مهندس هوش مصنوعی بالینی
Clinical AI Engineer
مهندس هوش مصنوعی بالینی سیستم‌های AI را می‌سازد، می‌سنجد و نگه می‌دارد که در خودِ مراقبت از بیمار به کار می‌روند: دستیارهایی که گفت‌وگوی پزشک و بیمار را به یادداشت بالینی تبدیل می‌کنند، ایجنت‌های گفت‌وگو و صوتی برای بیماران، و ابزارهایی که به پروندهٔ الکترونیک سلامت (EHR) وصل می‌شوند. فرقش با مهندسی AI عمومی این است که خروجی باید از نظر بالینی ایمن باشد، کیفیتش با معیار پزشکان سنجیده شود و محصول اغلب زیر مقررات تجهیزات پزشکی قرار می‌گیرد. خودِ این عنوان هنوز کم‌کاربرد است: در آگهی‌های بررسی‌شده آن را در Heidi Health و Insight Timer دیدیم، و آنجا منظور فردی دوگانه است که هم کد می‌زند و هم آموزش بالینی یا روان‌شناسی دارد. بیشتر کارفرماها همین کار را با عنوان AI Engineer یا Machine Learning Engineer، گاهی با پسوند «Clinical AI»، آگهی می‌کنند.
مقدمه و تعریف شغل
مهندس هوش مصنوعی بالینی با مدل‌های زبانی، گفتار و یادگیری ماشین محصولی می‌سازد که پزشک، پرستار یا خود بیمار در جریان مراقبت با آن کار می‌کند، و مسئول است که این محصول در عمل درست و ایمن کار کند. در آگهی‌های بررسی‌شده دو چهره از این نقش دیده می‌شود. در یکی، مهندس نرم‌افزار یا ML است که ایجنت، سیستم ارزیابی و اتصال به EHR می‌سازد و سابقه در حوزهٔ سلامت فقط امتیاز به حساب می‌آید (Hippocratic AI، Ambience، Commure). در دیگری، که عنوان دقیق Clinical AI Engineer بیشتر برای آن به کار می‌رود، فردی با آموزش بالینی است که کدنویسی بلد است و ارزیابی بالینی، پایش پس از عرضه و اصلاح محصول را بر عهده دارد؛ Heidi Health برای این نقش مدرک پزشکی و سابقهٔ طبابت را شرطی غیرقابل‌انعطاف گذاشته است. نقطهٔ مشترک هر دو، ارزیابی دقیق خروجی، کار نزدیک با پزشکان و آشنایی با مقررات نرم‌افزار پزشکی است.
طبق فهرست FDA از دستگاه‌های پزشکی مجهز به AI که در آمریکا مجوز گرفته‌اند (به‌روز تا ۴ سپتامبر ۲۰۲۶)، ۱٬۶۱۴ دستگاه در این فهرست‌اند و ۱٬۲۳۰ مورد آن‌ها زیر پنل رادیولوژی ثبت شده‌اند. FDA در صفحهٔ همین فهرست نوشته است روش‌هایی برای شناسایی و برچسب‌زدن دستگاه‌هایی که از foundation model و مدل‌های زبانی بزرگ استفاده می‌کنند بررسی خواهد کرد. در آگهی‌های این صفحه، بیشتر کار روی ابزارهای زبانی است: مستندسازی خودکار ویزیت، ایجنت‌های گفت‌وگو با بیمار و جستجو در اسناد بالینی. Heidi Health به گفتهٔ خودش با یک دستیار نوشتن یادداشت پزشکی با مدل freemium (نسخهٔ پایهٔ رایگان) جای خود را در بازار پیدا کرد و امروز هفته‌ای ۲٫۸ میلیون جلسهٔ بیمار را در بیش از ۱۹۰ کشور پشتیبانی می‌کند. Limbic می‌گوید در بیش از نیمی از سرویس‌های NHS Talking Therapies به کار می‌رود و گواهی تجهیزات پزشکی کلاس IIa بریتانیا (UKCA) دارد. وقتی چنین ابزاری در مراقبت واقعی استفاده می‌شود، سؤال فقط این نیست که «کار می‌کند؟»، بلکه این است که «برای این بیمار و در این بیمارستان درست و ایمن است؟». پاسخ دادن به همین سؤال هستهٔ این شغل است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس هوش مصنوعی بالینی
مستندسازی خودکار ویزیت
Ambience مستندسازی هم‌زمان و آگاه به کدگذاری را در بخش‌های سرپایی، اورژانس و بستری ارائه می‌کند و IDM با ORPHEUS گفتار پزشک را به مستندات پزشکی تبدیل می‌کند. Accurx هم ابزار Scribe دارد که هم‌زمان با ویزیت پیش‌نویس یادداشت پزشکی را می‌نویسد.
ارزیابی بالینی و داورهای LLM
در Heidi، مهندس پیش از ساخت محصول ارزیابی را با استاندارد دانشگاهی تعریف می‌کند (معیار پایانی، مقایسه‌گر، مرجع درست، حجم نمونه و برنامهٔ تحلیل) و داورهای LLM را می‌سازد و توافقشان با برچسب پزشکان را گزارش می‌کند. Limbic هم autolabellerهایی می‌خواهد که با برچسب پزشکان اعتبارسنجی شده باشند.
ایجنت گفت‌وگو و صوتی برای بیمار
Hippocratic AI ایجنت‌های صوتی مولد برای حوزهٔ سلامت می‌سازد و Limbic یک «درمانگر AI» دارد که درمان شناختی-رفتاری (CBT) ساختاریافته را تلفنی به بزرگسالان مبتلا به افسردگی و اضطراب ارائه می‌دهد، در حالی که به گفتهٔ آگهی پزشکان دارای مجوز بر مراقبت هر بیمار نظارت دارند.
اتصال به پروندهٔ الکترونیک سلامت
تیم AI Integrations در Commure جریان داده بین پلتفرم شرکت و بیش از ۴۰ سیستم EMR را برقرار می‌کند، اطلاعات ویزیت و نوبت را از آن‌ها می‌گیرد و در صورت لزوم به آن‌ها برمی‌گرداند. همین تیم از LLM برای خودکار کردن مهندسی معکوس سیستم‌های EHR استفاده می‌کند.
جستجو و استخراج از اسناد بالینی
Natera پلتفرمی می‌سازد که اسناد بالینی را از چند منبع می‌گیرد، برای جستجو نمایه می‌کند و در اختیار workflowهای AI در حوزهٔ انکولوژی می‌گذارد. Savant Bio پرونده‌های بالینی متنی را با LLM و کنترل کیفیت تخصصی به دادهٔ ساختاریافته و آمادهٔ تحلیل تبدیل می‌کند.
سیستم‌های ایمنی و پایش پس از عرضه
در Limbic، مهندس محافظ‌هایی را بهتر می‌کند که هر پیام بیمار و هر پاسخ AI را از نظر خطر، تلاش برای دست‌کاری مدل، توصیهٔ پزشکی ناایمن و پاسخ نامناسب بالینی غربال می‌کنند. در Heidi، مهندس کیفیت خروجی را پس از انتشار پایش می‌کند و همتای تیم ایمنی بالینی در تیم محصول است.
تخصص‌های مختلف مهندس هوش مصنوعی بالینی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
ارزیابی بالینی و ایمنی
Clinical Evaluation & Safety
نقش دوگانهٔ بالینی-مهندسی که عنوان دقیق Clinical AI Engineer بیشتر برای آن به کار می‌رود: طراحی ارزیابی، داورهای LLM، پایش پس از عرضه و اصلاح محصول. Heidi مدرک پزشکی می‌خواهد و Insight Timer آموزش یا تجربهٔ پژوهشی در روان‌شناسی، پزشکی، روان‌پزشکی یا حوزه‌های مشابه را. نقش Clinical AI Researcher در Ambience هم مدرک بالینی پیشرفته (مثل MD) می‌خواهد و ۲۰۵ تا ۲۵۵ هزار دلار پیشنهاد می‌دهد.
مستندسازی خودکار و NLP بالینی
Ambient Documentation & Clinical NLP
تبدیل گفت‌وگوی ویزیت و متن بالینی به یادداشت، خلاصه و کد: ORPHEUS در IDM، مستندسازی Ambience، Scribe در Accurx و خلاصه‌سازی ویزیت و کدگذاری بالینی در Doctolib.
ایجنت‌های گفت‌وگو و صوتی برای بیمار
Conversational & Voice Patient Agents
ایجنت‌هایی که مستقیم با بیمار حرف می‌زنند و باید بدانند کی پاسخ بدهند، کی سؤال کنند و کی به انسان ارجاع دهند: ایجنت‌های صوتی Hippocratic AI، ارزیابی و درمانگر AI در Limbic و ایجنت‌های تندرستی Insight Timer.
یکپارچه‌سازی با EHR
EHR Integration & Interoperability
رساندن داده از سیستم بیمارستان به مدل و برگرداندن نتیجه به آن، با HL7 v2 و FHIR؛ مثل تیم AI Integrations در Commure. مستندات SMART on FHIR استانداردهایی مثل SMART App Launch برای اپ‌های متصل به EHR و CDS Hooks برای پشتیبانی تصمیم داخل EHR را معرفی می‌کند.
بازیابی و ساختاردهی اسناد بالینی
Clinical Document Retrieval & Structuring
RAG و استخراج ساختاریافته روی اسناد بالینی برای پژوهش، داروسازی و دادهٔ دنیای واقعی؛ پلتفرم جستجوی اسناد بالینی Natera و تبدیل پروندهٔ متنی به دادهٔ ساختاریافته در Savant Bio.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس هوش مصنوعی در هر صنعتی روی مدل‌های آماده محصول می‌سازد: ایجنت، RAG، ارزیابی و استقرار. مهندس AI بالینی همین کار را در مراقبت سلامت انجام می‌دهد و سه چیز به آن اضافه می‌شود: سنجیدن خروجی با معیار و برچسب پزشکان، کار در چارچوب مقررات تجهیزات پزشکی و اتصال به EHR. مرز گاهی باریک است: آگهی AI Engineer در Hippocratic AI همان شرایط عمومی را می‌خواهد (کارشناسی کامپیوتر، ۵ سال تجربه، Python و RAG) و سابقه در سلامت یا محصولات تحت مقررات را فقط امتیاز می‌داند. اما در Heidi، عنوان Clinical AI Engineer بدون مدرک پزشکی معنا ندارد.
دانشمند داده‌های سلامت با EHR، دادهٔ بیمه و کارآزمایی بالینی به سؤال‌هایی دربارهٔ بیماری، اثر درمان و ریسک بیماران پاسخ می‌دهد و خروجی کارش بیشتر تحلیل، مدل و شواهد است. مهندس AI بالینی محصولی می‌سازد که در خودِ جریان مراقبت اجرا می‌شود و باید هر روز در پروداکشن پایش شود؛ مثل غربال ایمنی پیام بیمار در Limbic یا نوشتن یادداشت ویزیت در Ambience. دو نقش در مدل‌سازی روی EHR و یادداشت‌های بالینی به هم می‌رسند و پایهٔ آماری مشترکی دارند: Heidi برای ارزیابی، طراحی مطالعه، آمار استنباطی و محاسبهٔ حجم نمونه را در سطح پایان‌نامه یا مقاله می‌خواهد.
مهندس LLM یک لایه پایین‌تر کار می‌کند: fine-tuning، میزبانی و سرو مدل و درک عمیق Transformer. مهندس AI بالینی معمولاً از همین مدل‌ها استفاده می‌کند و تمرکزش رفتار محصول در موقعیت بالینی است. در بعضی شرکت‌ها هر دو لایه در یک نقش جمع می‌شود: IDM از مهندس Clinical AI خود آموزش و بهینه‌سازی مدل‌های NLP بالینی را می‌خواهد و Doctolib برای نقش ارشد تیم بالینی، تخصص در دست‌کم دو حوزه از جمله fine-tuning و ارزیابی LLM، تشخیص گفتار و RAG را.
زیست‌شناس محاسباتی با توالی DNA و RNA و دادهٔ NGS کار می‌کند، سؤالش زیستی است و پیش‌بینی مدلش باید با آزمایش سنجیده شود. مهندس AI بالینی با گفت‌وگوی پزشک و بیمار، یادداشت بالینی و دادهٔ EHR در جریان مراقبت سروکار دارد و کارش به مهندسی نرم‌افزار و همکاری با پزشکان نزدیک‌تر است تا به آزمایشگاه. اگر به سلامت علاقه دارید اما پیش‌زمینهٔ زیست‌شناسی مولکولی ندارید، این مسیر کمتر به آن دانش وابسته است.
تأثیر در صنایع مختلف
مهندس هوش مصنوعی بالینی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بیمارستان‌ها و نظام‌های سلامت
فناوری IDM در بیمارستان دانشگاهی UKE و چند بیمارستان دانشگاهی، گروه بیمارستانی و مطب دیگر در آلمان کار می‌کند و Ambience مستندسازی را برای نظام‌های سلامت آمریکای شمالی ارائه می‌دهد
مراقبت اولیه (NHS)
Accurx می‌گوید ابزارهایش در ۹۸٪ مطب‌های پزشک عمومی (GP practices) استفاده می‌شود؛ مهندس Staff ML آن کیفیت سیستم‌ها را فراتر از متریک‌های معمول، با در نظر گرفتن حریم خصوصی، سوگیری و امنیت، تعریف می‌کند
سلامت روان
Limbic با ایجنت‌هایی که بیمار را ارزیابی می‌کنند و درمان CBT ارائه می‌دهند، در NHS و سازمان‌های سلامت آمریکا کار می‌کند و محصولش تجهیزات پزشکی کلاس IIa محسوب می‌شود
امور اداری و مدیریت درآمد درمان
Commure دو محصول اصلی RCM (مدیریت چرخهٔ درآمد) و Ambient دارد و تیم یکپارچه‌سازی آن با بیش از ۴۰ سیستم EMR کار می‌کند
تشخیص و انکولوژی
Natera پلتفرم جستجوی اسناد بالینی را برای سازمان دادهٔ دنیای واقعی خود در انکولوژی و حوزه‌های بالینی دیگر می‌سازد
داروسازی و علوم زیستی
Savant Bio به سازمان‌های سلامت و علوم زیستی کمک می‌کند پرونده‌های بالینی متنی را به دادهٔ ساختاریافته و قابل‌تحلیل تبدیل کنند
پلتفرم‌های نوبت‌دهی و ویزیت
Doctolib در تیم بالینی خود دستیار صوتی ویزیت، خلاصه‌سازی و کدگذاری بالینی می‌سازد و برای آن استاندارد انتشار ایمن تعریف می‌کند
اپلیکیشن‌های تندرستی
Insight Timer، که به گفتهٔ خودش بیش از ۳۰ میلیون کاربر دارد، ایجنت‌هایی برای مدیتیشن، خواب، اضطراب و تغییر رفتار می‌سازد و برای آن مهندسی با دانش بالینی یا روان‌شناسی می‌خواهد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
این شغل فقط برای پزشک‌هاست (یا فقط برای مهندس‌ها)
هر دو مسیر وجود دارد. Heidi برای Clinical AI Engineer مدرک پزشکی و سابقهٔ طبابت را شرط گذاشته، اما Hippocratic AI برای AI Engineer کارشناسی کامپیوتر و ۵ سال تجربه می‌خواهد و سابقهٔ سلامت را فقط امتیاز می‌داند. Insight Timer هر دو را می‌پذیرد: مهندس نرم‌افزاری که پیش‌زمینهٔ روان‌شناسی یا پزشکی دارد، یا پزشک و پژوهشگری که محصول AI واقعی ساخته است.
اگر مدل در آزمون دقیق بود، در بیمارستان هم درست کار می‌کند
به نوشتهٔ STAT، Karandeep Singh به آشکار کردن مشکلات عملکرد یک الگوریتم پرکاربرد تشخیص سپسیس که Epic عرضه می‌کرد شناخته می‌شود. به همین دلیل Doctolib برای انتشار ایمن shadow testing و استقرار مرحله‌ای تعریف می‌کند و Heidi می‌نویسد کار با انتشار تمام نمی‌شود و مهندس در تمام عمر محصول در بازار کنار آن می‌ماند.
نرم‌افزار، برخلاف دستگاه پزشکی، مقررات خاصی ندارد
IMDRF، به نقل FDA، نرم‌افزاری را که بدون اینکه بخشی از سخت‌افزار پزشکی باشد برای هدف پزشکی به کار می‌رود «نرم‌افزار به‌عنوان تجهیزات پزشکی» (SaMD) می‌نامد. MHRA می‌نویسد در بریتانیا بسیاری از نرم‌افزارها، از جمله AI، به‌عنوان تجهیزات پزشکی تنظیم می‌شوند، و Limbic تغییراتش را با فرایند تأیید بالینی مخصوص یک تجهیزات پزشکی تحت مقررات منتشر می‌کند. البته همه چیز دستگاه پزشکی نیست: راهنمای CDS در FDA (ژانویهٔ ۲۰۲۶) توضیح می‌دهد کدام نرم‌افزارهای پشتیبان تصمیم بالینی از تعریف دستگاه خارج‌اند.
داور LLM جای پزشک را در ارزیابی می‌گیرد
داور LLM فقط وقتی قابل‌اعتماد است که با پزشک سنجیده شود. Heidi از مهندس می‌خواهد توافق داورهای LLM با برچسب پزشکان را گزارش کند، «نه راحتی‌شان را»، و داورهایی را که از مسیر خارج می‌شوند کنار بگذارد. Limbic هم autolabellerهایش را با برچسب پزشکان اعتبارسنجی می‌کند و Ambience سوگیری داور را از چالش‌هایی می‌داند که مهندس باید بشناسد.
مهم‌ترین بخش کار، ساختن مدل است
بخش بزرگی از کار، رساندن مدل به جریان واقعی مراقبت است. تیم یکپارچه‌سازی Commure با بیش از ۴۰ سیستم EMR کار می‌کند. Mark Sendak، طبق پروفایلش در HealthIT.gov، ده‌ها فناوری مبتنی بر داده را وارد عملیات بالینی کرده است. پژوهش Ziad Obermeyer هم نشان داد الگوریتمی تجاری که برای شناسایی بیماران پرنیاز به کار می‌رفت نیاز بیماران سیاه‌پوست را کمتر از واقع برآورد می‌کرد؛ یعنی پیش از مدل، باید پرسید مدل دقیقاً چه چیزی را پیش‌بینی می‌کند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
در آگهی‌های این صفحه نقش کاملاً جونیور کم بود و ورود بیشتر از مهندسی نرم‌افزار یا داده در یک شرکت سلامت اتفاق می‌افتد. در این سطح کارها مشخص‌اند و زیر نظر مهندس ارشد انجام می‌شوند.
- ◆افزودن نمونه‌های تازه به مجموعهٔ ارزیابی بر اساس خطاهایی که پزشکان گزارش کرده‌اند
- ◆رفع یک خطای نگاشت داده بین پیام HL7 یک بیمارستان و Resourceهای FHIR
- ◆بررسی trace یک خلاصهٔ اشتباه برای اینکه معلوم شود خطا از گفتار، بازیابی یا مدل بوده است
- ◆نوشتن تست برای مسیرهای ارجاع به انسان در یک ایجنت
میانی (۲–۵ سال)
مسئولیت یک قابلیت را از طراحی تا پروداکشن دارید و هفته‌ای چند بار با پزشکان و مدیر محصول جلسه دارید تا نیاز بالینی را به مشخصات فنی و معیار ارزیابی تبدیل کنید.
- ◆بهتر کردن غربال ایمنی پیام‌ها طوری که موارد خطر بیشتری را بگیرد بی‌آنکه پاسخ‌های درست را هم علامت بزند
- ◆اجرای ارزیابی روی همهٔ پیکربندی‌های مشتری پیش از اینکه بیماری تغییر را ببیند
- ◆انتشار تدریجی یک تغییر و مقایسهٔ نتیجهٔ آن با نسخهٔ قبلی در پروداکشن
- ◆جلسه با تیم ایمنی بالینی دربارهٔ یک گزارش رخداد و تصمیم برای اصلاح محصول
ارشد (۵+ سال)
تمرکز روی طراحی ارزیابی و معماری، استاندارد انتشار ایمن و همکاری با تیم‌های پزشکی، حقوقی و انطباق است. تصمیم‌های شما روی چند تیم و روی پروندهٔ تنظیم‌گری محصول اثر دارد.
- ◆تعریف ارزیابی یک محصول تازه پیش از ساخت: معیار موفقیت، مرجع درست و حجم نمونه
- ◆بازبینی طراحی یک ایجنت بیمار: کجا پاسخ بدهد، کجا سؤال کند و کجا ارجاع دهد
- ◆همکاری با تیم انطباق برای مستندسازی تغییرات مدل
- ◆منتورینگ مهندسان و پزشکانی که تازه وارد کدنویسی شده‌اند
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و بهبود محصولات AI بالینی، مثل مستندسازی خودکار ویزیت، ایجنت گفت‌وگو با بیمار و جستجو در اسناد بالینی
- ◈طراحی ارزیابی پیش از ساخت: معیار موفقیت، مرجع درست (ground truth)، حجم نمونه و برنامهٔ تحلیل
- ◈ساخت داورهای LLM و معیارهای امتیازدهی و سنجیدن توافق آن‌ها با برچسب پزشکان
- ◈ساخت سیستم‌های ایمنی که پیام بیمار و پاسخ مدل را از نظر خطر، توصیهٔ ناایمن و دست‌کاری غربال می‌کنند
- ◈اتصال محصول به EHR و سیستم‌های بیمارستان با HL7 و FHIR و رعایت الزامات امنیت و حریم خصوصی
- ◈پایش کیفیت خروجی در پروداکشن، پایش پس از عرضه و اصلاح محصول بر اساس یافته‌ها
- ◈کار نزدیک با پزشکان، مدیر محصول و تیم ایمنی بالینی برای تبدیل نیاز بالینی به مشخصات فنی
- ◈نوشتن گزارش ارزیابی و خلاصهٔ پایش برای تیم، پروندهٔ تنظیم‌گری و گاهی مقالهٔ علمی
- ◈انتشار تدریجی و ایمن تغییرات (shadow testing، استقرار مرحله‌ای، تأیید بالینی)
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس هوش مصنوعی بالینی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان مشترک همهٔ آگهی‌ها؛ Heidi از Clinical AI Engineer می‌خواهد بتواند به Python یا TypeScript در کد پروداکشن تغییر بدهد
Hippocratic AI درک عمیق prompt engineering، پایگاه داده‌های برداری و RAG را می‌خواهد و Ambience تجربهٔ ساخت سیستم‌های چندمدلی با ابزار، بازیابی و orchestration را
ساخت مجموعهٔ آزمون، معیار امتیازدهی و داور LLM و اعتبارسنجی آن با برچسب پزشک؛ هستهٔ آگهی‌های Heidi، Limbic و Ambience
طراحی مطالعه، آمار استنباطی، سنجه‌های توافق و پایایی، حجم نمونه و مقایسه‌های چندگانه (شرایط Heidi)
برای آموزش و تطبیق مدل؛ IDM، Ambience و Doctolib آن را خواسته‌اند
نسخه‌بندی مدل، pipeline آموزش، ردیابی آزمایش و پایش در پروداکشن (MLflow، W&B و CI/CD در آگهی IDM)
تبادل داده با EHR؛ Commure رعایت HIPAA، HL7 و FHIR را جزو وظایف تیم یکپارچه‌سازی آورده است
AWS، GCP یا Azure و DevOps (Terraform، CI/CD، مانیتورینگ) در Hippocratic AI؛ Docker و Kubernetes در Commure و IDM
Heidi و Limbic در کنار Python آن را نام برده‌اند؛ Limbic تسلط در سطح خبره به هر دو را می‌خواهد
برای ایجنت‌های صوتی و مستندسازی ویزیت؛ Hippocratic AI و Ambience آن را امتیاز می‌دانند و Doctolib تشخیص گفتار را از حوزه‌های تخصصی نقش ارشد خود شمرده است
مهارت‌های نرم
Ambience توانایی کار نزدیک با پزشکان، مدیر محصول و مهندسان و ساده کردن مفاهیم پیچیدهٔ AI را جزو شرایط آورده است
Insight Timer کسی را می‌خواهد که بداند کی سریع حرکت کند، کی آهسته‌تر و کی کیفیت یا ایمنی باید اول باشد؛ Heidi می‌گوید روی ظرافت بالینی کوتاه نیایید، حتی اگر میان‌بُر محصول را زودتر منتشر کند
در Heidi گزارش ارزیابی، خلاصهٔ پایش و مقاله خروجی اصلی این نقش است
تبدیل مفاهیم بالینی، روان‌شناختی یا پژوهشی به نیازمندی محصول، پرامپت و تصمیم مهندسی (شرایط Insight Timer)
Heidi می‌خواهد بتوانید چند هفته با راهنمایی کم یک پروژه را پیش ببرید و زود بگویید کجا گیر کرده است
دانش حوزه‌ای
برای مسیر دوگانه شرط است (مدرک پزشکی در Heidi، مدرک بالینی پیشرفته در نقش Clinical AI Researcher در Ambience)؛ برای مسیر مهندسی، آشنایی با جریان کار بالینی امتیاز است
SaMD، GMLP و پایش پس از عرضه؛ Heidi تجربه زیر TGA، MHRA، FDA یا EU MDR را امتیاز می‌داند و Doctolib آشنایی با GDPR، MDR و AI Act را
Savant Bio آشنایی با HIPAA و بی‌نام‌سازی را می‌خواهد و IDM راهبرد بی‌نام‌سازی و یکپارچه‌سازی دادهٔ ناهمگن بالینی را جزو وظایف آورده است
DECIDE-AI برای ارزیابی مرحلهٔ اولیهٔ ابزارهای پشتیبان تصمیم و CONSORT-AI برای گزارش کارآزمایی‌های بالینی مداخله‌های مبتنی بر AI
ساختار یادداشت بالینی، کدگذاری‌ها و دادهٔ EHR؛ مجموعه‌هایی مثل MIMIC-IV و Synthea برای تمرین
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس هوش مصنوعی بالینی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های برنامه‌نویسی: Python، Git و کار با API
همهٔ آگهی‌های این صفحه Python می‌خواهند و Heidi و Limbic کار با TypeScript را هم کنار آن آورده‌اند. اگر پزشک یا متخصص بالینی هستید و برنامه‌نویسی نمی‌دانید، این مرحله مهم‌ترین سرمایه‌گذاری شماست: Heidi از Clinical AI Engineer می‌خواهد بتواند در کد پروداکشن تغییر بدهد و آن را از code review رد کند.
آمار، یادگیری ماشین و ارزیابی مدل
در این شغل آمار مستقیم به کار می‌آید. Heidi طراحی مطالعه، آمار استنباطی، سنجه‌های توافق و پایایی و محاسبهٔ حجم نمونه را در سطح پایان‌نامه یا مقاله می‌خواهد. یادگیری ماشین کلاسیک، کالیبراسیون احتمال و تفاوت اعتبارسنجی درونی و بیرونی را هم یاد بگیرید؛ درس ML for Healthcare در MIT ماهیت دادهٔ بالینی و کاربرد ML در طبقه‌بندی ریسک و پیش‌بینی پیشرفت بیماری را پوشش می‌دهد.
مدل‌های زبانی، RAG، ایجنت و ارزیابی خروجی
بیشتر محصولات این آگهی‌ها روی مدل زبانی ساخته شده‌اند: نوشتن یادداشت ویزیت، گفت‌وگو با بیمار، جستجو در اسناد بالینی. کار با API و مدل متن‌باز، RAG، tool calling و مهم‌تر از همه ارزیابی را یاد بگیرید. Ambience در آگهی خود از سوگیری داور، نشت داده و ناهمخوانی نتیجهٔ آفلاین و آنلاین به‌عنوان چالش‌هایی نام می‌برد که مهندس باید بشناسد.
دادهٔ سلامت و اتصال به EHR: FHIR، HL7 و دادهٔ بالینی
محصول بالینی باید داده را از سیستم بیمارستان بگیرد و گاهی به آن برگرداند. تیم AI Integrations در Commure با بیش از ۴۰ سیستم EMR کار می‌کند و رعایت HIPAA، HL7 و FHIR را جزو وظایف می‌داند. FHIR استاندارد تبادل الکترونیک اطلاعات سلامت است و هر محتوای قابل‌تبادل در آن یک Resource است. برای تمرین، بیمار مصنوعی با Synthea بسازید و با دادهٔ نمونهٔ MIMIC-IV کار کنید؛ نسخهٔ کامل یادداشت‌های MIMIC فقط با تأیید هویت، امضای توافق‌نامهٔ استفاده و گذراندن دورهٔ آموزشی در دسترس است.
ارزیابی بالینی، ایمنی و مقررات
این مرحله این شغل را از مهندسی AI عمومی جدا می‌کند. یاد بگیرید چه نرم‌افزاری تجهیزات پزشکی محسوب می‌شود (SaMD)، اصول Good Machine Learning Practice چیست و پایش پس از عرضه یعنی چه. Heidi پایش پس از عرضه زیر چارچوب‌هایی مثل TGA، MHRA، FDA یا EU MDR را امتیاز می‌داند و Doctolib آشنایی با GDPR، MDR و قانون AI اتحادیهٔ اروپا را. راهنماهای گزارش‌دهی مثل DECIDE-AI و CONSORT-AI نشان می‌دهند ارزیابی بالینی یک ابزار AI چطور باید طراحی و گزارش شود.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و مدل
IDM آن را «به‌شدت ترجیحی» و Ambience «ترجیحی» می‌داند؛ Doctolib تسلط به PyTorch و Transformers را برای آموزش مدل می‌خواهد
کار با مدل‌های متن‌باز؛ آگهی IDM تجربه با اکوسیستم HuggingFace (Transformers، Datasets، Tokenizers) را شرط گذاشته است
دادهٔ سلامت و یکپارچه‌سازی
استاندارد تبادل الکترونیک اطلاعات سلامت؛ ARGO، پلتفرم مستندسازی بالینی IDM، روی FHIR ساخته شده و Commure آن را در کنار HL7 و HIPAA آورده است
مجموعه‌ای از استانداردها، از جمله SMART App Launch برای اپ‌هایی که به EHR و پورتال‌های سلامت وصل می‌شوند و CDS Hooks برای پشتیبانی تصمیم داخل EHR
پیاده‌سازی متن‌باز FHIR به زبان Java؛ برای راه‌اندازی یک سرور FHIR آزمایشی روی کامپیوتر خودتان
تولید پروندهٔ بیمار مصنوعی و واقع‌نما، بدون هزینه و محدودیت حریم خصوصی؛ برای تمرین و نمونهٔ اولیه
ارزیابی، پایش و MLOps
چارچوب متن‌باز ارزیابی مدل‌های زبانی از UK AI Security Institute؛ برای ساخت مجموعهٔ آزمون و داور LLM
ابر و استقرار
سرویس AWS برای ذخیره و کار با دادهٔ سلامت در قالب FHIR؛ Hippocratic AI تجربه با AWS، GCP یا Azure را می‌خواهد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس AI/ML (ورود به حوزه)
۰ تا ۲ سال
انجام بخش‌های مشخص زیر نظر مهندس ارشد: نوشتن نمونه‌های ارزیابی، رفع خطای یکپارچه‌سازی با EHR، تست و مستندسازی. در آگهی‌های این صفحه نقش کاملاً جونیور کم بود؛ ورود معمولاً از مهندسی نرم‌افزار یا داده در یک شرکت سلامت می‌گذرد
مهندس AI/ML بالینی
۲ تا ۵ سال
~$160K
میانگین سالانه (آمریکا)
مسئولیت یک قابلیت از طراحی تا پروداکشن: مدل یا ایجنت، ارزیابی آن و اتصال به سیستم‌های بیمارستان. Commure برای این سطح دست‌کم ۲ سال و IDM دست‌کم ۳ سال تجربه می‌خواهد
مهندس ارشد AI بالینی
۵+ سال
~$230K
میانگین سالانه (آمریکا)
مالکیت سیستم‌های پیچیده و طراحی ارزیابی، تشخیص حالت‌های خطا در پروداکشن و همکاری نزدیک با پزشکان؛ Ambience، Hippocratic AI و Savant Bio برای این سطح دست‌کم ۵ سال تجربه می‌خواهند
Staff / Principal
پس از سطح ارشد
تعیین جهت فنی AI در چند تیم، استانداردهای انتشار ایمن و همکاری با تیم‌های پزشکی، حقوقی و انطباق. Doctolib برای این سطح ۱۰ سال تجربه در ML/AI و دکترا یا تجربهٔ پژوهشی معادل می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
خروجی‌ای که خوب خوانده می‌شود اما غلط است
عمومیHeidi از مهندس می‌خواهد «خروجی‌ای را که خوب خوانده می‌شود و غلط است» پیدا کند. خطای مدل زبانی در متن روان پنهان می‌شود و فقط کسی که دانش بالینی دارد آن را می‌بیند؛ به همین دلیل ارزیابی بدون پزشک قابل‌اعتماد نیست.
عملکرد در محیط واقعی با آزمون فرق دارد
عمومیبه نوشتهٔ STAT، Karandeep Singh به آشکار کردن مشکلات عملکرد یک الگوریتم پرکاربرد تشخیص سپسیس شناخته می‌شود. مدلی که روی یک مجموعه‌داده خوب بوده، ممکن است در بیمارستان دیگر یا پس از تغییر روند کار ضعیف شود؛ پس پایش پس از عرضه بخشی از کار است، نه کاری اضافه.
سوگیری الگوریتم
عمومیطبق ویکی‌پدیا، Ziad Obermeyer و Sendhil Mullainathan در ۲۰۱۹ نشان دادند یک الگوریتم تجاری که در بیمارستان‌ها و بیمه‌ها برای شناسایی بیماران پرنیاز به کار می‌رفت، نیاز بیماران سیاه‌پوست را کمتر از بیماران سفیدپوستِ مشابه برآورد می‌کرد. Accurx هم از مهندس ارشد خود می‌خواهد کیفیت را فراتر از متریک‌های معمول و با در نظر گرفتن سوگیری بسنجد.
مقررات و سرعت انتشار
عمومیدر محصولی که تجهیزات پزشکی محسوب می‌شود، هر تغییر از فرایند تأیید عبور می‌کند؛ Limbic تغییراتش را با انتشار تدریجی، تست خودکار و تأیید بالینی منتشر می‌کند. در اروپا، طبق متن قانون AI، قواعد سیستم‌های پرخطر برای AI در تجهیزات پزشکی از ۲ اوت ۲۰۲۸ اجرا می‌شود و الزامات تازه‌ای می‌آورد.
دسترسی به داده و حریم خصوصی
تحقیقاتیدادهٔ بالینی واقعی به‌سختی در دسترس است. حتی مجموعهٔ پژوهشی MIMIC-IV-Note، که یادداشت‌هایش طبق قاعدهٔ Safe Harbor در HIPAA بی‌نام شده‌اند، فقط به کاربران تأییدشده‌ای داده می‌شود که توافق‌نامهٔ استفاده را امضا کنند و دورهٔ آموزشی بگذرانند. IDM کار با دادهٔ واقعی مستندات بالینی را «چیزی نادر در حوزهٔ ML» می‌نامد.
تنوع سیستم‌های EHR
شرکت بزرگهر بیمارستان سیستم و پیکربندی خودش را دارد. Commure با بیش از ۴۰ سیستم EMR کار می‌کند و از LLM برای خودکار کردن مهندسی معکوس آن‌ها کمک می‌گیرد؛ Limbic هم می‌نویسد هر سازمان محصول را برای خدمات خودش پیکربندی می‌کند و AI باید در همهٔ این پیکربندی‌ها ایمن و دقیق باشد.
فاصلهٔ زبان مهندس و پزشک
استارتاپHeidi این شکاف را صریح نوشته است: مهندسان تیم می‌توانند محصول را تغییر دهند اما نمی‌توانند تشخیص دهند خلاصهٔ ترخیص چیزی را جا انداخته که یک متخصص می‌دید، و پزشکان می‌توانند این را تشخیص دهند اما pull request باز نمی‌کنند. کسی که هر دو را بلد است کمیاب است و باید مدام بین این دو زبان ترجمه کند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس هوش مصنوعی بالینی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Commure posting, Software Engineer, AI Integrations (Mountain View, 2+ years), published Oct 6, 2026: base range, plus equity; median = midpoint
- Ambience Healthcare posting, Senior Machine Learning Engineer (San Francisco, 5+ years), published Aug 11, 2026: base range; median = midpoint
- Limbic posting, Senior AI/ML Engineer (remote Canada; BSc/MSc + 4 years or PhD + 2 years), published Oct 20, 2026: salary range; median = midpoint
- Accurx posting, Staff ML/AI Engineer (London, staff level; no years stated), published May 5, 2026: salary range, plus share options; median = midpoint
- IDM posting, AI/ML Engineer, Clinical AI (Hamburg, 3+ years), listed Aug 5, 2026: compensation range depending on experience; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: FHIR و دادهٔ سلامت
مفاهیم FHIR و Resourceها را یاد بگیرید، با Synthea بیمار مصنوعی بسازید و یک سرور FHIR آزمایشی راه بیندازید.
ماه ۲: دادهٔ بالینی واقعی
با دادهٔ نمونهٔ MIMIC-IV کار کنید و فرایند دسترسی credentialed به PhysioNet را شروع کنید.
ماه ۳: NLP بالینی و مدل‌های زبانی
یک خلاصه‌ساز یا استخراج‌گر روی متن بالینی بسازید و منبع هر خروجی را نشان دهید.
ماه ۴: ارزیابی بالینی
برای پروژهٔ ماه ۳ معیار ارزیابی و داور LLM بسازید و توافق آن را با برچسب انسانی بسنجید.
ماه ۵: مقررات و ایمنی
تعریف SaMD، اصول GMLP و راهنمای MHRA را بخوانید و برای پروژه‌تان بیانیهٔ کاربرد موردنظر و فهرست ریسک بنویسید.
ماه ۶: پورتفولیو و درخواست
دو پروژه را با گزارش ارزیابی مرتب کنید و برای نقش‌های AI Engineer و ML Engineer در شرکت‌های سلامت اقدام کنید؛ در این آگهی‌ها سابقهٔ سلامت معمولاً امتیاز است، نه شرط.
پروژه‌های پیشنهادی برای رزومه
اپ SMART on FHIR روی بیماران مصنوعی
مبتدیبا Synthea چند صد بیمار مصنوعی بسازید، آن‌ها را در یک سرور HAPI FHIR بارگذاری کنید و اپ کوچکی بنویسید که Resourceهای Patient، Condition و MedicationRequest را بخواند و خلاصهٔ پروندهٔ هر بیمار را نشان دهد. در README توضیح دهید هر فیلد از کدام Resource آمده است.
مدل پیش‌بینی ریسک با کالیبراسیون و اعتبارسنجی زمانی
متوسطروی دادهٔ نمونهٔ MIMIC-IV یک مدل ساده برای پیش‌بینی یک پیامد بالینی بسازید. مدل را روی بیماران قدیمی‌تر آموزش و روی بیماران جدیدتر بسنجید، منحنی کالیبراسیون بکشید و عملکرد را در زیرگروه‌ها جداگانه گزارش کنید.
داور LLM و سنجش توافق آن با برچسب انسانی
متوسطبرای خروجی‌های یک مدل زبانی (مثلاً خلاصهٔ یادداشت پزشکی مصنوعی) معیار ارزیابی بنویسید، حدود ۱۰۰ نمونه را خودتان یا با کمک یک پزشک برچسب بزنید و یک داور LLM بسازید. توافق داور با برچسب انسانی را با Cohen's kappa گزارش کنید؛ همان کاری که Heidi و Limbic از مهندس خود می‌خواهند.
خلاصه‌ساز یادداشت ترخیص با گزارش ارزیابی
پیشرفتهاگر دسترسی credentialed به MIMIC-IV-Note گرفتید، روی یادداشت‌های ترخیص و گرنه روی یادداشت‌های مصنوعی، خلاصه‌سازی بسازید که منبع هر جمله را نشان دهد. خطاهای بالینی (حذف دارو، تشخیص اشتباه) را دسته‌بندی کنید و یک گزارش ارزیابی کوتاه، با روش و محدودیت‌ها، بنویسید.
چت‌بات اطلاع‌رسانی به بیمار با غربال ایمنی و پروندهٔ ریسک
پیشرفتهیک چت‌بات ساده بسازید که پیش از هر پاسخ، پیام بیمار را از نظر ابراز خطر، درخواست توصیهٔ پزشکی ناایمن و تلاش برای دست‌کاری مدل غربال کند و در صورت لزوم به انسان ارجاع دهد. یک بیانیهٔ «کاربرد موردنظر» (intended use) و فهرست ریسک‌ها بنویسید و داشبورد پایش خروجی‌ها را راه بیندازید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
پزشک است و مدرک MD و کارشناسی ارشد سیاست‌گذاری عمومی (MPP) را از دانشگاه Duke و کارشناسی ریاضی را از UCLA گرفته است. پروفایلش در HealthIT.gov او را سرپرست بخش سلامت جمعیت و علم داده در مؤسسهٔ نوآوری سلامت Duke (DIHI) معرفی می‌کند که تیم‌هایی از دانشمندان داده، پزشکان و متخصصان یادگیری ماشین را برای ساخت فناوری‌هایی هدایت می‌کند که مسئله‌های واقعی بالینی را حل کنند. در عنوان همان صفحه، سمت او مدیرعامل و هم‌بنیان‌گذار Vega Health آمده است.
با تیمش ابزارهایی برای مدیریت بیماری‌های مزمن و برای تشخیص و مدیریت بدتر شدن حال بیماران بستری ساخته و به گفتهٔ همین پروفایل، ده‌ها فناوری مبتنی بر داده را وارد عملیات بالینی کرده است. هم‌سرپرست Health AI Partnership است و در ۲۰۲۰ برای ساخت و ادغام مسئولانهٔ AI در طبابت در فهرست STAT Wunderkind قرار گرفت. از ۲۰۲۴ عضو کمیتهٔ مشورتی فناوری اطلاعات سلامت دولت آمریکا (HITAC) است.
مسیر او نشان می‌دهد که در این حوزه، رساندن مدل به جریان واقعی مراقبت به اندازهٔ ساختن آن اهمیت دارد، و پزشکی که داده و نرم‌افزار را می‌فهمد می‌تواند همین پل را بسازد.
پزشک متخصص داخلی و فوق‌تخصص نفرولوژی است. پزشکی را در دانشگاه Michigan خواند، دستیاری داخلی را در UCLA گذراند و در آنجا chief resident بود، فلوشیپ نفرولوژی را در Brigham and Women's و Massachusetts General گذراند و کارشناسی ارشد انفورماتیک زیست‌پزشکی را از Harvard گرفت.
طبق پروفایل رسمی UC San Diego، اکنون دانشیار انفورماتیک زیست‌پزشکی و Chief Health AI Officer در UC San Diego Health است؛ ابتکارهای AI را رهبری می‌کند و بر راهبرد و حاکمیت AI در این نظام سلامت نظارت دارد. همان صفحه او را پژوهشگر اصلی محلی یک طرح NIH دربارهٔ پشتیبانی تصمیم بالینی مبتنی بر AI برای سپسیس معرفی می‌کند.
به نظر می‌رسد ترکیب طبابت و انفورماتیک او را به جایی رسانده که دربارهٔ اینکه کدام ابزار AI در بیمارستان به کار برود تصمیم می‌گیرد؛ سنجیدن ابزارها، نه فقط ساختن آن‌ها، خودش یک مسیر شغلی است.
پزشک و پژوهشگر لبنانی-آمریکایی که در بیروت به دنیا آمد. طبق ویکی‌پدیا، پیش از پزشکی در McKinsey مشاور بود، در ۲۰۰۸ از دانشکدهٔ پزشکی Harvard فارغ‌التحصیل شد، دورهٔ طب اورژانس را در Mass General Brigham گذراند و در بیمارستانی در سرزمین قبیلهٔ ناواهو طبابت کرد. امروز دانشیار (Distinguished Associate Professor) دانشکدهٔ بهداشت عمومی UC Berkeley است.
در ۲۰۱۹ همراه Sendhil Mullainathan نشان داد یک الگوریتم تجاری که برای شناسایی بیماران پرنیاز به کار می‌رفت نیاز بیماران سیاه‌پوست را کمتر از واقع برآورد می‌کرد و بازطراحی آن سوگیری را کم می‌کند. در ۲۰۲۱ هم‌بنیان‌گذار Nightingale Open Science و Dandelion Health شد و Dandelion از ژوئن ۲۰۲۳ برنامه‌ای برای ممیزی الگوریتم‌ها از نظر سوگیری راه انداخت.
کار او یادآوری می‌کند که ارزیابی مدل بالینی فقط دقت کلی نیست؛ باید پرسید مدل دقیقاً چه چیزی را پیش‌بینی می‌کند و برای چه کسانی خطا دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Clinical AI Engineer
تحلیل نیازمندی‌ها
A medical degree and clinical practice with independent clinical judgment. This role runs on medical nuance, and this requirement doesn’t flex.
این نسخه از شغل برای پزشکی است که مستقل طبابت کرده است. اگر پزشک نیستید، همین کار را با عنوان‌های مهندسی (AI Engineer یا ML Engineer در شرکت‌های سلامت) دنبال کنید؛ اگر پزشک هستید، این همان نقطه‌ای است که سابقهٔ بالینی‌تان مستقیم به کار می‌آید.
ضروریAcademic depth. Study design, inferential statistics, agreement and reliability measures, sample size, handling of multiple comparisons. Thesis or publication-level work, not a methods module.
آمار پژوهشی در سطح نوشتن مقاله خواسته شده، نه یک درس روش تحقیق. سنجه‌های توافق (مثل kappa) و محاسبهٔ حجم نمونه ابزار روزمرهٔ این نقش‌اند، چون باید نشان دهید یک ارزیابی واقعاً چیزی را ثابت می‌کند.
ضروریExperience evaluating medical software or clinical AI, including building or validating LLM-as-judge pipelines.
باید قبلاً یک نرم‌افزار پزشکی یا ابزار AI بالینی را سنجیده باشید و بدانید داور LLM چطور ساخته و با برچسب انسانی اعتبارسنجی می‌شود. پروژهٔ «داور LLM و سنجش توافق» در همین صفحه تمرین مستقیم آن است.
ضروریEnough engineering to work in a production codebase. Read it, understand what a change will do, make the change in Python or TypeScript, and get it through review. Prompt engineering and AI-assisted coding are daily tools here, and they’re the floor, not the ceiling.
لازم نیست مهندس ارشد نرم‌افزار باشید، اما باید کد را بخوانید، اثر تغییر را بفهمید و آن را از code review رد کنید. کدنویسی با کمک AI و پرامپت‌نویسی «کف» انتظار است؛ یعنی بدون آن‌ها وارد این نقش نمی‌شوید.
ضروریClear writing. Evaluation reports, surveillance summaries and manuscripts are the primary output of this role.
خروجی اصلی شما متن است: گزارش ارزیابی، خلاصهٔ پایش و مقاله. توانایی نوشتن دقیق و روشن به انگلیسی به اندازهٔ کد اهمیت دارد.
مهمPost-market surveillance or vigilance work under a medical device framework (TGA, MHRA, FDA or EU MDR). Appetite to learn counts for more than existing depth.
پایش پس از عرضه یعنی بعد از انتشار محصول، خطاها و رخدادها را جمع، بررسی و گزارش کنید. آگهی صریحاً می‌گوید علاقه به یادگیری از سابقهٔ عمیق مهم‌تر است؛ پس نداشتن این تجربه مانع نیست.
مفیدMachine learning background beyond prompting, such as fine-tuning or classical model evaluation.
دانش ML فراتر از پرامپت امتیاز است: fine-tuning یا ارزیابی کلاسیک مدل. اینجا مسیر مهندسی و مسیر بالینی به هم می‌رسند.
مفیدتحلیل مسئولیت‌ها
Design the evaluation. Define evaluations for greenfield products to an academic standard: endpoints, comparators, ground truth, sample size, analysis plan. Set the bar before the result arrives.
پیش از اینکه محصول ساخته شود، تعیین می‌کنید موفقیت با چه معیاری، در مقایسه با چه چیزی و روی چند نمونه سنجیده می‌شود. «معیار را پیش از رسیدن نتیجه بگذارید» یعنی نمی‌شود بعد از دیدن نتیجه معیار را عوض کرد.
Build the measurement. Build, optimize and validate the LLM judges and rubrics that score the product at scale. Report their agreement with clinician ground truth, not their convenience, and retire the ones that drift.
داورهای LLM ابزار سنجش در مقیاس‌اند، اما خودشان باید سنجیده شوند: توافقشان با برچسب پزشک گزارش می‌شود و داوری که به‌مرور از مسیر خارج شود کنار گذاشته می‌شود.
Run it and write it up. Execute the evaluation, do the statistics, and write it up once in a form that serves the pod, the regulatory file and an academic submission.
یک ارزیابی، سه مخاطب دارد: تیم محصول، پروندهٔ تنظیم‌گری و مجلهٔ علمی. باید طوری بنویسید که یک گزارش برای هر سه کافی باشد.
Run post-market surveillance. Monitor output quality in production and respond to regulatory feedback with data. Our clinical safety team triages complaints and incidents; you’re their counterpart in the pod, working out what their findings mean for the product and what should change.
پس از انتشار، کیفیت خروجی را پایش می‌کنید و به بازخورد نهاد ناظر با داده پاسخ می‌دهید. تیم ایمنی بالینی شکایت‌ها و رخدادها را دسته‌بندی می‌کند و شما تصمیم می‌گیرید این یافته‌ها برای محصول چه معنایی دارند.
Fix what the evidence finds. Prompt and rubric changes, evaluation harness changes, code changes in the pod’s codebase, shipped through the pod’s normal review and release process.
فقط گزارش نمی‌دهید؛ خودتان پرامپت، معیار ارزیابی یا کد را تغییر می‌دهید و از همان مسیر بازبینی و انتشار تیم عبور می‌دهید.
Publish. Contribute to peer-reviewed literature on the translational benefit of the product.
انتشار مقالهٔ داوری‌شده دربارهٔ فایدهٔ بالینی محصول بخشی از کار است؛ برای کسی که سابقهٔ پژوهش پزشکی دارد، این یک مزیت مستقیم است.
Be the clinician in the room. Catch the output that reads well and is wrong. Hold the line on clinical nuance when a shortcut would ship faster.
نقش شما در تیم، صدای پزشک است: پیدا کردن خروجی روان اما غلط، و ایستادن پای ظرافت بالینی وقتی میان‌بُر محصول را زودتر منتشر می‌کند.
نتیجه‌گیری کلی
این آگهی روشن‌ترین تعریف عنوان Clinical AI Engineer در بازار ۲۰۲۶ است: پزشکی که به AI آمده و کد می‌زند، و کارش ساختن «شواهد» محصول است، از طراحی ارزیابی تا پایش پس از عرضه و انتشار مقاله. Heidi به گفتهٔ خودش با یک دستیار نوشتن یادداشت پزشکی با مدل freemium جای خود را در بازار پیدا کرد و این نقش را در تیم Clinical AI R&D و داخل یک تیم محصول تعریف کرده است. بازهٔ حقوق در آگهی اعلام نشده است. اگر پزشک نیستید، همین مهارت‌های ارزیابی، ایمنی و همکاری با پزشکان را در نقش‌های مهندسی شرکت‌های سلامت به کار ببرید.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در پروفایل صنعت «Medical and Healthcare services» در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ این صنعت برای «متخصصان AI و یادگیری ماشین» رشد خالص ۳۸٪ از ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند؛ رشد خالص همین نقش در همهٔ صنایع ۸۲٪ است. گزارش عنوان جداگانه‌ای برای مهندس AI بالینی ندارد.
منبع: WEF Future of Jobs Report 2025 — Medical and Healthcare services industry profile
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق متن قانون AI اتحادیهٔ اروپا در artificialintelligenceact.eu، قواعد سیستم‌های AI پرخطر برای محصولاتی که در پیوست I آمده‌اند، از جمله تجهیزات پزشکی (MDR) و تجهیزات تشخیص آزمایشگاهی (IVDR)، از ۲ اوت ۲۰۲۸ اجرا می‌شود.
کارفرمایان صنعت مراقبت سلامت در نظرسنجی Future of Jobs 2025 مجمع جهانی اقتصاد، برای متخصصان AI و یادگیری ماشین رشد خالص ۳۸٪ تا ۲۰۳۰ پیش‌بینی کرده‌اند؛ در همان پروفایل، تحلیلگران و دانشمندان داده با ۵۰٪ در صدر فهرست نقش‌های کلیدی این صنعت‌اند.
Heidi می‌نویسد پرامپت‌نویسی و کدنویسی با کمک AI در این نقش «کف کار است، نه سقف آن»؛ یعنی ارزش فرد در قضاوت بالینی و دقت ارزیابی است و مهارت ساختن نمونهٔ اولیه به‌تنهایی کافی نیست. فشار مقرراتی هم بیشتر می‌شود: طبق متن قانون AI اتحادیهٔ اروپا، سیستم‌های AI که خودشان تجهیزات پزشکی‌اند یا جزء ایمنی آن‌ها هستند و ارزیابی انطباق شخص ثالث لازم دارند، پرخطر محسوب می‌شوند، و FDA اعلام کرده دنبال راهی برای مشخص کردن دستگاه‌هایی است که از مدل‌های زبانی بزرگ استفاده می‌کنند. برای مهندس، این یعنی ارزیابی، مستندسازی و پایش بخش جدایی‌ناپذیر کار است. خودِ عنوان هم هنوز جا نیفتاده است و بیشتر آگهی‌ها با عنوان‌های عمومی AI Engineer یا ML Engineer منتشر می‌شوند؛ در جستجوی کار هر دو را امتحان کنید.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۳ منبع بررسی شده است.
- Clinical AI Engineer — Heidi Health (job posting)
- Senior Clinical AI Engineer — Insight Timer (job posting)
- AI/ML Engineer, Clinical AI — IDM Innovative Digitale Medizin (job posting)
- Senior Machine Learning Engineer — Ambience Healthcare (job posting)
- Clinical AI Researcher — Ambience Healthcare (job posting)
- AI Engineer (Senior, Staff, Senior Staff, Principal) — Hippocratic AI (job posting)
- Senior AI/ML Engineer (Canada) — Limbic (job posting)
- AI/ML Engineer (UK) — Limbic (job posting)
- Senior Staff Machine Learning Engineer - Clinical - AI Teams — Doctolib (job posting)
- Software Engineer, AI Integrations — Commure (job posting)
- Staff Machine Learning Engineer — Accurx (job posting)
- AI Engineer — Applied AI — Savant Bio (job posting)
- Principal AI Engineer — Natera (job posting)
- World Economic Forum — The Future of Jobs Report 2025 (PDF), Industry Profile: Medical and Healthcare services
- FDA — Artificial Intelligence-Enabled Medical Devices
- FDA — List of Artificial Intelligence-Enabled Medical Devices
- FDA — Software as a Medical Device (SaMD)
- FDA — Clinical Decision Support Software (guidance, January 2026)
- FDA — Good Machine Learning Practice for Medical Device Development: Guiding Principles
- MHRA — Software and artificial intelligence (AI) as a medical device
- EU AI Act — Article 6: Classification Rules for High-Risk AI Systems
- EU AI Act — Annex I: List of Union Harmonisation Legislation
- HL7 FHIR — Overview
- SMART on FHIR — documentation
- Synthea — synthetic patient generator
- PhysioNet — MIMIC-IV-Note
- PhysioNet — MIMIC-IV Clinical Database Demo
- DECIDE-AI reporting guideline (Nature Medicine, 2022)
- CONSORT-AI reporting guideline (Nature Medicine, 2020)
- Mark Sendak — ONC HITAC member profile (HealthIT.gov)
- Karandeep Singh — UCSD Profiles
- Karandeep Singh — STAT STATUS List 2025
- Ziad Obermeyer — Wikipedia