Ingeniero de Datos Líder (solución de salud)

Intellias busca un Lead Healthcare Data Engineer para unirse a una iniciativa de salud digital a gran escala centrada en la creación de una plataforma de datos sanitarios basada en FHIR y en la transformación de datos sanitarios fragmentados en información limpia, estandarizada y fiable.

El puesto requiere tanto una profunda experiencia técnica práctica como una amplia influencia técnica: establecer marcos de trabajo y estándares reutilizables, mentorizar a ingenieros experimentados y elevar el nivel de ingeniería de todo el equipo.

Estamos ayudando a una plataforma de salud digital de EE. UU. a poner en orden los datos médicos de sus pacientes: resultados de laboratorio, diagnósticos, medicación, visitas y más. Los datos provienen de muchas clínicas y laboratorios diferentes, cada uno con su propio formato, por lo que actualmente es bastante desordenado. Nuestro trabajo consiste en limpiar y estandarizar esos datos cerca de la fuente, unificar la lógica dispersa en un solo lugar y comprobar la calidad real de los datos cada día en lugar de hacer conjeturas. Los ingenieros de datos trabajarán principalmente en Databricks/Spark, construyendo pipelines, datos de referencia y controles de calidad junto con el equipo de desarrollo y expertos clínicos.

• Establecer la dirección técnica para la ingeniería de datos sanitarios en las fases de ingesta, transformación, validación, normalización y entrega.
• Responsabilizarse de la arquitectura de extremo a extremo de pipelines de datos distribuidos a gran escala que transforman datos de origen heterogéneos en FHIR limpio y conforme a los estándares.
• Diseñar y evolucionar soluciones escalables utilizando Python, Spark/PySpark, Databricks/Delta Lake y tecnologías modernas de procesamiento de datos.
• Diagnosticar y eliminar cuellos de botella complejos de rendimiento y escalabilidad en las cargas de trabajo de datos distribuidos.
• Establecer estándares y marcos de trabajo reutilizables para la calidad de los datos, la deduplicación, la vinculación de pacientes/registros, la normalización de la terminología y el procesamiento idempotente fiable.
• Definir patrones arquitectónicos para la transformación FHIR, la validación, la evolución del esquema y la entrega en producción.
• Construir y evolucionar capacidades de validación y pruebas automatizadas para la calidad de los datos y la conformidad con FHIR.
• Establecer patrones de ingeniería y herramientas reutilizables que permitan al equipo en general ofrecer nuevas capacidades de datos sanitarios de forma más rápida y consistente.
• Promover prácticas de ingeniería seguras para la PHI y garantizar que las soluciones de datos sanitarios cumplan con los requisitos aplicables de seguridad, privacidad y cumplimiento.
• Convertir la ingeniería nativa de IA en una parte práctica del modelo de desarrollo del equipo, utilizando agentes de programación y capacidades de IA reutilizables para automatizar el trabajo repetitivo y acelerar las tareas de ingeniería complejas.
• Establecer salvaguardas de ingeniería para el desarrollo asistido por IA, garantizando que las soluciones generadas por IA sigan siendo correctas, probadas, seguras, observables y seguras para la PHI.
• Determinar en qué casos el procesamiento determinista proporciona una mayor fiabilidad que los enfoques basados en IA/LLM y establecer los patrones arquitectónicos adecuados para ambos.
• Mentorizar a ingenieros Senior y Middle mediante revisiones de diseño, programación en pareja (pairing), orientación técnica y el intercambio de conocimientos.
• Impulsar la resolución de problemas de ingeniería complejos y ambiguos, desde la investigación inicial hasta la arquitectura, la implementación y la operación en producción.
• Colaborar con las partes interesadas de ingeniería, producto, seguridad, datos y del dominio sanitario para traducir requisitos de interoperabilidad complejos en soluciones técnicas escalables.
• Representar prácticas sólidas de ingeniería de datos sanitarios en las discusiones técnicas, de estándares y de arquitectura pertinentes.

• Más de 8 años de experiencia profesional en ingeniería de datos, plataformas de datos sanitarios, HealthTech o interoperabilidad sanitaria.
• Demostrada responsabilidad técnica de nivel Lead en sistemas de producción complejos, incluyendo la capacidad de establecer la dirección técnica y resolver problemas que abarcan múltiples componentes y equipos de ingeniería.
• Sólida experiencia práctica en Python e ingeniería de datos de grado de producción.
• Experiencia profunda con Apache Spark/PySpark a escala, incluyendo particionamiento, optimización del rendimiento, ajuste de memoria y procesamiento distribuido.
• Experiencia con tecnologías lakehouse modernas como Databricks y Delta Lake, o plataformas comparables.
• Sólida experiencia en el diseño y operación de pipelines ETL/ELT a gran escala, incluyendo CDC, procesamiento incremental/delta, idempotencia, evolución de esquemas y cargas de trabajo por lotes (batch) o en streaming.
• Experiencia demostrada en el diagnóstico y la eliminación de cuellos de botella complejos de rendimiento y escalabilidad en sistemas de procesamiento de datos distribuidos.
• Experiencia práctica profunda con FHIR R4, incluyendo recursos, perfiles, Bundles, validación y transformación de datos sanitarios a gran escala.
• Sólidos conocimientos de US Core, USCDI, HL7 v2.x y patrones de transformación de C-CDA a FHIR.
• Sólida comprensión de los estándares de terminología sanitaria, incluidos SNOMED CT, LOINC y RxNorm.
• Experiencia trabajando con modelos de datos clínicos, de reclamaciones (claims), de cobertura, de elegibilidad o modelos de datos sanitarios comparables.
• Sólida experiencia con la calidad de los datos, la deduplicación, la vinculación de registros/pacientes, la normalización de la terminología y la validación.
• Sólidas habilidades de SQL y comprensión del modelado de datos, la evolución de esquemas, la calidad de los datos y la arquitectura de datos de producción.
• Experiencia con Git, CI/CD, pruebas automatizadas, observabilidad y operaciones de producción.
• Sólida comprensión de los requisitos de seguridad, privacidad y regulatorios sanitarios, incluidos HIPAA y las prácticas de ingeniería seguras para la PHI.
• Capacidad demostrada para establecer marcos de ingeniería reutilizables, patrones arquitectónicos, estándares y prácticas de calidad de datos adoptados por otros ingenieros.
• Liderazgo técnico demostrado mediante revisiones de arquitectura/diseño, mentoría, programación en pareja e influencia en la ingeniería entre distintos equipos.
• Experiencia práctica en el uso de agentes de programación de IA como Claude Code o herramientas de ingeniería agénticas comparables como parte integral del ciclo de vida de desarrollo.
• Sólido criterio de ingeniería sobre cuándo utilizar enfoques basados en IA/LLM frente a soluciones deterministas basadas en reglas, especialmente cuando la corrección, el coste, el rendimiento o la seguridad de la PHI son críticos.
• Inglés profesional suficiente para la colaboración directa con partes interesadas técnicas y comerciales con sede en EE. UU.

• Experiencia profunda en el modelado de datos FHIR a gran escala y plataformas de interoperabilidad sanitaria.
• Experiencia con Master Patient Index (MPI), concordancia de pacientes, resolución de identidad o vinculación de registros a gran escala.
• Experiencia con el intercambio de datos de pagadores, incluyendo CARIN Blue Button, guías de implementación de Da Vinci o estándares similares.
• Experiencia trabajando con conjuntos de datos farmacéuticos, de laboratorio u otros conjuntos de datos sanitarios especializados.
• Conocimiento de ICD-10, CPT, CVX y sistemas de códigos/terminología clínica adicionales.
• Experiencia con la 21st Century Cures Act, la certificación de la ONC, la CMS Interoperability Rule o marcos regulatorios sanitarios de EE. UU. relacionados.
• Experiencia en la creación de capacidades basadas en LLM/agentes para la extracción, normalización, mapeo de terminología o calidad de los datos clínicos o sanitarios.
• Experiencia en el diseño de habilidades de IA reutilizables o flujos de trabajo agénticos adoptados por los equipos de ingeniería.
• Contribuciones a comunidades de código abierto de salud, FHIR/HL7 o grupos de trabajo industriales relevantes.