Instituto Europeo de Ciencia Aplicada al BiodatoINSECAB · Salamanca · EspañaEl código ya te lo escribe la IA. El criterio, no.
Para médicos que investigan, sin saber programar: aprende a leer un análisis y a decidir si lo firmas. De instalar R a la supervivencia, el metaanálisis y los modelos de predicción, siempre sobre casos clínicos.
INSECAB · Salamanca (España)
Instituto privado de bioestadística con sede en Salamanca (España), ciudad universitaria desde 1218. Su Dirección Científica y Académica está a cargo de la Dra. Marta M. Dolcet-Negre, que dirige el máster y es docente en la Universidad de Salamanca (USAL). Al terminar, el diploma lo expide el Instituto.
Cualquiera puede pedirle a una inteligencia artificial que analice unos datos y recibir trescientas líneas y un resultado en veinte segundos. La firma, sin embargo, la sigue poniendo una persona.
| Lo que se valoraba | Lo que se valora |
|---|---|
| Saber escribir el análisis | Saber leerlo y decidir si se firma |
| El cuello de botella era la sintaxis | El cuello de botella es el criterio |
| El riesgo era no obtener resultado | El riesgo es obtener un resultado convincente y equivocado |
Por eso aquí se enseña código cuando ya no hace falta escribirlo: para poder leerlo. Cómo entra la IA en el máster
Un máster de bioestadística escrito para médicos que investigan, no para estadísticos. Parte de cero —un módulo entero para instalar R y leer su sintaxis— y llega hasta la ROC dependiente del tiempo, el propensity score, la imputación múltiple, el metaanálisis con intervalo de predicción y el aprendizaje automático clínico.
Cada ejercicio empieza con un caso clínico y termina con una interpretación clínica, no con un p-valor. Y se enseña también lo que sale mal: el método que falla, a propósito, para que aprendas a verlo antes de firmar.
Cada módulo trae su cuaderno en PDF con todo el código de R, un curso interactivo por sesiones y su calculadora; los 20 de contenido, además, 30 preguntas de autoevaluación y una auditoría. Pulsa cualquier módulo para ver su ficha: qué sabrás hacer, los casos que resuelve y sus sesiones.
Instalar la herramienta, entender la ventana, y aprender a leer el código que aparece en los otros veinte módulos.
Describir bien es la mitad del análisis: escalas, medidas resumen, la Tabla 1 y las tres distribuciones que hay que conocer.
De la muestra a la población: qué dice un intervalo de confianza, qué no dice un p-valor, y por qué el diseño importa más que el test.
El cálculo que hay que hacer antes de reclutar.
Comparar más de dos grupos sin acumular error, y entender que la F no compara medias: compara dos estimaciones de la misma varianza.
Dos factores a la vez: qué se gana bloqueando, qué es una interacción y en qué orden se simplifica un modelo.
Cuándo los niveles de un factor son una muestra y no una lista, y por qué eso cambia el denominador de la F.
Cuando el predictor es continuo: qué significa un coeficiente ajustado, cuándo sobra una variable y por qué los residuos mandan.
Del odds ratio de una tabla 2×2 al modelo ajustado, la interacción y la respuesta ordinal.
Cuando el desenlace se cuenta y hay un tiempo de observación de por medio: tasas, offset, sobredispersión y estandarización.
Un solo marco para todos los modelos: familia, predictor lineal y enlace. Y un protocolo para elegirlos ante datos nuevos.
Del tiempo hasta el evento al modelo pronóstico validado: ocho sesiones que recorren Kaplan–Meier, Cox, riesgos competitivos y validación interna.
Cuando las observaciones no son independientes: medidas repetidas, jerarquías, GLMM frente a GEE y qué hacer con los que abandonan.
Qué contrasta realmente cada prueba de rangos, cuánto se pierde y cuánto se gana, y qué hacer cuando ningún supuesto resulta creíble.
La estadística del acto diagnóstico: qué cambia una prueba, dónde ponerle el corte, y cómo saber si dos observadores o dos aparatos coinciden.
Qué hace falta para llamar causal a un efecto estimado sin aleatorización, y cuándo ajustar por una variable es exactamente lo peor que se puede hacer.
Cómo se combinan los resultados de varios estudios, y por qué la cifra combinada dice mucho menos de lo que parece si no se declara la heterogeneidad.
Qué cambia cuando el objetivo deja de ser explicar y pasa a ser predecir, y por qué un AUC sin validación independiente no es un resultado.
Qué deja de funcionar cuando las observaciones están ordenadas en el tiempo, y por qué dos series con tendencia se correlacionan con tanta frecuencia.
Qué aporta de verdad el aprendizaje automático en medicina, qué cuesta, y cuáles son las formas de engañarse con él.
Por qué la curva ROC de siempre deja de valer cuando hay censura, y cómo se evalúa un marcador que se mide más de una vez.
Un análisis completo, con su informe y su defensa. Es lo que da el diploma.
Casos clínicos, el método fallando a propósito y un análisis firmado por otro en cada módulo de contenido: el entrenamiento de quien va a firmar.
Cada ejercicio empieza con un enunciado clínico y termina con una interpretación clínica, no con un p-valor.
Ver más: Casos clínicos, no ejemplos de libroLas tablas y casi todas las cifras del material salen del código de R que se ejecuta al compilarlo, no de copiarlas a mano.
Ver más: Cifras que salen del códigoEl modelo de puro ruido que parece excelente, el AUC que se desploma al cambiar de hospital: el método, fallando a propósito.
Ver más: Se enseña lo que sale malVeinte auditorías: un análisis ya firmado, con errores de los que se publican. Tu trabajo es encontrarlos.
Ver más: Te lo dan, ¿y te lo crees?Cada módulo en PDF con su código, en curso interactivo y en calculadora: los tres cuentan lo mismo y las calculadoras están comprobadas contra R.
Ver más: Código, calculadora y BioStatREl código ya te lo escribe la IA. Aquí aprendes a leerlo, a auditarlo y a decidir si lo firmas.
Ver más: La IA, en su sitioCon 60 variables de puro ruido, sin ninguna relación con el desenlace, el modelo evaluado en sus propios datos da un AUC de 0,883.
Con la selección hecha dentro de la validación, 0,479: lo que hay, nada. Es lo que se aprende a ver antes de firmar.
El AUC mide si el modelo distingue a quien tiene el desenlace de quien no: 0,5 es el azar y 1, perfecto. Cifras del cuaderno del módulo 14.
Cada módulo en tres formatos que cuentan lo mismo, y una sesión en directo a la semana, en grupo, para lo que no resuelve un PDF.
Dos horas un día fijo a la semana, para comentar el contenido y resolver tus dudas. No es obligatoria: se graba y queda disponible.
Ver más: Sesión semanal en directo, en grupoPara seguir la explicación al empezar la semana, cuando te venga bien.
Ver más: Vídeos cortos del contenidoEl manual de cada módulo, para consultar, imprimir y llevarte el código.
Ver más: Cuadernos en PDF con todo el código de RSe abren en el navegador y calculan en tu ordenador: los datos no salen de él.
Ver más: 21 calculadorasEn cada módulo de contenido, 30 preguntas con la respuesta explicada y un análisis ya firmado en el que encontrar lo que está mal.
Ver más: Autoevaluaciones y auditoríasSe obtiene con el proyecto final, que haces con BioStatR, el laboratorio de análisis del Instituto.
Ver más: Diploma del Instituto Europeo de Ciencia Aplicada al BiodatoPara quien tiene los comentarios del revisor encima y no hay nadie a quien preguntarle. Sin saber estadística ni programar: el módulo 00 empieza por instalar R.
¿No tienes datos propios? No te quedas fuera de nada: el carril ordinario usa conjuntos de datos que pone el Instituto y da el mismo diploma.
¿Tienes un estudio aprobado y los datos en la mano? Tu proyecto puede terminar en tu artículo: es el carril del artículo, opcional y sin límite de plazas.
Doctora y bioestadística, prepara su segundo doctorado, en bioestadística. Experta en One Health, el enfoque que entiende la salud de las personas, la de los animales y la del medio ambiente como una sola, pone la bioestadística y la ciencia de datos al servicio de las decisiones que la protegen: de la resistencia a los antimicrobianos a la seguridad de lo que comemos.
Coautora en npj Antimicrobials and Resistance (Nature Portfolio, 2025), sobre resistencia antimicrobiana, entre otras publicaciones en revistas internacionales como Poultry Science, Nutrients, Journal of Agricultural and Food Chemistry, Journal of Clinical Medicine y Journal of Alzheimer's Disease.
El Instituto Europeo de Ciencia Aplicada al Biodato (INSECAB) es un instituto privado de bioestadística con sede en Salamanca (España).
No. El módulo 00 está escrito para quien no ha abierto R en su vida, y cada módulo trae una calculadora para practicar sin escribir código.
Unas 9 horas a la semana durante 17 semanas: 160 horas. Si haces el proyecto final, 40 horas más en el mes siguiente.
La sesión en directo, en grupo, es un día fijo a la semana, pero no es obligatoria: se graba y queda disponible. El resto lo haces a tu ritmo.
No. El carril ordinario usa conjuntos de datos que pone el Instituto. Si ya tienes un estudio aprobado, puedes hacer el proyecto con tus datos.
Para poder leerlo. La IA te da el resultado con la misma seguridad cuando acierta que cuando se equivoca: lo que aprendes aquí es a distinguir una vez de la otra.
No. Es un máster de formación privada del Instituto Europeo de Ciencia Aplicada al Biodato (INSECAB), con su diploma. Por eso se habla de horas (160, o 200 con el proyecto) y no de créditos.
Precio final en euros, IVA incluido.
Si ya tienes un estudio aprobado por tu comité de ética y los datos en la mano, tu proyecto, con los datos anonimizados, puede terminar en una publicación. Se orienta en la sesión semanal en grupo, sin tutorías individuales.
El carril ordinario usa conjuntos de datos que pone el Instituto: no necesitas permisos y obtienes el mismo diploma.
El código fuente de todo: los 21 cuadernos, sus datos y sus figuras, para reproducirlo y usarlo en tus artículos.
¿Prefieres el correo? Escribe a Admisiones del Instituto Europeo de Ciencia Aplicada al Biodato con el asunto «Máster en Bioestadística · España» y te contestamos con los pasos para reservar tu plaza.
admisiones@insecab.comAntes de pagar nada, Admisiones te envía por escrito las condiciones de contratación y la forma de pago. Recibes factura de INSECAB SCIENCE, S.L.U. Condiciones de la reserva
Cookies de medición de anuncios. Si aceptas, Google Ads guarda cookies para saber si llegaste desde uno de nuestros anuncios y si enviaste la solicitud. Si rechazas, no se guarda ninguna, aunque la página sigue avisando a Google, sin cookies, de visitas y solicitudes para contarlas en conjunto. Más información
Instalar la herramienta, entender la ventana, y aprender a leer el código que aparece en los otros veinte módulos.
.Rmd, ejecutar sus bloques de código y generar el PDF.data.frame, factores, fórmulas, funciones, la tubería y ggplot2.En el calendario: semana 1 de 17, junto con el módulo 00A.
Describir bien es la mitad del análisis: escalas, medidas resumen, la Tabla 1 y las tres distribuciones que hay que conocer.
En el calendario: semana 1 de 17, junto con el módulo 00.
De la muestra a la población: qué dice un intervalo de confianza, qué no dice un p-valor, y por qué el diseño importa más que el test.
En el calendario: semana 2 de 17, junto con el módulo 00C.
El cálculo que hay que hacer antes de reclutar.
En el calendario: semana 2 de 17, junto con el módulo 00B.
Comparar más de dos grupos sin acumular error, y entender que la F no compara medias: compara dos estimaciones de la misma varianza.
El resultado que conviene ver antes que ningún otro está en el ejercicio 2: dos hospitales con exactamente la misma diferencia entre protocolos —la misma suma de cuadrados entre grupos, 32— y conclusiones opuestas. En uno F = 36 y en el otro F = 0,05. Lo único que cambia es el ruido.
En el calendario: semana 3 de 17.
Dos factores a la vez: qué se gana bloqueando, qué es una interacción y en qué orden se simplifica un modelo.
El resultado que abre el módulo está en el ejercicio 1: los mismos doce datos dan F = 23,77 (p = 0,0014) si se bloquea por paciente y F = 0,24 (p = 0,79) si no. Bloquear no es un refinamiento: aquí es la diferencia entre ver el efecto y no verlo.
En el calendario: semana 4 de 17, junto con el módulo 03.
Cuándo los niveles de un factor son una muestra y no una lista, y por qué eso cambia el denominador de la F.
El resultado que más cuesta aceptar está en el ejercicio 2: al tratar el centro como aleatorio, la F del sexo sube de 35,58 a 129 y sin embargo el p-valor empeora, de 0,000012 a 0,0077. El denominador cambia, y con él los grados de libertad.
En el calendario: semana 4 de 17, junto con el módulo 02.
Cuando el predictor es continuo: qué significa un coeficiente ajustado, cuándo sobra una variable y por qué los residuos mandan.
El resultado que hay que ver es el del ejercicio 3: las horas de entrenamiento, por sí solas, no explican nada del VO₂max (R² = 0,014). Junto con las sesiones, el modelo llega a R² = 0,976 y las horas son altamente significativas con signo negativo. Es supresión, y ninguna de las dos variables se puede quitar.
En el calendario: semana 5 de 17, junto con el módulo 05.
Del odds ratio de una tabla 2×2 al modelo ajustado, la interacción y la respuesta ordinal.
En el calendario: semana 5 de 17, junto con el módulo 04.
Cuando el desenlace se cuenta y hay un tiempo de observación de por medio: tasas, offset, sobredispersión y estandarización.
En el calendario: semana 6 de 17.
Un solo marco para todos los modelos: familia, predictor lineal y enlace. Y un protocolo para elegirlos ante datos nuevos.
En el calendario: semana 7 de 17.
Del tiempo hasta el evento al modelo pronóstico validado: ocho sesiones que recorren Kaplan–Meier, Cox, riesgos competitivos y validación interna.
En el calendario: semana 8 de 17.
Cuando las observaciones no son independientes: medidas repetidas, jerarquías, GLMM frente a GEE y qué hacer con los que abandonan.
El ejercicio 5 tiene un valor especial: demuestra por simulación que LOCF sesga el efecto y a la vez estrecha el intervalo. Es la peor combinación posible.
En el calendario: semana 9 de 17.
Qué contrasta realmente cada prueba de rangos, cuánto se pierde y cuánto se gana, y qué hacer cuando ningún supuesto resulta creíble.
En el calendario: semana 10 de 17.
La estadística del acto diagnóstico: qué cambia una prueba, dónde ponerle el corte, y cómo saber si dos observadores o dos aparatos coinciden.
Dos de los ejercicios desmontan dos errores: que el valor predictivo positivo es una propiedad de la prueba, y que la correlación sirve para validar un método de medida. Ninguna de las dos cosas es cierta.
En el calendario: semana 11 de 17.
Qué hace falta para llamar causal a un efecto estimado sin aleatorización, y cuándo ajustar por una variable es exactamente lo peor que se puede hacer.
El primer ejercicio es el que más cambia la forma de trabajar: con el efecto causal verdadero conocido, se ve que ajustar por un colisionador —una variable que no influye en nada— sesga la estimación de 1,9793 a 0,2085.
En el calendario: semana 12 de 17.
Cómo se combinan los resultados de varios estudios, y por qué la cifra combinada dice mucho menos de lo que parece si no se declara la heterogeneidad.
El resultado que más cambia la forma de leer un metaanálisis está en el ejercicio 2: el intervalo de confianza va de 0,62 a 0,87 y no toca el 1, pero el intervalo de predicción va de 0,46 a 1,18 y sí lo cruza. El efecto medio es significativo y aun así un ensayo futuro podría no encontrar beneficio.
En el calendario: semana 13 de 17.
Qué cambia cuando el objetivo deja de ser explicar y pasa a ser predecir, y por qué un AUC sin validación independiente no es un resultado.
El resultado que conviene ver antes que ningún otro está en el ejercicio 1: con 60 variables de puro ruido, sin ninguna relación con el desenlace, seleccionando las mejores y evaluando el modelo en los mismos datos se obtiene un AUC de 0,883. Con la selección dentro de la validación, 0,479 — que es lo que hay: nada.
En el calendario: semana 14 de 17.
Qué deja de funcionar cuando las observaciones están ordenadas en el tiempo, y por qué dos series con tendencia se correlacionan con tanta frecuencia.
El resultado que más conviene interiorizar está en el ejercicio 6: correlacionando dos paseos aleatorios generados de forma independiente, con 250 puntos por serie, se obtiene p < 0,05 en una proporción de 0,8470 de los casos. Y empeora cuantos más datos hay.
En el calendario: semana 15 de 17.
Qué aporta de verdad el aprendizaje automático en medicina, qué cuesta, y cuáles son las formas de engañarse con él.
El resultado que más cuesta aceptar está en el ejercicio 3: k-medias aplicado a ruido puro devuelve tres grupos perfectamente dibujados, a los que se les podría hacer su tabla de características. Lo único que distingue una estructura real de un artefacto es la magnitud de la silueta y la estabilidad ante remuestreo.
En el calendario: semana 16 de 17.
Por qué la curva ROC de siempre deja de valer cuando hay censura, y cómo se evalúa un marcador que se mide más de una vez.
En el calendario: semana 17 de 17.
Puedes cursar el máster sin hacer el proyecto, pero el diploma del Instituto Europeo de Ciencia Aplicada al Biodato se obtiene con él: un análisis completo, con su informe y su defensa. Lo que se valora no es la cantidad de análisis, sino la coherencia entre la pregunta, el método y la conclusión, y que las limitaciones estén reconocidas.
Subes una tabla de datos, revisas el diccionario de variables y eliges el análisis. El modelo de lenguaje conversa e interpreta, pero no calcula: el cálculo lo ejecuta un motor de R. No sustituye al diseño del estudio, no es producto sanitario y no diagnostica ni decide tratamientos.
¿Es un título oficial? No. Es un máster de formación privada del Instituto Europeo de Ciencia Aplicada al Biodato (INSECAB). Su diploma recoge el título y el temario de los 21 módulos.
El cuaderno en PDF, el curso interactivo y la calculadora cuentan lo mismo. Las tablas y casi todas las cifras salen del código de R que se ejecuta al compilar el cuaderno; las del curso interactivo salen de ese cuaderno, y los cálculos de las calculadoras están comprobados contra R.
Las 21 calculadoras calculan en tu ordenador y no envían los datos a ningún sitio (al abrirse solo descargan sus bibliotecas de cálculo y de gráficos). Sus cálculos están comprobados contra R. Si practicas con datos de tus pacientes, úsalos anonimizados.
El código fuente de todo: los 21 cuadernos, sus datos y sus figuras, para reproducirlo, modificarlo y usarlo en tus propios artículos.
Todos los ejercicios dicen: aquí tienes unos datos, encuentra la verdad. La auditoría dice lo contrario: aquí tienes un análisis ya terminado, con sus tablas y su conclusión. Lo firmó un colaborador, un residente o una inteligencia artificial, y va a salir con tu nombre. Encuentra lo que está mal.
No son erratas: el error estándar presentado como si fuera la desviación típica, el intervalo de referencia con límite inferior negativo, la media de una escala ordinal, el p-valor de la Tabla 1 de un ensayo aleatorizado leído como un fallo de aleatorización. Y siempre hay al menos una decisión bien tomada entre las opciones: saber leer un análisis incluye reconocer lo que está bien.
Intentos ilimitados. No cuentan para el diploma: son entrenamiento del criterio, que es lo que este máster vende.
Buena parte del valor del máster está en los ejercicios donde el método falla. Es el entrenamiento de quien va a recibir análisis hechos por otros, o por una máquina, y tiene que decidir si se los cree. Esto es lo que once módulos piden ver antes que nada:
Cada ejercicio empieza con un enunciado clínico —una cohorte de prediabéticos, un ensayo oncológico, la validación de un modelo pronóstico en otro hospital— y termina con una interpretación clínica, no con un p-valor. Entre medias, el código de R que lo resuelve, comentado línea a línea.
En la mayoría de los módulos los datos se generan por simulación, con semilla fija y con una estructura verdadera conocida a propósito: así se puede comprobar si el método la recupera o no. Y los resultados se reproducen exactamente al ejecutar el código.
En el carril ordinario, conjuntos de datos públicos que pone el Instituto. En el del artículo, los de tu estudio, si ya está aprobado por tu comité de ética.
Escribir código estadístico ha dejado de ser difícil: cualquiera puede pedirle a una inteligencia artificial que analice unos datos. La firma, sin embargo, la sigue poniendo una persona. El máster enseña a leer lo que sale de la máquina y a decidir si se firma.
Para poder leerlo. Quien no sabe qué hace glm(y ~ x, family = binomial) no puede juzgar si el análisis que le han entregado responde a su pregunta clínica, ni ver que el modelo trató como número lo que era una categoría.
Cada módulo de contenido termina con una auditoría: un análisis ya firmado, quizá por una inteligencia artificial, en el que tienes que encontrar lo que está mal. Ver las auditorías.
En el laboratorio de análisis del Instituto, el modelo de lenguaje conversa e interpreta, pero el cálculo lo ejecuta un motor de R. Una conversación no es un método.
Cuatro meses de contenido y, después, un mes para el proyecto final. Pensado para médicos en activo: unas 9 horas a la semana, un módulo por semana, y cuatro semanas con dos.
| Sesiones en directo (17 × 2 h) | 34 h |
| Vídeos del contenido | 22 h |
| Estudio, práctica y autoevaluación | 104 h |
| El máster | 160 h |
| Con el proyecto final (40 h más) | 200 h |
Las horas de vídeo son una previsión. Y si una semana no da para más —una guardia, un turno de fin de semana—, descolgarse una semana no debería significar descolgarse del máster.
Todos los precios son finales, en euros, con el IVA incluido.
Esta página no usa cookies, no guarda datos tuyos en el navegador y no carga nada de otras empresas: las letras y las imágenes se sirven desde el propio Instituto. Como cualquier servidor web, el nuestro anota de forma técnica cada visita (dirección IP, fecha, página pedida sin lo que va detrás de «?», y navegador) para su funcionamiento y su seguridad, por nuestro interés legítimo en protegerlo, y lo borra a los 14 días.
Si escribes a admisiones@insecab.com o envías el formulario de solicitud, el responsable de tus datos es INSECAB SCIENCE, S.L.U. Los usamos solo para contestarte y, si te inscribes, para gestionar tu matrícula; la base es tu propia petición y, en su caso, el contrato. Darlos es voluntario, pero sin ellos no podemos contestarte. Los lee el equipo de admisiones del Instituto, incluida su Dirección Académica, y los alojan nuestros proveedores de correo y dominio (IONOS) y del servidor de esta página (Hostinger), que actúan por cuenta nuestra; además, parte del equipo lee ese correo en Gmail, de Google LLC, que puede tratarlo en Estados Unidos: Google LLC está adherida al Marco de Privacidad de Datos UE-EE. UU., que la Comisión Europea declaró adecuado el 10 de julio de 2023 (puedes pedirnos más información en ese mismo correo). No se ceden a nadie más, salvo obligación legal. Se guardan el tiempo necesario para atenderte y el que exija la ley. Puedes pedir acceso, rectificación, supresión, oposición, limitación o portabilidad escribiendo a ese mismo correo, y reclamar ante la Agencia Española de Protección de Datos (aepd.es).
Si envías el formulario, nos llegan tu nombre, tu correo y, si los das, tu teléfono, si tienes un estudio aprobado y tu mensaje (no escribas datos de pacientes); si llegas desde un anuncio de Google, también el identificador de ese clic, para saber qué anuncio funcionó (interés legítimo). Los usamos para contestar a tu solicitud: son medidas previas a un posible contrato que nos pides tú; la casilla del formulario solo deja constancia de que has leído esta información. No se guardan en el servidor de la página: los recibe Admisiones por correo, y si no llegas a matricularte, borramos tu solicitud como mucho a los 12 meses. No te enviamos ningún correo automático. Para frenar abusos, el servidor recuerda en memoria, como mucho un día y sin guardarlo en disco, cuántas solicitudes llegan desde cada conexión.
Hoy esta página no usa cookies, no guarda datos tuyos en el navegador y no carga nada de otras empresas.
Si algún día medimos nuestros anuncios de Google Ads, te lo preguntaremos antes con un aviso, solo guardará cookies si aceptas y lo explicaremos aquí.
Solicitar plaza no te obliga a nada ni es un contrato. Admisiones te contesta y, antes de que pagues nada, te envía por escrito las condiciones de contratación.
4.500 €, precio final con el IVA incluido.
Cuando contrates, tendrás 14 días naturales para desistir sin dar explicaciones (artículo 102 de la Ley General para la Defensa de los Consumidores y Usuarios). El máster junta un servicio (las sesiones en directo) y contenido digital (el material): las condiciones de contratación te explicarán por escrito, según la ley, qué pasa si pides empezar antes de que terminen esos 14 días, y llevarán el formulario de desistimiento. Nada de eso ocurre sin que lo pidas tú. Si desistes, te devolvemos lo que te corresponda según la ley, por el mismo medio de pago y como mucho en 14 días naturales (artículo 107).
Escríbenos a admisiones@insecab.com. También puedes acudir a los servicios de consumo de tu comunidad autónoma.