Estratifica riesgo de reingreso en un hospital universitario de Barcelona
Visión general
De qué trata este proyecto.
Recibes 18.000 episodios anonimizados con features estructuradas (constantes al alta, comorbilidades CIE-10, medicación, demografía). Entrena un modelo (XGBoost o regresión logística regularizada) para predecir reingreso a 30 días. Reporta AUC-ROC, AUC-PR, expected calibration error (ECE) y Brier score. Adicionalmente, mide AUC y calibración por subgrupo (mujer/hombre × <65/≥65). Entrega un memo clínicamente legible que el comité pueda revisar. Éxito: AUC ≥0.74, ECE ≤0.05, sin gap >0.05 AUC entre subgrupos.
El Briefing
Lo que harás y lo que demostrarás.
Construir y evaluar un modelo de riesgo de reingreso clínicamente útil, bien calibrado y equitativo por subgrupo.
Earning criteria — what you'll demonstrate
- Construir modelos de riesgo desde features clínicas estructuradas
- Distinguir discriminación (AUC) de calibración (ECE, Brier)
- Evaluar equidad por subgrupo clínicamente relevante
- Comunicar incertidumbre y limitaciones a un 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
Risk stratification con calibración + equidad es el proyecto representativo de IA aplicada en salud.
Este proyecto afina
- risk-stratification
- calibration
- fairness-in-healthcare
Científico de Datos
Modelar riesgo clínico con métricas adecuadas es trabajo cotidiano de data science en hospitales o aseguradoras.
Este proyecto afina
- risk-stratification
- model-evaluation
- calibration
Investigador/a de Seguridad en IA
Equidad por subgrupo en contexto clínico es área central de AI safety aplicada en salud.
Este proyecto afina
- fairness-in-healthcare
- calibration
- model-evaluation