Construye un modelo deep learning para EHR en biotech de Barcelona
Visión general
De qué trata este proyecto.
Recibes 5.000 pacientes anonimizados con trayectorias de hasta 24 meses pre-tratamiento + outcome a 12 meses post-tratamiento (respondedor vs no). Construye un modelo deep learning (Transformer temporal sobre eventos codificados + BERT clínico sobre notas) y compara contra XGBoost con features agregadas. Reporta AUC, sensibilidad@90 %-especificidad y calibración. Discute interpretabilidad usando attention weights o SHAP. Éxito: el modelo deep supera ≥3 puntos AUC al baseline tabular con calibración comparable.
El Briefing
Lo que harás y lo que demostrarás.
Demostrar si un modelo deep learning sobre EHR supera a una baseline tabular en predicción de respuesta a inmunoterapia.
Earning criteria — what you'll demonstrate
- Modelar trayectorias EHR con Transformers temporales
- Combinar señales estructuradas y notas clínicas
- Comparar deep learning vs tabular en datos clínicos limitados
- Aplicar interpretabilidad en contexto clínico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador/a de Machine Learning
Deep learning sobre EHR con comparación contra tabular es trabajo típico de research en salud.
Este proyecto afina
- deep-learning-for-ehr
- transformer-models
- clinical-data
Científico/a de IA Aplicada
Demostrar mejora medible en outcome clínico es la mentalidad de aplicación del rol.
Este proyecto afina
- deep-learning-for-ehr
- model-evaluation
- clinical-data
Científico de Datos
Modelar trayectorias EHR + interpretabilidad es trabajo cotidiano de data science en biotech.
Este proyecto afina
- clinical-data
- interpretability
- model-evaluation