Detecta sepsis temprana en UCI para un health-tech en Bogotá
Visión general
De qué trata este proyecto.
Trabajen en equipo de 2-3. Reciben datos anonimizados de 14.000 estancias en UCI con constantes vitales horarias, analíticas y eventos. Construyan un modelo (LSTM o gradient boosting con ventanas) que prediga sepsis en las próximas 6 horas. Evalúen AUC, sensibilidad a 90 % especificidad y tasa de alertas por paciente-día. Diseñen un plan de despliegue clínico: shadow mode previo, criterio de avance, integración en el EHR. Éxito: AUC ≥0.85, sensibilidad ≥0.65 a 90 % especificidad, y un plan que el comité clínico pueda aprobar.
El Briefing
Lo que harás y lo que demostrarás.
Predecir sepsis en UCI con 6 horas de antelación y diseñar un despliegue clínico que minimice false-alarm fatigue.
Earning criteria — what you'll demonstrate
- Modelar series temporales clínicas con ventanas deslizantes
- Optimizar punto de operación para minimizar alert fatigue
- Diseñar shadow mode + canary clínico responsable
- Comunicar trade-offs sensibilidad-fatiga al comité 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.
Científico/a de IA Aplicada
Early warning con consideración de alert fatigue es el proyecto canónico de IA aplicada en UCI.
Este proyecto afina
- early-warning-systems
- clinical-data
- alert-fatigue
Ingeniero/a de Machine Learning
Modelos temporales con punto de operación clínico es habilidad central de MLE en health-tech.
Este proyecto afina
- time-series-forecasting
- deployment
- clinical-data
Arquitecto/a de Soluciones de IA
Diseñar despliegue clínico end-to-end con integración EHR es habilidad central del rol en salud.
Este proyecto afina
- deployment
- early-warning-systems
- alert-fatigue