Director Asociado de Evaluación de IA Clínica y Despliegue Responsable

• Doctorado (PhD) en Machine Learning, Ciencias de la Computación, Estadística, Bioestadística, Informática Biomédica, Biología Computacional o una disciplina cuantitativa relacionada; o un título de Medicina (MD), maestría o experiencia equivalente con un sólido historial computacional.
• De 4 a 7 años de experiencia post-doctorado (o equivalente) evaluando, validando o desplegando sistemas de IA/ML en el sector sanitario, ciencias de la vida, investigación clínica u otro entorno crítico para la seguridad o la evidencia.
• Capacidad actual de programación práctica en Python y SQL, incluyendo experiencia en la construcción de flujos de evaluación automatizados, análisis de grandes conjuntos de datos, redacción de pruebas y trabajo en entornos con control de versiones.
• Sólida base en diseño experimental, inferencia estadística, incertidumbre, análisis de errores y fiabilidad de la medición.
• Experiencia evaluando LLMs o sistemas de agentes, incluyendo recuperación, uso de herramientas, salidas estructuradas, flujos de trabajo de múltiples pasos, robustez y rendimiento con intervención humana (human-in-the-loop).
• Capacidad demostrada para construir enfoques de evaluación útiles cuando las etiquetas son ruidosas, las opiniones de los expertos difieren o los resultados se retrasan.
• Experiencia en la producción de evidencia lista para auditoría bajo GCP y GxP, incluyendo la gestión de riesgos de modelos, pistas de auditoría y preparación para inspecciones en sistemas de IA regulados.
• Capacidad para trabajar directamente con las partes interesadas clínicas para definir el uso previsto, los modos de fallo perjudiciales, los umbrales de decisión y la supervisión humana aceptable.
• Comprensión profunda de los principios de la IA confiable y la gobernanza del ciclo de vida, y la capacidad de convertirlos en criterios concretos de lanzamiento y monitorización.
• Excelentes habilidades de comunicación y criterio para explicar la evidencia técnica y el riesgo residual a audiencias clínicas, de calidad, regulatorias y ejecutivas.
• Experiencia liderando trabajo técnico interfuncional mediante la influencia, con el criterio para realizar recomendaciones de "ir o no ir" basadas en la evidencia en situaciones de ambigüedad.

• Experiencia directa con la realización de ensayos clínicos, monitorización médica, farmacovigilancia o gestión de datos clínicos en un entorno farmacéutico, biotecnológico, CRO o de sistemas de salud.
• Experiencia realizando evaluaciones prospectivas, en modo silencioso (silent-mode), modo sombra (shadow-mode) o de factores humanos en flujos de trabajo clínicos o sanitarios reales.
• Familiaridad con la inferencia causal, calibración, análisis de subgrupos, supervisión débil (weak supervision), aprendizaje activo o métodos para aprender con etiquetas imperfectas.
• Experiencia con plataformas de evaluación de LLM, observabilidad, MLOps/LLMOps, experimentación reproducible y monitorización en producción.
• Publicaciones revisadas por pares, trabajo en estándares, contribuciones de código abierto o participación en consorcios industriales/reguladores relacionados con la evaluación de la IA o la IA médica.

AstraZeneca está desarrollando una capacidad de IA para el Desarrollo Clínico que mejorará la forma en que se diseñan, realizan, supervisan y analizan los ensayos. Estamos contratando a un Associate Director, Clinical AI Evaluation and Responsible Deployment para crear los sistemas de evidencia que determinen si la IA clínica es útil, fiable, segura y está lista para escalarse.

El puesto se integra en el equipo de Applied Clinical AI y colabora directamente con las partes interesadas clínicas, Ingeniería, IT y equipos de datos para definir prioridades, requisitos y entregas en colaboración con los equipos existentes de Ingeniería, Producto y Soluciones Clínicas de AstraZeneca.

La IA clínica rara vez tiene una verdad de referencia (ground truth) sencilla. Los juicios de expertos pueden diferir, los datos de origen pueden estar incompletos y la consecuencia de un error depende de dónde aparezca un resultado en el flujo de trabajo. Usted convertirá estas realidades en entornos de evaluación rigurosos, criterios de lanzamiento, estrategias de monitorización y evidencia lista para la validación. Trabajará directamente con los responsables clínicos para definir qué significa "bueno" y directamente con científicos e ingenieros para implementarlo en código.

Este es un rol de liderazgo técnico práctico (hands-on). Construirá entornos de evaluación, analizará el comportamiento de los modelos y de los flujos de trabajo, diseñará experimentos y ayudará a los equipos a diagnosticar fallos, no se limitará a revisar documentos una vez finalizado el desarrollo. También conectará la evaluación científica con las expectativas de Calidad, Regulatorias y operativas, de modo que la evidencia sea útil tanto para quienes construyen como para quienes toman decisiones.

• Definir e implementar la estrategia de evaluación para modelos y agentes de IA clínica en todo el desarrollo, lanzamiento, monitorización y control de cambios.
• Construir entornos de evaluación, conjuntos de pruebas curados, entornos de simulación, suites de regresión automatizadas y flujos de análisis en Python y tecnologías relacionadas.
• Traducir el juicio experto de CRAs, monitores médicos, científicos clínicos, estadísticos y líderes de operaciones en definiciones de tareas, rúbricas de puntuación, taxonomías de errores y umbrales de aceptación clínicamente significativos.
• Evaluar flujos de trabajo completos, no solo los resultados de los modelos, incluyendo la calidad de la recuperación, la selección de herramientas, la orquestación, la fidelidad de la fuente, la abstención, las transferencias humanas, la latencia y el impacto operativo derivado.
• Diseñar enfoques para verdades de referencia ruidosas, dispersas, retrasadas o dependientes de expertos, incluyendo adjudicación, acuerdo entre evaluadores, conjuntos de desafío (challenge sets), estudios prospectivos y vigilancia post-despliegue.
• Liderar el análisis de fallos y el red-teaming para alucinaciones, afirmaciones no respaldadas, sesgo de automatización, fuga de datos, inyección de prompts, rendimiento por subgrupos y comportamientos de flujo de trabajo inseguros.
• Establecer la trazabilidad desde el uso previsto y la necesidad del usuario a través de los requisitos, la evidencia de pruebas y las decisiones de lanzamiento, incluyendo cómo se evalúan, monitorizan y revalidan los cambios en el modelo, el prompt, la herramienta, los datos y el flujo de trabajo a lo largo del ciclo de vida del producto.
• Trabajar con Calidad, Regulatorio, Operaciones Clínicas, Privacidad, Seguridad e IT de I+D para alinear la evidencia de evaluación con las expectativas de GCP, GxP, integridad de datos, validación y preparación para inspecciones.
• Asesorar a los equipos sobre cuándo la evidencia respalda la progresión de un prototipo a un piloto controlado, a un despliegue más amplio o a un uso regulado, y cuándo no es así.
• Crear componentes y estándares de evaluación reutilizables que puedan adoptarse en flujos de trabajo de agentes para mejorar las operaciones clínicas y la cartera de IA de Desarrollo Clínico en general.
• Comunicar los hallazgos y los riesgos residuales de forma clara a audiencias técnicas, clínicas, de calidad y ejecutivas; asegurar que la incertidumbre sea visible en lugar de ocultarse tras métricas agregadas.
• Mentorear a científicos e ingenieros en experimentación rigurosa, reproducibilidad y desarrollo responsable de IA clínica.

Cuando reunimos a equipos inesperados en una misma sala, desatamos un pensamiento audaz con el poder de inspirar medicamentos que cambian vidas. El trabajo presencial nos brinda la plataforma que necesitamos para conectar, trabajar con rapidez y desafiar percepciones. Por eso trabajamos, de media, un mínimo de tres días por semana desde la oficina. Equilibramos esta expectativa con flexibilidad individual. Únete a nuestro mundo único y ambicioso.

• Cada lanzamiento de IA clínica tiene un uso previsto claro, criterios de aceptación medibles y evidencia trazable.
• Los expertos clínicos reconocen la evaluación como representativa del trabajo real y de los modos de fallo reales.
• Los científicos e ingenieros pueden detectar regresiones rápidamente y diagnosticar por qué falló un sistema.
• Los socios de calidad y regulatorios participan tempranamente, con evidencia generada por diseño en lugar de ensamblada a posteriori.
• Los activos de evaluación se reutilizan en productos, estudios, áreas terapéuticas y entornos de despliegue.

08-oct-2026

19-oct-2026