guiadas por el perfil molecular. Combina el estudio de la biología molecular del tumor con la secuenciación, la interpretación de variantes, la inmunoterapia y la selección del tratamiento en función de las alteraciones genéticas.

A lo largo de la formación desarrollarás competencias en interpretación de perfiles moleculares, selección de terapias dirigidas, toma de decisiones y participación en el comité molecular de tumores. El itinerario culmina con un proyecto final en el que integrarás los conocimientos adquiridos aplicándolos a un caso clínico oncológico de relevancia actual.

Propósito de la Maestría oncología médica genómica

La Maestría en Oncología Médica Genómica de ISEIE tiene como propósito formar profesionales capaces de incorporar la genómica a la práctica oncológica y de aprovechar el potencial de la medicina de precisión. En un contexto de rápida expansión de las terapias dirigidas y de la caracterización molecular de los tumores, la demanda de especialistas con este perfil continúa en aumento.

El programa busca que domines la interpretación de los perfiles genómicos, comprendas la relación entre las alteraciones moleculares y el tratamiento y sepas seleccionar la terapia más adecuada para cada paciente. En Ecuador y en la región, esta especialización responde a la necesidad de hospitales, unidades de oncología y profesionales que buscan incorporar la oncología de precisión al diagnóstico y al tratamiento del cáncer, mejorando la eficacia y la individualización de la atención.

Para qué te prepara la Maestría oncología médica genómica

La Maestría en Oncología Médica Genómica de ISEIE prepara a los estudiantes para aplicar la genómica al manejo clínico del cáncer. Te capacita para comprender la genómica del cáncer, interpretar los perfiles moleculares del tumor y analizar los biomarcadores relevantes. Aprenderás a seleccionar las terapias dirigidas y la inmunoterapia en función de las alteraciones genéticas, a comprender la resistencia a los tratamientos y a fundamentar decisiones de medicina de precisión.

También desarrollarás la capacidad de participar en el comité molecular de tumores, comunicar la información y trabajar en equipos multidisciplinares. Al finalizar, estarás preparado para incorporarte con solidez a la oncología de precisión en hospitales, laboratorios y unidades de Ecuador y de otros países de la región.

Este sitio está protegido por reCAPTCHA y aplican la Política de Privacidad y Términos de Servicio de Google.

Hubo un error al enviar el formulario. Por favor, inténtalo de nuevo.
Solicitad más información de la Maestría oncología médica genómica
  • Duración: 12 meses
  • Modalidad: Virtual
  • Certificado expedido por la Institución Superior Estudios Innovadores Europeos (ISEIE).
  • Unidades créditos: 60 ECTS

Razones por las cuales elegir ISEIE

Prestigio internacional

ISEIE tiene como objetivo promover la educación de calidad, la investigación de alto nivel y los estudios de excelencia en todo el mundo.

Validez internacional

La titulación que reciben nuestros estudiantes son reconocidas en las empresas más prestigiosas.

Trayectoria académica

ISEIE cuenta con una trayectoria formativa basada en años de experiencia y preparación de profesionales cualificados.

Mejora salarial​
0 %

Alto porcentaje de aquellos que han estudiado un MBA han incrementado su salario

Demanda laboral​
0 %

Según estudios, los perfiles más buscados son los que cuentan con formación académica superior.

Flexibilidad​
0 %

Nuestro sistema educativo le permite compatibilizar de un modo práctico y sencillo los estudios con su vida personal y profesional.

ISEIE Innovation School es calidad académica

Nuestro plan interno de calidad del instituto persigue diversos objetivos, como el aumento de la satisfacción de los estudiantes, el cumplimiento de los objetivos de calidad establecidos, el desarrollo de una cultura de calidad, el reforzamiento de la relación entre el personal y la universidad, y el mejoramiento continuo de los procesos. 

Conoce más

Los objetivos de la Maestría oncología médica genómica

1

Comprender la genómica del cáncer y la biología molecular del desarrollo tumoral.

2

Aplicar la secuenciación y la interpretación de los perfiles moleculares del tumor.

3

Analizar los biomarcadores y su papel en la selección del tratamiento oncológico.

4

Desarrollar el uso de las terapias dirigidas y la inmunoterapia guiadas por el perfil genómico.

5

Evaluar la resistencia a los tratamientos y participar en el comité molecular de tumores.

Diseño del plan de estudios Maestría oncología médica genómica

Para el diseño del Plan de estudios de este Maestría oncología médica genómica de ISEIE ha seguido las directrices del equipo docente, el cual ha sido el encargado de seleccionar la información con la que posteriormente se ha constituido el temario. 

De esta forma, el profesional que acceda al programa encontrarás el contenido más vanguardista y exhaustivo relacionado con el uso de materiales innovadores y altamente eficaces, conforme a las necesidades y problemáticas actuales, buscando la integración de conocimientos académicos y de formación profesional, en un ambiente competitivo globalizado.

Todo ello a través de de material de estudio presentado en un cómodo y accesible formato 100% online.

El empleo de la metodología Relearning en el desarrollo de este programa te permitirá fortalecer y enriquecer tus conocimientos y hacer que perduren en el tiempo a base de una reiteración de contenidos.

ISEIE-Máster en Medicina Genómica, Maestría en Medicina Genómica

Plan de estudios Maestría oncología médica genómica

  • 1.1. Utilidad del perfil de expresión génica en
    cáncer
  • 1.2. Subtipos moleculares del cáncer de mama
  • 1.3. Plataformas genómicas de carácter
    pronóstico-predictivo en el cáncer de mama
  • 1.4. Dianas terapéuticas en cáncer de pulmón
    célula no pequeña

    • 1.4.1. Introducción
    • 1.4.2. Técnicas de detección molecular
    • 1.4.3. Mutación EGFR
    • 1.4.4. Translocación ALK
    • 1.4.5. Translocación ROS
    • 1.4.6. Mutación BRAF
    • 1.4.7. Reordenamientos NRTK
    • 1.4.8. Mutación HER2
    • 1.4.9. Mutación/amplificación de MET
    • 1.4.10. Reordenamientos de RET
    • 1.4.11. Otras dianas moleculares
  • 1.5. Clasificación molecular del cáncer de colon
  • 1.6. Estudios moleculares en el cáncer gástrico
    • 1.6.1. Tratamiento del cáncer gástrico avanzado
    • 1.6.2. Sobreexpresión de HER2 en cáncer gástrico avanzado
    • 1.6.3. Determinación e interpretación de
      sobreexpresión de HER2 en cáncer gástrico avanzado
    • 1.6.4. Fármacos con actividad frente a HER2
    • 1.6.5. Trastuzumab en primera línea de cáncer gástrico avanzado
    • 1.6.6. Actividad de otros fármacos anti-HER2 en cáncer gástrico avanzado
  • 1.7. El GIST como modelo de investigación
    traslacional: 15 años de experiencia

    • 1.7.1. Introducción
    • 1.7.2. Mutaciones de KIT y PDGFRA como
      promotores principales en GIST
    • 1.7.3. Genotipo en GIST: valor pronóstico y
      predictivo
    • 1.7.4. Genotipo en GIST y resistencias al imatinib
    • 1.7.5. Conclusiones
  • 1.8. Biomarcadores moleculares y genómicos
    en melanoma
  • 1.9. Clasificación molecular de los tumores
    cerebrales
  • 1.10. Biomarcadores moleculares y genómicos
    en melanoma
  • 1.11. Inmunoterapia y biomarcadores
    • 1.11.1. Escenario de las terapias
      inmunológicas en el tratamiento del cáncer y necesidad de definir el perfil
      mutacional de un tumor
    • 1.11.2. Biomarcadores del inhibidor del punto de control: PD-L1 y más allá
    • 1.11.3. Desarrollo de fármacos de punto de
      control inmune en cáncer
    • 1.11.4. Fármacos disponibles
  • 2.1. Mecanismos moleculares del cáncer
    • 2.1.1. Ciclo celular
    • 2.1.2. Desprendimiento de las células
      tumorales
  • 2.2. Reprogramación del microambiente
    tumoral

    • 2.2.1. El microambiente del tumor: una visión general
    • 2.2.2. El TME como factor pronóstico del
      cáncer de pulmón
    • 2.2.3. TME en progresión y metástasis del
      cáncer de pulmón
    • 2.2.4. Contribución del TME a la resistencia terapéutica
    • 2.2.5. El TME como blanco terapéutico en el cáncer de pulmón
  • 2.3. Inmunología tumoral: bases de la
    inmunoterapia en cáncer

    • 2.3.1. Introducción al sistema inmune
    • 2.3.2. Inmunología tumoral
    • 2.3.3. Bases de la inmunoterapia en cáncer
    • 2.3.4. Moduladores inmunes no específicos
    • 2.3.5. Otros enfoques para la inmunoterapia
  • 2.4. Mecanismos moleculares implicados en el
    proceso de invasión y metástasis
  • 3.1. Introducción a Machine Learning
  • 3.2. Presentación del problema, carga de
    datos y librerías
  • 3.3. Limpieza de datos (NAs, categorías,
    variables Dummy)
  • 3.4. Análisis de datos exploratorio (ggPlot) +
    validación cruzada
  • 3.5. Algoritmos de predicción: regresión lineal
    múltiple, Support Vector Machine, árboles de
    regresión, Random
    Forest, etc.
  • 3.6. Algoritmos de clasificación: regresión lineal
    múltiple, Support Vector Machine, árboles de
    regresión, Random
    Forest, etc.
  • 3.7. Ajuste de los hiperparámetros del
    algoritmo
  • 3.8. Predicción de los datos con los diferentes
    modelos
  • 3.9. Curvas ROC y matrices de confusión para
    evaluar la calidad del modelo
  • 4.1. Introducción
  • 4.2. Inicialización de variables
  • 4.3. Limpieza y acondicionado del texto
  • 4.4. Generación de la matriz de términos
    • 4.4.1. Creación de la matriz de términos TDM
    • 4.4.2. Visualizaciones sobre la matriz de
      palabras TDM
  • 4.5. Descripción de la matriz de términos
    • 4.5.1. Representación gráfica de las
      frecuencias
    • 4.5.2. Construcción de una nube de palabras
  • 4.6. Creación de un Data Frame apto para KNN
  • 4.7. Construcción del modelo de clasificación
  • 4.8. Validación del modelo de clasificación
  • 4.9. Ejercicio práctico guiado de minería de
    datos en Genómica en cáncer
  • 5.1. Introducción al «Scraping Data»
  • 5.2. Importación de archivos de datos de hoja
    de cálculo almacenados online
  • 5.3. Scraping de texto HTML
  • 5.4. Scraping los datos de una tabla HTML
  • 5.5. Aprovechar las API para Scraping de los
    datos
  • 5.6. Extraer la información relevante
  • 5.7. Uso del paquete rvest de R
  • 5.8. Obtención de datos distribuidos en
    múltiples páginas
  • 5.9. Extracción de datos genómicos de la
    plataforma“My Cancer Genome”
  • 5.10. Extracción de información sobre genes de
    la base de datos” HGNC HUGO Gene
    Nomenclature Committee”
  • 5.11. Extracción de datos farmacológicos de la
    base de datos “OncoKB” (Precision Oncology
    Knowledge Base)
  • 6.1. Los datos
    • 6.1.1. Ciclo de vida del dato
  • 6.2. Aplicación de ciencias de los datos y Big
    Data en salud
  • 6.3. Estado del arte en salud e inteligencia
    artificial

    • 6.3.1. Usos de la IA en salud
  • 6.4. Técnica de cadena de bloques (Blockchain)
  • 6.5. Realidad virtual, aumentada, Internet de las
    Cosas (IoT) y domótica

    • 6.5.1. Usos de la realidad virtual/aumentada en salud
    • 6.5.2. Usos de IoT en salud
    • 6.5.3. Usos de la domótica en salud
  • 6.6. Inteligencia artificial centrada en el
    paciente: redes neuronales, chatbots,
    aprendizaje automático
  • 6.7. Aplicaciones emergentes en el cuidado de la salud usando IA
    • 6.7.1. Principales aplicaciones emergentes de IA en salud
  • 6.8. Bioinformática
  • 6.9. Semántica web en salud
    • 6.9.1. Lenguajes de uso en terminología
      semántica
  • 6.10. Estrategia de implantación de IA
  • 7.1. Entendiendo la nueva tecnología: Next
    Generation Sequence (NGS) en la práctica
    clínica

    • 7.1.1. Introducción
    • 7.1.2. Antecedentes
    • 7.1.3. Problemas en la aplicación de la
      secuenciación Sanger en Oncología
    • 7.1.4. Nuevas técnicas de secuenciación
    • 7.1.5. Ventajas del uso de la NGS en la práctica clínica
    • 7.1.6. Limitaciones del uso de la NGS en la
      práctica clínica
    • 7.1.7. Términos y definiciones de interés
    • 7.1.8. Tipos de estudios en función de su tamaño y profundidad
    • 7.1.9. Etapas en la secuenciación NGS
    • 7.1.10. Anotación y clasificación de variantes
  • 7.2. Secuenciación DNA y análisis bioinformático
    • 7.2.1. Introducción
    • 7.2.2. Software
    • 7.2.3. Procedimiento
  • 7.3. Secuenciación RNA y análisis
    bioinformático

    • 7.3.1. Introducción
    • 7.3.2. Software
    • 7.3.3. Procedimiento
  • 7.4. Tecnología ChIP-seq
    • 7.4.1. Introducción
    • 7.4.2. Software
    • 7.4.3. Procedimiento
  • 7.5. Big Data aplicado a la oncología
    genómica

    • 7.5.1. El proceso de análisis de datos
  • 7.6. Servidores genómicos y bases de datos de variantes genéticas
    • 7.6.1. Introducción
    • 7.6.2. Servidores genómicos en web
    • 7.6.3 Arquitectura de los servidores
      genómicos
    • 7.6.4 Recuperación y análisis de datos
    • 7.6.5. Personalización
  • 7.7. Anotación de variantes genéticas
    • 7.7.1. Introducción
    • 7.7.2. ¿Qué es la llamada de variantes?
    • 7.7.3. Entendiendo el formato VCF
    • 7.7.4. Identificadores de variantes
    • 7.7.5. Análisis de variantes
    • 7.7.6. Predicción del efecto de la variación en la estructura y función de la proteína
Directores de Facultad de Medicina

Requisitos de la Maestría oncología médica genómica de ISEIE

Reserva el Maestría oncología médica genómica

$ 4.868
  • 8, 8 Módulos
  • 1500 Horas
  • 60 ECTS
COMPRAR

Razones por las cuales estudiar en ISEIE

Estudiantes
+ 0
Tutores
+ 0
Online
0 %

Trabajo final de la Maestría oncología médica genómica

Una vez que haya completado satisfactoriamente todos los módulos del Máster en Oncología Médica, Genómica y Big data​ de ISEIE, deberá llevar a cabo un trabajo final en el cual deberá aplicar y demostrar los conocimientos que ha adquirido a lo largo del programa.

Este trabajo final suele ser una oportunidad para poner en práctica lo que ha aprendido y mostrar su comprensión y habilidades en el tema.

Puede tomar la forma de un proyecto, un informe, una presentación u otra tarea específica, dependiendo del contenido y sus objetivos.

Recuerde seguir las instrucciones proporcionadas y consultar con su instructor o profesor si tiene alguna pregunta sobre cómo abordar el trabajo final.

Maestría en Oncología Médica, Genómica y Big data
Conoce todas nuestras preguntas más frecuentes

Preguntas Frecuentes

Descubre las preguntas más frecuentes y sus respuestas, de no e no encontrar una solución a tus dudas te invitamos a contactarnos, estaremos felices de brindarte más información 

El máster en oncología médica, genómica y big data es un programa de formación avanzado que proporciona a los estudiantes una comprensión profunda de la biología molecular del cáncer, la genética y la epigenética de los tumores, así como una formación en las técnicas más avanzadas de diagnóstico y tratamiento de la enfermedad.

La mayoría de los programas de máster en oncología médica, genómica y big data requieren que los estudiantes tengan una licenciatura en ciencias de la salud o una disciplina relacionada. Además, es posible que se requieran cartas de recomendación, una declaración de propósito y calificaciones académicas.

Los estudiantes pueden esperar adquirir habilidades y conocimientos avanzados en biología molecular del cáncer, genómica del cáncer, análisis de big data en oncología y terapias innovadoras en oncología. Además, aprenderán a aplicar estas habilidades y conocimientos en la investigación del cáncer y la toma de decisiones clínicas.

Los graduados del máster en oncología médica, genómica y big data estarán bien preparados para trabajar en centros de investigación de vanguardia, hospitales y clínicas privadas, así como en la industria farmacéutica. También pueden optar por seguir una carrera en la educación o la investigación académica.

Se distingue por su metodología europea, su enfoque clínico basado en la aplicación real de la genómica al cáncer y en casos reales, y su certificación internacional. El programa combina el rigor de la biología molecular con una orientación práctica hacia la selección del tratamiento, preparándote para ejercer la oncología de precisión.

Programas relacionados

Maestría en Selección Dermocosmética Personalizada Asesoramiento y Venta Clínica

  • ECTS: 60
  • Horas: 1500
  • Modalidad: Virtual
Ver más

Maestría en Láser Dermatológico y Fototerapia Seguridad y Casos

  • ECTS: 60
  • Horas: 1500
  • Modalidad: Virtual
Ver más

Maestría en Cirugía Postparto Mommy Makeover

  • ECTS: 60
  • Horas: 1500
  • Modalidad: Virtual
Ver más
iseie transparente
Facebook-f Instagram Tiktok Linkedin-in

Enlaces

Inicio
Campus virtual
Institución
Blog
Contacto
Búsquedas
Mapa del sitio
Colabora con ISEIE

Facultades

Derecho
Educación
Farmacia
Medicina
Negocios
Odontología
Videojuegos
Ingenieria
Fisioterapia
Veterinaria
Recursos Humanos

Presentes en:

Boletín de noticias

[sibwp_form id=3]

| Aviso Legal | Condiciones de Matriculación | Política de Privacidad | Política de Cookies