🩺

رشد خالص ۵۰٪ تحلیلگران و دانشمندان داده در صنعت سلامت تا ۲۰۳۰ (جهان)· منبع: WEF

دانشمند داده‌های سلامت

Health Data Scientist

دانشمند داده‌های سلامت (Health Data Scientist) با داده‌های پزشکی، مثل پروندهٔ الکترونیک سلامت (EHR)، دادهٔ مطالبات بیمه (claims)، داده‌های کارآزمایی بالینی و تصویربرداری، مدل آماری و یادگیری ماشین می‌سازد تا به سؤال‌هایی دربارهٔ پیشرفت بیماری، اثر درمان، ریسک بیماران و هزینهٔ مراقبت پاسخ دهد. در ۲۰۲۶ این عنوان دقیق بیشتر در دانشگاه‌ها و نهادهای پژوهشی بریتانیا آگهی می‌شود؛ شرکت‌های دارویی، بیمه‌های سلامت و شرکت‌های سلامت دیجیتال همین کار را با عنوان‌هایی مثل Data Scientist، Data Scientist, EHR AI، Clinical Data Scientist یا Data Science RWE می‌خوانند. فرق اصلی با دانشمند دادهٔ عمومی، شناخت ساختار و کدگذاری دادهٔ بالینی، روش‌های علّی روی دادهٔ مشاهده‌ای و کار در چارچوب حریم خصوصی و مقررات است.

Python / RSQLEHR و Claims DataOMOP و کدگذاری بالینیCausal Inference و Survival Analysisارتباط با تیم‌های بالینی

مقدمه و تعریف شغل

دانشمند داده‌های سلامت (Health Data Scientist) از داده‌هایی که در جریان مراقبت سلامت تولید می‌شود، مثل پروندهٔ الکترونیک سلامت (EHR)، دادهٔ مطالبات بیمه (claims)، ثبت‌های بیماری، کارآزمایی‌های بالینی و تصویربرداری، مدل و شواهد می‌سازد. FDA این داده‌های روزمره را «دادهٔ دنیای واقعی» (RWD) و شواهد بالینیِ حاصل از تحلیل آن‌ها را «شواهد دنیای واقعی» (RWE) می‌نامد. در آگهی‌های ۲۰۲۶ این کار سه چهرهٔ رایج دارد: در شرکت‌های دارویی، مطالعات RWE و مدل‌هایی که نشان می‌دهند بیماری چطور پیش می‌رود و بیمار به درمان چه پاسخی می‌دهد (Formation Bio، J&J)؛ در بیمه‌ها و شرکت‌های سلامت دیجیتال، مدل و آزمایش برای ریسک، هزینه و کیفیت مراقبت (Oscar Health، Headway)؛ و در دانشگاه‌ها و نهادهای پژوهشی، آماده‌سازی و تحلیل داده‌های پیوندخوردهٔ سلامت در محیط‌های امن (University of Dundee، HDR UK).

عنوان «Health Data Scientist» در بازار ۲۰۲۶ بیشتر در بریتانیا دیده می‌شود: دانشگاه Dundee در اکتبر ۲۰۲۶ دو پست با همین عنوان برای مدل‌سازی پیامدهای سلامت در بیماران دیابتی آگهی کرد و HDR UK برای مرکز علم دادهٔ BHF یک «Early Career Health Data Scientist» می‌خواهد. در آمریکا همین کار معمولاً «Data Scientist» در یک شرکت سلامت نام دارد، یا عنوانی که حوزه را نشان می‌دهد، مثل «Data Scientist, EHR AI» در Formation Bio، «Data Science RWE» در Johnson & Johnson و «Clinical Data Scientist» در Unlearn. چند تحول این بازار را شکل داده است. به نوشتهٔ FDA، پس از قانون 21st Century Cures در ۲۰۱۶، این سازمان در ۲۰۱۸ چارچوبی برای ارزیابی استفاده از RWE در تأیید کاربرد تازهٔ داروهای تأییدشده ساخت. برای پژوهش، دادهٔ باز هم وجود دارد: MIMIC-IV داده‌های بی‌نام‌شدهٔ بیش از ۶۵ هزار بیمار بستری در ICU و بیش از ۲۰۰ هزار بیمار اورژانس مرکز پزشکی Beth Israel Deaconess در بوستون را در اختیار پژوهشگران تأییدشده می‌گذارد. در بریتانیا، دولت و Wellcome در آوریل ۲۰۲۵ تأسیس Health Data Research Service را با بودجه‌ای تا ۶۰۰ میلیون پوند اعلام کردند. در نظرسنجی Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد، ۹۴٪ سازمان‌های صنعت پزشکی و خدمات سلامت گفته‌اند برنامهٔ هوش مصنوعی دارند؛ میانگین همهٔ صنایع ۸۸٪ است.

چه چیزی می‌سازید؟

مثال‌های واقعی از خروجی کار یک دانشمند داده‌های سلامت

📈

مدل پیش‌بینی روی دادهٔ طولی بیماران

در تیم EHR AI شرکت Formation Bio، دانشمند داده روی EHR و claims مدل‌هایی برای پیشرفت بیماری، پیامدهای زمان‌دار و پاسخ هر بیمار به درمان می‌سازد؛ نتیجه به تصمیم دربارهٔ اینکه کدام دارو خریداری شود، روی کدام بیماری کار شود و کارآزمایی چطور طراحی شود کمک می‌کند.

🧬

فنوتیپ و کوهورت قابل محاسبه

تعریف دقیق «بیمار مبتلا به یک بیماری» با کدهای تشخیص، دارو و آزمایش. Formation Bio این کار را با OMOP CDM و ویژگی‌های استخراج‌شده از یادداشت‌های بالینی انجام می‌دهد و HDR UK از دانشمند داده می‌خواهد تعریف‌های فنوتیپ را روی داده‌های ملی پیوندخورده به کار ببرد.

📊

مطالعهٔ شواهد دنیای واقعی (RWE)

در Johnson & Johnson، دانشمند دادهٔ RWE پروتکل مطالعه و Statistical Analysis Plan می‌نویسد، دادهٔ آمادهٔ تحلیل و جدول‌ها و نمودارها را تولید می‌کند و در مطالعاتی مثل external control arm و اثربخشی مقایسه‌ای، روش‌هایی برای کاهش سوگیری به کار می‌برد.

🗂️

مجموعه‌دادهٔ بالینی آمادهٔ تحلیل

در Unlearn، دانشمند دادهٔ بالینی دادهٔ کارآزمایی، مشاهده‌ای و EHR را به مجموعه‌داده‌های ساختارمند برای مدل‌سازی تبدیل می‌کند؛ در HDR UK همین کار در محیط‌های امن داده (SDE و TRE) با بررسی تکرار، خطای پیوند و ناسازگاری زمانی انجام می‌شود.

💊

مدل و تحلیل برای بیمه و داروخانه

در Oscar Health، دانشمند دادهٔ ارشد بخش داروخانه روی بهینه‌سازی فهرست داروهای تحت پوشش (formulary)، تحلیل روند مصرف و خودکارسازی مجوز پیش از تجویز (prior authorization) کار می‌کند و اثر تغییر سیاست‌های بالینی و طراحی بیمه را می‌سنجد.

🧪

آزمایش و تحلیل علّی در محصول سلامت

در Headway، دانشمند داده A/B test و شبه‌آزمایش طراحی می‌کند، وقتی تصادفی‌سازی ممکن نیست از difference-in-differences و matching استفاده می‌کند و بینش تأییدشده را با مدل پیش‌بینی و برنامهٔ پایش وارد محصول می‌کند.

🩻

مدل تصویربرداری پزشکی

آگهی Medical Imaging در Formation Bio مدل‌های deep learning برای MRI و X-ray در کارآزمایی‌های بالینی، شامل بخش‌بندی تصویر و نشانگرهای زیستی مبتنی بر AI، می‌خواهد و همکاری با تیم تنظیم‌گری برای رسیدن به استانداردهای FDA را جزو کار می‌داند.

تخصص‌های مختلف دانشمند داده‌های سلامت

این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد

📊

شواهد دنیای واقعی

Real-World Evidence (RWE)

طراحی و تحلیل مطالعات مشاهده‌ای روی EHR، claims و registry برای سؤال‌های توسعهٔ دارو و نهادهای تنظیم‌گر؛ external control arm و اثربخشی مقایسه‌ای از نمونه‌های آن است (Johnson & Johnson). در این نقش‌ها معمولاً دکترای اپیدمیولوژی یا آمار زیستی خواسته می‌شود.

🏥

هوش مصنوعی روی EHR و پیش‌بینی بالینی

EHR AI & Clinical Prediction

مدل‌سازی روی دادهٔ طولی EHR، از مدل‌های جدولی تا foundation modelهای EHR و استفاده از LLM برای یادداشت‌های بالینی (Formation Bio). طبق ویکی‌پدیا، تیم Nigam Shah در استنفورد foundation modelهایی منتشر کرده که روی EHR طولی بی‌نام‌شده آموزش دیده‌اند.

📋

تحلیل داده در بیمهٔ سلامت و داروخانه

Payer & Pharmacy Analytics

تحلیل claims و دادهٔ اعضا در بیمه‌های سلامت برای ریسک، هماهنگی مراقبت، شبکهٔ ارائه‌دهندگان و داروخانه (Oscar Health)، یا پشتیبانی از پزشکان مراقبت اولیه در تشخیص زودهنگام و مدیریت بیماری‌های مزمن (Clover Health).

🩻

هوش مصنوعی تصویربرداری پزشکی

Medical Imaging AI

deep learning روی MRI، X-ray، CT و PET، بخش‌بندی تصویر و نشانگرهای زیستی تصویری؛ آگهی Formation Bio کار با DICOM و معماری‌هایی مثل U-Net و Vision Transformer را می‌خواهد. در دانشگاه Dundee همین کار با پیوند تصویر شبکیه و پروندهٔ الکترونیک بیمار انجام می‌شود.

🧪

کارآزمایی بالینی و آمار زیستی

Clinical Trials & Biostatistics

داده و روش برای طراحی و تحلیل کارآزمایی‌ها و مطالعات اعتبارسنجی: Unlearn با «دوقلوی دیجیتال» کارآزمایی‌ها را هوشمندتر می‌کند و آماردانان زیستی در Natera و Freenome مطالعات اعتبارسنجی بالینی تست‌های تشخیصی را برای ارائه به FDA طراحی و تحلیل می‌کنند.

تفاوت با شغل‌های مشابه

کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟

دانشمند دادهData Scientist

دانشمند دادهٔ عمومی در هر صنعتی با SQL، آمار، آزمایش و مدل به سؤال‌های کسب‌وکار پاسخ می‌دهد؛ دانشمند داده‌های سلامت همین ابزارها را روی دادهٔ بالینی به کار می‌برد. فاصلهٔ این دو در کارفرماهای مختلف فرق می‌کند: آگهی Data Scientist II در Oscar Health همان مهارت‌های عمومی (SQL، Python یا R و مدل‌سازی آماری) را می‌خواهد و تجربه در سلامت را فقط امتیاز می‌داند، اما Formation Bio شناخت ساختار EHR و claims، کدگذاری‌هایی مثل ICD-10 و SNOMED CT و OMOP CDM را الزامی می‌داند. پس یک مسیر ممکن این است که اول دانشمند داده شوید و بعد دانش دادهٔ بالینی را اضافه کنید.

آماردان زیستیBiostatistician

طبق BLS، آماردانانی که biostatistician نامیده می‌شوند در شرکت‌های دارویی، نهادهای سلامت عمومی یا بیمارستان‌ها کار می‌کنند و مثلاً مطالعه‌ای طراحی می‌کنند تا ببینند یک دارو بیماری را درمان می‌کند یا نه. آگهی‌های آماردان زیستی در Natera و Freenome بر طراحی و تحلیل مطالعات اعتبارسنجی بالینی، Statistical Analysis Plan و مدارک FDA تمرکز دارند و R را می‌خواهند. دانشمند داده‌های سلامت بیشتر با دادهٔ مشاهده‌ای بزرگ، یادگیری ماشین و ساخت ابزار کار می‌کند؛ با این حال J&J برای نقش RWE خود دکترای آمار زیستی یا اپیدمیولوژی می‌خواهد و مرز این دو کم‌رنگ است.

اپیدمیولوژیستEpidemiologist

طبق BLS، اپیدمیولوژیست‌ها کارکنان سلامت عمومی‌اند که الگوها و علل بیماری و آسیب را بررسی می‌کنند، بیشتر در ادارات سلامت ایالتی و محلی، بیمارستان‌ها و دانشگاه‌ها کار می‌کنند و معمولاً دست‌کم کارشناسی ارشد، مثلاً MPH، دارند. روش‌های اپیدمیولوژی ستون مطالعات RWE است و J&J برای همین نقش دکترای اپیدمیولوژی یا آمار زیستی می‌خواهد. تفاوت بیشتر در تمرکز است: اپیدمیولوژیست بیشتر سؤال سلامت جمعیت را دنبال می‌کند و دانشمند داده‌های سلامت بیشتر مدل، کد و محصول داده می‌سازد.

تحلیلگر دادهٔ دنیای واقعیReal-World Data Analyst

تحلیلگر دادهٔ دنیای واقعی با SQL، R و Python به درخواست‌های تحلیلی مشخص پاسخ می‌دهد؛ آگهی Truveta مثلاً نوشتن کوئری regex در Databricks SQL برای استخراج مفاهیم بالینی از یادداشت‌ها را می‌خواهد و روش‌هایی مثل Kaplan-Meier و propensity score را فقط ترجیح می‌دهد. دانشمند داده‌های سلامت معمولاً مسئلهٔ بازتری را صورت‌بندی می‌کند و مدل پیش‌بینی یا علّی می‌سازد. نقش تحلیلگر می‌تواند راه ورود باشد: HDR UK می‌نویسد پست Early Career آن برای یک health data scientist، data analyst یا data engineer با تجربهٔ کار با دادهٔ سلامت مناسب است.

تأثیر در صنایع مختلف

دانشمند داده‌های سلامت در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری

💊

داروسازی و بیوتک

Johnson & Johnson تیم Real-world Evidence & Advanced Analytics دارد و Formation Bio از نتیجهٔ مدل‌های EHR برای انتخاب دارو، بیماری هدف و طراحی کارآزمایی استفاده می‌کند.

📋

بیمه‌های سلامت

به گفتهٔ Oscar Health، بیمه‌ها دادهٔ گسترده‌ای از claims، پروندهٔ بالینی و تعامل اعضا با محصول دارند و اتصال این داده‌ها به هماهنگی مراقبت، مدیریت ریسک و ساخت شبکهٔ بهتر ارائه‌دهندگان کمک می‌کند.

🩺

مراقبت اولیه و مراقبت مبتنی بر ارزش

Clover Health با ابزار Counterpart Assistant به پزشکان مراقبت اولیه در تشخیص زودهنگام و مدیریت بیماری‌های مزمن کمک می‌کند؛ تیم داده‌اش مدل‌هایی برای کمک به درمان و شناسایی اعضای نیازمند مراقبت ویژه می‌سازد.

🧠

سلامت روان دیجیتال

Headway از دانشمند داده می‌خواهد با آزمایش و تحلیل علّی بفهمد چه چیزی پیامد بیماران و تجربهٔ درمانگران را بهتر می‌کند؛ گروه Payer & Outcomes آن روی مراقبت مبتنی بر ارزش کار می‌کند.

🏥

بیمارستان‌ها و عملیات درمان

Qventus برای عملیات بیمارستان مدل یادگیری ماشین و سیستم LLM می‌سازد و از دانشمند داده می‌خواهد اثر خالص AI را در محیط درمان بسنجد. طبق ویکی‌پدیا، Nigam Shah مدیر ارشد داده (Chief Data Scientist) در Stanford Health Care است.

🔬

تشخیص آزمایشگاهی و ژنومیک

Natera و Freenome آماردان زیستی استخدام می‌کنند تا مطالعات اعتبارسنجی بالینی تست‌های تشخیصی را طراحی و تحلیل کنند و مدارک لازم برای FDA را آماده کنند.

🧪

کارآزمایی بالینی

Unlearn با داده، AI و دوقلوی دیجیتال به شرکت‌های دارویی در برنامه‌ریزی، اجرا و تحلیل کارآزمایی کمک می‌کند و دانشمند دادهٔ بالینی‌اش اغلب کنار مشتری کار می‌کند.

🌍

پژوهش و سلامت عمومی

در بریتانیا، مرکز علم دادهٔ BHF در HDR UK داده‌های سلامت روزمرهٔ چهار کشور بریتانیا را پیوند و آماده می‌کند. طبق ویکی‌پدیا، OpenSAFELY در ۲۰۲۰ پلتفرمی برای تحلیل پروندهٔ ۲۴ میلیون بیمار NHS ساخت تا عوامل خطر مرگ بیمارستانی ناشی از COVID-19 مشخص شود.

تصورات غلط رایج

قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید

برای این شغل باید پزشک بود

آگهی‌ها مدرک کمّی می‌خواهند، نه پزشکی: Formation Bio دکترای علوم کامپیوتر، انفورماتیک زیست‌پزشکی، آمار یا اپیدمیولوژی می‌خواهد و Unlearn کارشناسی در بیوانفورماتیک، علوم کامپیوتر، روان‌شناسی یا سلامت عمومی را می‌پذیرد. پیش‌زمینهٔ پزشکی کمک می‌کند؛ Nigam Shah و Ben Goldacre هر دو پزشک‌اند. اما شرط ورود نیست. آنچه لازم است شناخت دادهٔ بالینی است که یادگرفتنی است.

همهٔ این نقش‌ها دکترا می‌خواهند

در نقش‌های پژوهشی و RWE بله: Formation Bio و J&J دکترا را الزامی می‌دانند. اما Oscar Health برای Data Scientist II سه سال تجربه می‌خواهد و ارشد را فقط امتیاز می‌داند، Unlearn کارشناسی با دو سال تجربه را می‌پذیرد و HDR UK به‌جای مدرک بالاتر «تجربهٔ حرفه‌ای معادل» را هم قبول می‌کند.

مدلی که AUC یا دقت بالایی دارد، مدل خوبی است

مدلی که روی دادهٔ آموزش خوب است ممکن است در سال بعد یا در بیمارستان دیگر خوب کار نکند. Formation Bio اعتبارسنجی زمانی و روی مراکز کنار گذاشته‌شده، calibration، درنظر گرفتن سانسور و جلوگیری از نشت برچسب را می‌خواهد. طبق ویکی‌پدیا، کار Nigam Shah نشان داده باید پیامد اقدام‌هایی را هم سنجید که خروجی مدل باعث می‌شود یا جلویش را می‌گیرد.

هرجا دادهٔ زیادی باشد، deep learning بهترین انتخاب است

Formation Bio حتی در تیمی که foundation modelهای EHR را آزمایش می‌کند، از دانشمند داده می‌خواهد آن‌ها را با baselineهای قوی جدولی و توالی مقایسه کند. برتری یک مدل باید با مقایسهٔ منصفانه نشان داده شود، نه با فرض.

دادهٔ بی‌نام‌شده یعنی هیچ ریسکی برای حریم خصوصی وجود ندارد

طبق راهنمای HHS دربارهٔ HIPAA، هر دو روش رسمی بی‌نام‌سازی (Expert Determination و Safe Harbor) حتی با اجرای درست، داده‌ای می‌دهند که هنوز اندکی ریسک شناسایی دارد؛ ریسکی کم ولی غیرصفر. به همین دلیل دسترسی به نسخهٔ کامل MIMIC-IV به گذراندن دورهٔ آموزشی و امضای قرارداد استفاده از داده مشروط است.

یک روز کاری واقعی

در هر سطح روز کاری چه شکلی است؟

جونیور (۰–۲ سال)

بیشتر وقت صرف آماده‌سازی داده می‌شود: بیرون کشیدن داده از EHR یا claims، بررسی کیفیت و ساختن جدول‌های آمادهٔ تحلیل زیر نظر همکاران ارشد. آگهی Early Career در HDR UK همین کارها را در محیط‌های امن داده توصیف می‌کند.

◆نوشتن کوئری SQL یا کد PySpark برای ساختن یک کوهورت از داده‌های پیوندخورده
◆بررسی تکرار، خطای پیوند و ناسازگاری زمانی در داده
◆به‌روزرسانی data dictionary و مستندات یک مجموعه‌داده
◆آماده کردن خلاصهٔ عددی و نمودار کیفیت داده برای پژوهشگران

میانی (۲–۵ سال)

مسئولیت یک پروژه را از تعریف مسئله تا اعتبارسنجی بر عهده دارید و با نظارت کم کار می‌کنید (Oscar Health). با پزشکان، مهندسان و تیم محصول روی سؤال و سنجه توافق می‌کنید و نتیجه را همراه با عدم قطعیت و محدودیت‌ها توضیح می‌دهید.

◆تعریف یک فنوتیپ با کدهای تشخیص و دارو و مرور آن با یک پزشک
◆ساخت مدل پیش‌بینی و سنجیدن calibration و اعتبارسنجی زمانی
◆تحلیل یک آزمایش یا شبه‌آزمایش در محصول
◆ارائهٔ نتایج به ذی‌نفعان غیرفنی

ارشد (۵+ سال)

رهبری مطالعات و جریان‌های کاری: نوشتن پروتکل و SAP، انتخاب روش برای کاهش سوگیری، پاسخ سریع به سؤال‌های توسعهٔ کسب‌وکار و تحقیق و منتورینگ همکاران (J&J و Formation Bio).

◆نوشتن پروتکل و Statistical Analysis Plan یک مطالعهٔ RWE
◆طراحی target trial emulation برای یک سؤال درمانی
◆بازبینی کد و روش دانشمندان جوان‌تر
◆آماده کردن شواهد برای تعامل با نهاد تنظیم‌گر

مسئولیت‌ها و وظایف

مسئولیت‌های اصلی

وظایف روزانه و مهارت‌های مورد نیاز در این شغل

فنی

◈ساخت و اعتبارسنجی مدل‌های پیش‌بینی روی دادهٔ طولی EHR و claims، مثل پیشرفت بیماری، پیامدهای زمان‌دار و پاسخ بیمار به درمان
◈تعریف و اعتبارسنجی فنوتیپ‌ها و کوهورت‌ها با OMOP CDM و واژگان استاندارد بالینی
◈آماده‌سازی دادهٔ آمادهٔ تحلیل از منابع پراکنده و بررسی کیفیت، تکرار و خطاهای پیوند داده
◈طراحی و اجرای مطالعات شواهد دنیای واقعی (RWE) با روش‌های علّی برای کاهش سوگیری
◈نوشتن پروتکل مطالعه و Statistical Analysis Plan و آماده کردن جدول‌ها و نمودارهای نتایج
◈طراحی و تحلیل آزمایش و شبه‌آزمایش در محصولات سلامت دیجیتال
◈نوشتن کد بازتولیدپذیر و بازبینی‌شده و تبدیل نمونهٔ اولیه به ابزار قابل استفاده همراه تیم مهندسی

مهارت نرم

◈توضیح نتایج، عدم قطعیت و محدودیت‌ها برای پزشکان، مدیران و مشتریان
◈همکاری با تیم‌های بالینی، محصول، مهندسی و تنظیم‌گری برای تبدیل سؤال مبهم به سؤال قابل‌سنجش

مدیریتی

◈رهبری یک جریان کار و منتورینگ دانشمندان جوان‌تر (در سطح ارشد)

مهارت‌های مورد نیاز

مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند داده‌های سلامت موفق به آن‌ها نیاز دارد

آمار و روش‌شناسی

آمار و مدل‌سازی رگرسیونیضروری

رگرسیون خطی و لجستیک، آزمون فرض و فاصلهٔ اطمینان؛ پایهٔ مشترک همهٔ آگهی‌ها

Survival Analysisضروری

Kaplan-Meier، مدل Cox و درنظر گرفتن سانسور (Formation Bio، Truveta)

استنباط علّی روی دادهٔ مشاهده‌ایضروری

propensity score، target trial emulation و difference-in-differences (J&J، Formation Bio، Headway)

ارزیابی مدلضروری

calibration، اعتبارسنجی زمانی و روی مراکز دیگر و جلوگیری از نشت برچسب (Formation Bio)

طراحی مطالعه و SAPمهم

پروتکل، تعیین پیامد، حجم نمونه و Statistical Analysis Plan (J&J، Freenome)

طراحی آزمایشمفید

A/B test و شبه‌آزمایش با فرضیهٔ روشن و معیار موفقیت از پیش تعیین‌شده (Headway)

آمار بیزیمفید

در فهرست مهارت‌های مطلوب پست Health Data Scientist در دانشگاه Dundee

مهارت‌های فنی

SQLضروری

کوئری روی داده‌های EHR و claims (Oscar Health، Headway، Truveta)

Pythonضروری

pandas، scikit-learn و ابزارهای مدل‌سازی (Formation Bio، Unlearn، Qventus)

Rمهم

الزامی در آگهی Freenome و پذیرفته در J&J و HDR UK

PySpark و پردازش توزیع‌شدهمهم

برای داده‌های بالینی بزرگ (HDR UK، Formation Bio، Truveta)

یادگیری ماشین و deep learningمهم

از gradient boosting تا مدل‌های توالی و تصویر (Formation Bio، Qventus)

LLMها و ابزارهای AIمهم

کار با coding agentها و LLM در کار روزانه و برای متن بالینی (Formation Bio، Headway، Qventus)

Git و کد بازتولیدپذیرمهم

کنترل نسخه، code review و انتشار کد در مخزن عمومی (HDR UK، دانشگاه Dundee)

دانش حوزه و مهارت‌های نرم

ساختار دادهٔ EHR و claimsضروری

اینکه ویزیت، تشخیص، دارو و هزینه چطور ثبت می‌شود و چرا داده گم می‌شود (Formation Bio، J&J)

واژگان بالینی و OMOPمهم

ICD-10، SNOMED CT، LOINC، RxNorm و OMOP CDM (Formation Bio)

حریم خصوصی و حاکمیت دادهمهم

حاکمیت اطلاعات برای پرونده‌های NHS (HDR UK) و قواعد بی‌نام‌سازی HIPAA

ارتباط با مخاطب بالینی و غیرفنیضروری

توضیح نتیجه، عدم قطعیت و محدودیت‌ها؛ تقریباً در همهٔ آگهی‌ها

یادگیری سریع حوزهٔ بالینیمهم

Unlearn توانایی کسب سریع دانش حوزهٔ بالینی را جزو نقش می‌داند

شواهد در چارچوب مقرراتمفید

آشنایی با الزامات FDA و تعامل با نهادهای تنظیم‌گر (J&J، Natera)

ضروری — بدون آن نمی‌توان وارد بازار کار شدمهم — تفاوت بین جونیور و میانیمفید — مزیت رقابتی

نقشه راه و مسیر آموزشی

نقشه راه تبدیل شدن به دانشمند داده‌های سلامت

این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.

آمار، آمار زیستی و تحلیل بقا

⏱️ ۳ تا ۴ ماه

پایهٔ این شغل آمار است. رگرسیون، آزمون فرض و فاصلهٔ اطمینان را محکم کنید و بعد سراغ تحلیل بقا (time-to-event) بروید، چون در دادهٔ سلامت بسیاری از پیامدها زمان‌دارند و پیگیری همهٔ بیماران تا پایان مطالعه کامل نمی‌شود (سانسور). آگهی EHR AI در Formation Bio «handling of censoring» و calibration را جزو عادت‌های لازم ارزیابی می‌داند و Truveta در شرایط ترجیحی‌اش Kaplan-Meier، Survival Analysis و Propensity Score Matching را آورده است.

آمار توصیفی و استنباطیرگرسیون خطی و لجستیکSurvival Analysis (Kaplan-Meier، Cox)Calibration و ارزیابی مدلمبانی طراحی مطالعه

منابع پیشنهادی

OpenIntro Statistics An Introduction to Statistical Learning StatQuest with Josh Starmer (YouTube)Introduction to survival analysis — مستندات lifelines

Python، R و SQL برای دادهٔ سلامت

⏱️ ۲ تا ۳ ماه

SQL و دست‌کم یکی از Python یا R در آگهی‌های بررسی‌شده تکرار می‌شود: Oscar Health «SQL and Python and/or R» می‌خواهد، Freenome برای آماردان زیستی R را الزامی می‌داند و J&J کدنویسی با «R, Python, or SAS» را می‌پذیرد. اگر به پژوهش در بریتانیا فکر می‌کنید، PySpark را هم اضافه کنید؛ تیم Health Data Science در HDR UK بیشتر با PySpark، Python و R کار می‌کند. از همان ابتدا با Git کار کنید، چون HDR UK کنترل نسخه و code review را صریحاً می‌خواهد.

SQL (JOIN، window functions)Python (pandas، scikit-learn)R (tidyverse)PySpark برای دادهٔ بزرگGit و کد بازتولیدپذیر

منابع پیشنهادی

R for Data Science (2e) — Hadley Wickham و همکاران Python Data Science Handbook — Jake VanderPlas Select Star SQL — کتاب تعاملی PySpark Overview — مستندات رسمی

دادهٔ بالینی: EHR، claims و استانداردها

⏱️ ۲ تا ۳ ماه

بخش متمایز این شغل همین‌جاست. باید بدانید دادهٔ EHR و claims چطور تولید می‌شود: ویزیت، تشخیص، اقدام درمانی، دارو، آزمایش، علائم حیاتی و یادداشت بالینی، به‌علاوهٔ عادت‌های کدگذاری و داده‌های گمشده. Formation Bio تسلط بر ICD-10، SNOMED CT، LOINC، RxNorm و OMOP CDM را می‌خواهد؛ OMOP طبق تعریف خودش استانداردی باز و جامعه‌محور برای یکدست کردن ساختار و محتوای دادهٔ مشاهده‌ای است. برای تمرین، نسخهٔ نمایشی MIMIC-IV با ۱۰۰ بیمار برای همه باز است؛ نسخهٔ کامل فقط به کاربران تأییدشده‌ای داده می‌شود که دورهٔ آموزشی CITI را گذرانده و قرارداد استفاده از داده را امضا کرده‌اند. Synthea هم دادهٔ بیمار مصنوعی بدون محدودیت حریم خصوصی می‌سازد.

ساختار دادهٔ EHR و claimsICD-10، SNOMED CT، LOINC، RxNormOMOP CDM و واژگان OHDSIHL7 FHIRتعریف فنوتیپ و کوهورتحریم خصوصی و بی‌نام‌سازی (HIPAA)

منابع پیشنهادی

MIMIC-IV Clinical Database Demo — PhysioNet (دسترسی باز)The Book of OHDSI (نسخهٔ آنلاین رایگان)OMOP Common Data Model — مستندات رسمی HL7 FHIR — Overview

یادگیری ماشین بالینی و ارزیابی درست مدل

⏱️ ۳ تا ۵ ماه

مدل پیش‌بینی روی دادهٔ طولی بیماران قواعد خودش را دارد. Formation Bio اعتبارسنجی زمانی و روی مراکز درمانی کنار گذاشته‌شده (temporal and site-held-out validation)، calibration و جلوگیری از نشت برچسب را می‌خواهد و انتظار دارد foundation modelهای EHR با baselineهای قوی جدولی و توالی مقایسه شوند. طبق ویکی‌پدیا، کار Nigam Shah نشان داده ارزیابی باید از خود مدل فراتر برود و پیامد اقدام‌هایی را هم بسنجد که خروجی مدل باعث می‌شود. اگر به تصویربرداری علاقه دارید، آگهی Medical Imaging در Formation Bio کار با MRI، X-ray، DICOM و معماری‌هایی مثل U-Net را می‌خواهد.

مدل پیش‌بینی روی دادهٔ طولیTemporal و site-held-out validationCalibration و جلوگیری از label leakageGradient boosting و deep learningNLP بالینی با LLMبررسی عملکرد مدل در زیرگروه‌ها

منابع پیشنهادی

Machine Learning for Healthcare — MIT OpenCourseWare AI in Healthcare Specialization — Stanford Online (Coursera)AI for Medicine Specialization — DeepLearning.AI (Coursera)TRIPOD Statement — راهنمای گزارش مدل‌های پیش‌بینی

شواهد دنیای واقعی (RWE)، استنباط علّی و مقررات

⏱️ مداوم

FDA دادهٔ دنیای واقعی (RWD) را داده‌هایی دربارهٔ وضعیت سلامت بیمار یا ارائهٔ مراقبت تعریف می‌کند که به‌طور روزمره از منابعی مثل EHR، claims و ثبت‌های بیماری جمع می‌شود، و شواهد دنیای واقعی (RWE) را شواهد بالینی حاصل از تحلیل همین داده‌ها. به نوشتهٔ FDA، پس از قانون 21st Century Cures در ۲۰۱۶، این سازمان در ۲۰۱۸ چارچوبی برای ارزیابی استفاده از RWE در تأیید کاربرد تازهٔ داروهای تأییدشده ساخت. آگهی J&J از متخصص RWE می‌خواهد سوگیری‌های مشاهده‌شده و مشاهده‌نشده را در مطالعات external control arm و اثربخشی مقایسه‌ای کم کند و Formation Bio روش‌هایی مثل target trial emulation را نام می‌برد.

Target trial emulationPropensity score و روش‌های doubly robustConfounding و selection biasExternal control arm و comparative effectivenessپروتکل مطالعه و Statistical Analysis Planچارچوب RWE در FDA

منابع پیشنهادی

Causal Inference: What If — Hernán و Robins (دانلود رایگان)Causal Inference: The Mixtape — Scott Cunningham FDA — Real-World Evidence HHS — راهنمای بی‌نام‌سازی دادهٔ سلامت طبق HIPAA

ابزارها و استک فنی

ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت

زبان‌ها و محیط تحلیل

Python

زبان اصلی مدل‌سازی؛ در آگهی‌های Formation Bio، Unlearn و Qventus خواسته شده است

ضروری

زبان رایج آمار زیستی؛ Freenome آن را برای آماردان زیستی الزامی می‌داند و HDR UK و J&J هم آن را نام می‌برند

ضروری

PostgreSQL (SQL)

SQL در آگهی‌های Oscar Health، Headway و Truveta آمده است؛ PostgreSQL برای تمرین کوئری روی دادهٔ بالینی مناسب است

ضروری

SAS

J&J کدنویسی با R، Python یا SAS را می‌پذیرد؛ SAS OnDemand for Academics نسخهٔ آموزشی آن است

مفید

دادهٔ بالینی و استانداردها

MIMIC-IV (PhysioNet)

دادهٔ بی‌نام‌شدهٔ بیماران ICU و اورژانس مرکز پزشکی Beth Israel Deaconess؛ نسخهٔ نمایشی باز و نسخهٔ کامل با مجوز

ضروری

OMOP CDM

استاندارد باز برای یکدست کردن دادهٔ مشاهده‌ای همراه با واژگان استاندارد OHDSI؛ Formation Bio تسلط بر آن را می‌خواهد

مفید

OHDSI HADES / ATLAS

ابزارهای OHDSI برای تحلیل روی دادهٔ OMOP؛ تجربه با ابزارهای OHDSI در شرایط ترجیحی Formation Bio آمده است

پیشرفته

Synthea

تولیدکنندهٔ متن‌باز بیمار مصنوعی؛ دادهٔ آن محدودیت هزینه و حریم خصوصی ندارد و برای تمرین مناسب است

مفید

HL7 FHIR

استاندارد تبادل دادهٔ سلامت که واحد پایه‌اش Resource است

مفید

مدل‌سازی و یادگیری ماشین

scikit-learn

کتابخانهٔ یادگیری ماشین در Python؛ مناسب مدل‌های جدولی

ضروری

lifelines

کتابخانهٔ Python برای تحلیل بقا: Kaplan-Meier و مدل Cox

مفید

scikit-survival

ماژول Python برای تحلیل بقا که روی scikit-learn ساخته شده است

مفید

PyTorch

برای deep learning؛ Formation Bio در آگهی EHR AI و تصویربرداری، تسلط بر deep learning را می‌خواهد

پیشرفته

MONAI

جعبه‌ابزار AI برای تصویربرداری پزشکی (AI Toolkit for Healthcare Imaging)

پیشرفته

دادهٔ بزرگ و کار بازتولیدپذیر

PySpark

زبان اصلی تیم Health Data Science در HDR UK در کنار Python و R؛ Truveta هم Spark/PySpark را ترجیح می‌دهد

مفید

Databricks

Truveta استخراج مفاهیم بالینی با Databricks SQL را می‌خواهد و Qventus تجربه با Databricks را امتیاز می‌داند

مفید

Git

HDR UK کنترل نسخه و code review را می‌خواهد و دانشگاه Dundee انتظار دارد کد در مخزن عمومی، مثل GitHub، منتشر شود

ضروری

Jupyter

محیط notebook برای تحلیل اکتشافی و گزارش قابل تکرار

مفید

ضروری — باید یاد بگیریدمفید — ارزش یادگیری داردپیشرفته — برای سطوح ارشد

مسیر پیشرفت شغلی

از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید

Early Career / Junior Health Data Scientist

۰ تا ۲ سال

آماده‌سازی دادهٔ آمادهٔ تحلیل در محیط‌های امن داده، بررسی کیفیت و خطاهای پیوند داده و کمک به تعریف فنوتیپ‌ها زیر نظر همکاران ارشد (مثل آگهی Early Career در HDR UK)

SQLPython / R / PySparkکیفیت دادهGitمستندسازی

Data Scientist II / Clinical Data Scientist

۲ تا ۵ سال

~$152K

میانگین سالانه (آمریکا)

مالکیت یک پروژه از تعریف مسئله تا اعتبارسنجی با نظارت کم (Oscar Health)؛ در Unlearn، تبدیل دادهٔ کارآزمایی، مشاهده‌ای و EHR به مجموعه‌داده‌های ساختارمند برای مدل‌سازی

مدل‌سازی آماریSQL و Pythonدادهٔ طولی بالینیاعتبارسنجی مدلارتباط با ذی‌نفعان

Senior Data Scientist / Senior Principal Scientist (RWE)

۵ سال به بالا

~$186K

میانگین سالانه (آمریکا)

رهبری مجموعه‌ای از مطالعات RWE، نوشتن پروتکل و Statistical Analysis Plan، کاهش سوگیری در مطالعات مشاهده‌ای و پشتیبانی از تعامل با نهادهای تنظیم‌گر (مثل آگهی J&J)

Causal Inferenceطراحی مطالعهEHR، claims و registryR / Python / SASمنتورینگ

Principal / Director, Data Science

۸ سال به بالا

رهبری کامل یک جریان کار مدل‌سازی، تعیین مسیر فنی و منتورینگ دانشمندان دیگر (سطح Principal در Formation Bio)؛ در نقش‌های مدیریتی، ساختن و رهبری تیم

جهت‌دهی فنیرهبری تیماستراتژی داده و RWEارتباط با مدیران ارشدشواهد در چارچوب مقررات

چالش‌ها و جنبه‌های منفی

واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید

دسترسی به داده و حریم خصوصی

عمومی

دادهٔ سلامت حساس است. نسخهٔ کامل MIMIC-IV فقط به کاربران تأییدشده‌ای داده می‌شود که دورهٔ CITI را گذرانده و قرارداد استفاده از داده را امضا کرده‌اند. HDR UK در محیط‌های امن داده (SDE و TRE) کار می‌کند و درک حاکمیت اطلاعات و حریم خصوصی پرونده‌های NHS را می‌خواهد. بخشی از کار یعنی کار در محیط‌های محدود و رعایت قواعد.

دادهٔ ناقص و ناهمگون

عمومی

Formation Bio از نامزد می‌خواهد عادت‌های کدگذاری، داده‌های گمشده و تفاوت داده بین مراکز درمانی، بیمه‌ها و کشورها را بشناسد. HDR UK هم بررسی تکرار، خطای پیوند و ناسازگاری زمانی را جزو وظایف روزمره آورده است. پیش از هر مدلی باید بفهمید داده چه چیزی را نشان نمی‌دهد.

سوگیری در دادهٔ مشاهده‌ای

شرکت بزرگ

در دادهٔ مشاهده‌ای، بیمارانی که یک درمان گرفته‌اند با بقیه فرق دارند. J&J روش‌هایی برای کاهش confounding و selection bias و سوگیری‌های مشاهده‌نشده می‌خواهد و Formation Bio پاسخ‌هایی «with explicit statements of uncertainty and bias». نتیجهٔ علّی بدون طراحی درست مطالعه گمراه‌کننده است.

سطح ورود و رقابت

عمومی

نقش‌های پژوهشی و RWE مدرک بالا می‌خواهند: Formation Bio و J&J دکترا، و دانشگاه Dundee سابقهٔ نوشتن مقاله و ارائه در کنفرانس. HDR UK هم نوشته به‌دلیل تعداد زیاد متقاضیان در دوره‌های قبل، فقط کسانی درخواست بدهند که با دادهٔ اداری پیوندخوردهٔ سلامت کار کرده‌اند. ورود از نقش‌های تحلیلگر یا دانشمند دادهٔ عمومی در شرکت‌های سلامت مسیر واقع‌بینانه‌تری است.

مدلی که بیرون از دادهٔ آموزش هم کار کند

تحقیقاتی

مدلی که در یک بیمارستان یا یک بازهٔ زمانی خوب است، ممکن است جای دیگر کار نکند. Formation Bio اعتبارسنجی زمانی و روی مراکز کنار گذاشته‌شده را می‌خواهد و Headway معیار روشن برای انتشار مدل و برنامهٔ پایش پس از آن.

مقررات و استاندارد شواهد

شرکت بزرگ

وقتی خروجی کار به FDA می‌رسد، روش‌ها باید با استانداردهای نهاد ناظر بخوانند. Natera از آماردان زیستی می‌خواهد مطمئن شود روش‌ها استانداردهای FDA را رعایت می‌کنند و J&J تجربه در «regulatory-grade evidence» را ترجیح می‌دهد.

ترجمهٔ نتیجه برای پزشک و مدیر

عمومی

تقریباً همهٔ آگهی‌ها توضیح نتیجه برای مخاطب غیرفنی را می‌خواهند و Unlearn کار مستقیم کنار مشتری را هم جزو نقش می‌داند. Headway صریحاً می‌خواهد کار پیچیده را برای مخاطب غیرفنی «without losing the truth» توضیح دهید.

حقوق و بازار کار جهانی

حقوق جهانی دانشمند داده‌های سلامت

حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.

کشور	حداقل	میانه / میانگین	حداکثر	ارز
🇺🇸آمریکا	$137,000	$186,375	$235,750	USD

* ارقام سالانه‌اند. منبع هر رقم:

چگونه از صفر شروع کنیم

برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی

ماه ۱: آشنایی با دادهٔ بالینی

نسخهٔ نمایشی MIMIC-IV را دانلود کنید و ساختار جدول‌ها را بشناسید: پذیرش، تشخیص، دارو، آزمایش و ICU. کدهای جامعهٔ MIMIC را بخوانید تا ببینید متغیرها چطور ساخته می‌شوند.

MIMIC-IV Clinical Database Demo MIMIC Code Repository (GitHub)

ماه ۲: استانداردها و OMOP

فصل‌های اول Book of OHDSI را بخوانید، با Synthea داده بسازید و یک فنوتیپ ساده تعریف کنید (پروژهٔ دوم).

The Book of OHDSI Synthea

ماه ۳: تحلیل بقا و مدل پیش‌بینی

پروژهٔ اول و سوم را انجام دهید؛ روی calibration و اعتبارسنجی زمانی تمرکز کنید، نه فقط AUC.

lifelines — Introduction to survival analysis

ماه ۴: مجوز MIMIC-IV و پروژهٔ کامل

حساب PhysioNet بسازید، دورهٔ آموزشی CITI را بگذرانید، قرارداد استفاده از داده را امضا کنید و پروژهٔ اول را روی نسخهٔ کامل تکرار کنید.

MIMIC-IV — PhysioNet

ماه ۵: استنباط علّی

بخش‌های اول کتاب What If را بخوانید و پروژهٔ چهارم (target trial emulation) را شروع کنید.

Causal Inference: What If

ماه ۶: پورتفولیو و درخواست

سه پروژه با README روشن در GitHub بگذارید و برای نقش‌های Data Scientist در شرکت‌های سلامت درخواست بدهید؛ در آگهی‌هایی مثل Oscar Health، شناخت حوزهٔ سلامت امتیاز است و شرط نیست.

پروژه‌های پیشنهادی برای رزومه

پیش‌بینی یک پیامد بیمارستانی با نسخهٔ نمایشی MIMIC-IV

متوسط

با دادهٔ باز ۱۰۰ بیمار MIMIC-IV یک کوهورت تعریف کنید، با SQL متغیرها را بسازید و یک مدل لجستیک و یک مدل gradient boosting برای یک پیامد بیمارستانی، مثلاً بستری طولانی در ICU، آموزش دهید. کنار AUC، calibration را هم گزارش کنید و صادقانه بنویسید چرا با ۱۰۰ بیمار نمی‌شود نتیجهٔ بالینی گرفت. بعد از گرفتن مجوز PhysioNet، همین را روی نسخهٔ کامل تکرار کنید.

SQLPythonscikit-learnMIMIC-IV

زمان تخمینی: ۳ تا ۴ هفته

تعریف فنوتیپ و کوهورت روی دادهٔ OMOP

متوسط

با Synthea جمعیتی از بیماران مصنوعی بسازید، داده را به قالب OMOP ببرید و یک فنوتیپ، مثلاً دیابت نوع ۲، را با کدهای تشخیص، دارو و آزمایش تعریف کنید. مستند کنید هر تصمیم چه بیمارانی را وارد یا خارج می‌کند و تعریف‌تان را با یک تعریف ساده‌تر مقایسه کنید.

SyntheaOMOP CDMSQLOHDSI

زمان تخمینی: ۴ هفته

تحلیل بقا: Kaplan-Meier و مدل Cox

متوسط

روی یک دادهٔ بالینی با پیامد زمان‌دار، منحنی Kaplan-Meier بکشید، مدل Cox بسازید، فرض proportional hazards را بررسی کنید و نشان دهید اگر سانسور نادیده گرفته شود نتیجه چطور عوض می‌شود.

Pythonlifelinesscikit-survival

زمان تخمینی: ۳ هفته

شبیه‌سازی یک کارآزمایی هدف (Target Trial Emulation)

پیشرفته

یک سؤال درمانی را اول به شکل کارآزمایی فرضی بنویسید: معیار ورود، زمان صفر، درمان‌ها و پیامد. بعد آن را با دادهٔ مشاهده‌ای و propensity score تقلید کنید و نتیجه را با یک رگرسیون سادهٔ بدون این طراحی مقایسه کنید. همهٔ فرض‌ها و منابع احتمالی سوگیری را در گزارش بیاورید.

R یا PythonPropensity ScoreCausal Inference

زمان تخمینی: ۶ هفته

ارزیابی منصفانه و پایش یک مدل بالینی

پیشرفته

مدل پروژهٔ اول را روی نسخهٔ کامل MIMIC-IV در زیرگروه‌های سنی و جنسی بسنجید، اعتبارسنجی زمانی انجام دهید (آموزش روی سال‌های قدیمی‌تر، آزمون روی سال‌های جدیدتر) و یک گزارش یک‌صفحه‌ای برای یک پزشک بنویسید که کاربرد و محدودیت‌های مدل را روشن بگوید.

Pythonscikit-learnSHAPMIMIC-IV

زمان تخمینی: ۴ هفته

مثال‌های واقعی و Case Studies

داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند

Nigam Shah

پیشینه

طبق ویکی‌پدیا، Nigam Shah در ۱۹۹۹ مدرک پزشکی (MBBS) را از Baroda Medical College در هند گرفت، در ۲۰۰۵ دکترای Integrative Biosciences را از Pennsylvania State University گرفت و دورهٔ پسادکترا را در ۲۰۰۷ در استنفورد تمام کرد. امروز استاد پزشکی و علم دادهٔ زیست‌پزشکی در دانشگاه استنفورد و Chief Data Scientist در Stanford Health Care است.

دستاورد

به نوشتهٔ ویکی‌پدیا، او از بنیان‌گذاران جامعهٔ OHDSI و Coalition for Health AI است و دورهٔ AI in Healthcare را در Coursera راه انداخت. تیمش foundation modelهایی را منتشر کرده که روی EHR طولی بی‌نام‌شده آموزش دیده‌اند، همراه با یک مجموعه‌دادهٔ محک برای مقایسهٔ باز. پژوهش‌هایش نشان داده ارزیابی یک مدل بالینی باید پیامد اقدام‌هایی را هم بسنجد که خروجی مدل باعث می‌شود یا جلویش را می‌گیرد.

درس کلیدی

مسیر او نشان می‌دهد ترکیب دانش پزشکی و علم داده می‌تواند به نقشی در قلب یک سیستم درمانی برسد. نکتهٔ کاربردی‌تر برای خوانندهٔ این صفحه شاید تأکید او بر ارزیابی باشد: مدل بالینی را با اثرش بر تصمیم‌ها بسنجید، نه فقط با عدد دقت.

Suchi Saria

پیشینه

طبق ویکی‌پدیا، اهل دارجیلینگ است؛ کارشناسی را در Mount Holyoke College خواند و کارشناسی ارشد و دکترا را در استنفورد زیر نظر Daphne Koller گرفت. در استنفورد مدلی آماری ساخت که با داده‌های مانیتور، وزن تولد و طول بارداری پیامد نوزادان نارس را پیش‌بینی می‌کرد. ویکی‌پدیا او را دانشیار یادگیری ماشین و سلامت در دانشگاه Johns Hopkins معرفی می‌کند.

دستاورد

به نوشتهٔ ویکی‌پدیا، الگوریتمی برای پیش‌بینی شوک سپتیک ساخت که از ۱۶ هزار قلم دادهٔ پروندهٔ سلامت بیماران استفاده می‌کرد و امتیاز هشدار بلادرنگ TREWS را تولید می‌کرد. او با پزشکان کار کرد تا الگوریتم در بالین استفاده شود و در ۸۶٪ موارد درست بود؛ بعد آن را طوری اصلاح کرد که بیماران پرخطر جا نیفتند. در ۲۰۱۷ در فهرست 35 Innovators Under 35 مجلهٔ MIT Technology Review قرار گرفت.

درس کلیدی

کار او نشان می‌دهد مدل بالینی وقتی ارزش پیدا می‌کند که همراه پزشکان وارد جریان کار درمان شود. اصلاح الگوریتم برای جا نینداختن بیماران پرخطر هم یادآوری می‌کند که در سلامت، انتخاب بین انواع خطا تصمیمی بالینی است، نه فقط فنی.

Ben Goldacre

پیشینه

پزشک، پژوهشگر و نویسندهٔ بریتانیایی، متولد ۱۹۷۴. طبق ویکی‌پدیا، پزشکی را در آکسفورد و UCL خواند، ستون Bad Science را از ۲۰۰۳ تا ۲۰۱۱ در Guardian نوشت و کتاب‌های Bad Science و Bad Pharma را منتشر کرد. از بنیان‌گذاران کمپین AllTrials و OpenTrials است که خواهان شفافیت در کارآزمایی‌های بالینی‌اند.

دستاورد

به نوشتهٔ ویکی‌پدیا، در ۲۰۲۰ همراه Liam Smeeth پژوهشگر اصلی همکاری OpenSAFELY بود؛ پلتفرمی نرم‌افزاری که پروندهٔ ۲۴ میلیون بیمار NHS را تحلیل کرد تا عوامل خطر مرگ بیمارستانی ناشی از COVID-19 مشخص شود. در ۲۰۲۲ نخستین Bennett Professor of Evidence-Based Medicine و مدیر Bennett Institute for Applied Data Science در دانشگاه آکسفورد شد.

درس کلیدی

OpenSAFELY نمونه‌ای است از اینکه چطور می‌شود روی دادهٔ بسیار حساس در مقیاس ملی تحلیل کرد و به سؤالی فوری پاسخ داد. مسیر او هم نشان می‌دهد دغدغهٔ شفافیت و کیفیت شواهد می‌تواند ستون یک کار علم داده در سلامت باشد.

نمونه آگهی استخدام واقعی + تحلیل

یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش

Senior / Principal Data Scientist, EHR AI

Formation Bioنیویورک یا بوستون (هیبرید، ۳ روز در هفته حضوری)؛ متقاضیان Research Triangle در کارولینای شمالی و منطقهٔ Bay Area هم بررسی می‌شوند2026-03-30

مشاهده آگهی اصلی نسخه‌ی آرشیوشده (اگر آگهی بسته شده باشد)

تحلیل نیازمندی‌ها

PhD in computer science, biomedical informatics, statistics, epidemiology, or a related quantitative field (required)

این نقش دکترا را صریحاً الزامی کرده و رشته‌ها را هم نام برده است. برای کسی که دکترا ندارد این آگهی خاص قابل اقدام نیست، اما نشان می‌دهد در تیم‌های پژوهشی شرکت‌های دارویی مدرک بالا معمول است. نقش‌هایی مثل Data Scientist II در Oscar Health یا Clinical Data Scientist در Unlearn درِ ورود بازتری دارند.

ضروری

2+ years of industry or research experience building machine learning models on EHR data, including linked claims or other real-world data, with substantiated results: peer-reviewed publications, deployed models, or externally validated performance

دو سال تجربه کافی نیست؛ نتیجه باید قابل نشان دادن باشد: مقالهٔ داوری‌شده، مدلی که واقعاً به کار رفته، یا عملکردی که بیرون از دادهٔ خودتان تأیید شده است. در پورتفولیو یعنی پروژه‌ای که روی دادهٔ دیگری هم آزموده شده باشد.

ضروری

Strong Python and deep learning expertise, and familiarity with data lakes and distributed compute for large clinical datasets

Python و deep learning ابزار اصلی است. چون دادهٔ EHR بزرگ است، کار با data lake و محاسبات توزیع‌شده، مثلاً Spark، هم انتظار می‌رود.

ضروری

High comfort with LLMs, including coding agents, as part of your daily work

کارفرما انتظار دارد LLMها و ایجنت‌های کدنویسی بخشی از کار روزانه‌تان باشد. در بخش ترجیحی همین آگهی، استفاده از LLM برای متن یادداشت‌های بالینی هم آمده است.

مهم

Working knowledge of how EHR and claims data are generated and structured: encounters, diagnoses, procedures, medications, labs, vitals, clinical notes, coverage periods, and reimbursement records, along with coding practices, missingness, and variation across sites, payers, and countries

این همان دانش حوزه‌ای است که دانشمند داده‌های سلامت را از دانشمند دادهٔ عمومی جدا می‌کند: باید بدانید یک ویزیت، تشخیص یا نسخه چطور در سیستم ثبت می‌شود، چرا داده گم می‌شود و چرا داده بین بیمارستان‌ها، بیمه‌ها و کشورها فرق دارد. بدون این، مدل روی داده‌ای ساخته می‌شود که معنایش را نمی‌دانید.

ضروری

Fluency with clinical vocabularies and common data models, including ICD-10 and its national modifications, SNOMED CT, LOINC, RxNorm, ATC, procedure coding systems, and the OMOP CDM

این‌ها واژگان و سیستم‌های کدگذاری استاندارد بالینی‌اند و OMOP CDM، طبق تعریف خودش، استانداردی باز برای یکدست کردن ساختار و محتوای دادهٔ مشاهده‌ای است. با Book of OHDSI و دادهٔ مصنوعی Synthea می‌شود این‌ها را بدون دسترسی به دادهٔ واقعی بیمار تمرین کرد.

ضروری

Familiarity with common uses of EHR data and RWE in drug development: phenotyping and cohort definition, trial feasibility and eligibility, natural history, outcome prediction, external control arms, comparative effectiveness, and safety signal detection

این فهرست نقشهٔ کار است: تعریف کوهورت، سنجش امکان‌پذیری کارآزمایی، تاریخچهٔ طبیعی بیماری، پیش‌بینی پیامد، گروه کنترل خارجی، اثربخشی مقایسه‌ای و تشخیص سیگنال ایمنی دارو. هرکدام می‌تواند موضوع یک پروژهٔ نمونه باشد.

مهم

Rigorous evaluation habits: temporal and site-held-out validation, calibration, handling of censoring, and prevention of label leakage

چهار عادت: آزمودن مدل روی دوره‌های زمانی بعدی و روی مراکز درمانی که در آموزش نبوده‌اند، بررسی اینکه احتمال‌های پیش‌بینی‌شده با واقعیت جور باشند (calibration)، درنظر گرفتن بیمارانی که پیگیری‌شان ناتمام مانده (censoring) و جلوگیری از ورود اطلاعات آینده به مدل (label leakage).

ضروری

Ability to explain technical results clearly to scientific and non-technical stakeholders

مخاطبان این تیم واحدهای توسعهٔ کسب‌وکار و R&D هستند، نه فقط دانشمندان. باید بتوانید نتیجه را همراه با عدم قطعیت به زبان تصمیم بگویید.

ضروری

Causal inference on observational health data: target trial emulation, propensity score methods, instrumental variables, doubly robust or ML-based estimators

در بخش ترجیحی آمده، اما target trial emulation در فهرست وظایف هم هست؛ یعنی عملاً بخشی از کار است. برای مبانی استنباط علّی، کتاب رایگان What If از Hernán و Robins نقطهٔ شروع خوبی است.

مفید

تحلیل مسئولیت‌ها

Build, train, and validate predictive models on longitudinal EHR and claims data: disease progression, time-to-event outcomes, and patient-level treatment response

هستهٔ کار: مدل روی سابقهٔ چندساله و پیوستهٔ بیماران. «time-to-event» یعنی تحلیل بقا لازم است و «patient-level treatment response» یعنی پیش‌بینی برای هر بیمار، نه فقط میانگین جمعیت.

Benchmark and adapt EHR foundation models for patient representation against strong tabular and sequence baselines

foundation modelهای EHR مدل‌هایی‌اند که روی سابقهٔ بیماران زیادی پیش‌آموزش دیده‌اند. کار شما این است که با مقایسهٔ منصفانه نشان دهید واقعاً از مدل‌های ساده‌تر جدولی و توالی بهترند یا نه.

Define and validate computable phenotypes and cohorts using the OMOP CDM and standard vocabularies, including features derived from clinical notes

پیش از هر مدلی باید دقیق تعریف کنید «بیمار مبتلا» کیست. فنوتیپ قابل محاسبه یعنی این تعریف با کد نوشته شود و روی داده‌های مختلف تکرارپذیر باشد؛ یادداشت‌های بالینی هم منبع ویژگی‌اند.

Apply causal methods such as target trial emulation alongside predictive models to surface drugs that modify disease course

پیش‌بینی کافی نیست؛ سؤال اصلی این است که آیا یک دارو مسیر بیماری را تغییر می‌دهد. target trial emulation یعنی طراحی تحلیل مشاهده‌ای مثل یک کارآزمایی فرضی تا سوگیری کمتر شود.

Answer EHR and RWE questions from Business Development diligence and R&D programs on days-to-weeks timelines, with explicit statements of uncertainty and bias

سرعت مهم است: پاسخ در چند روز تا چند هفته. اما پاسخ باید عدم قطعیت و سوگیری‌های احتمالی را صریح بگوید، چون روی تصمیم خرید دارو اثر می‌گذارد.

Write reproducible, reviewed code and work with Engineering and Product to turn prototypes into reusable tools

کد شما باید بازبینی شود و دوباره قابل اجرا باشد. با تیم مهندسی و محصول، نمونهٔ اولیه را به ابزاری تبدیل می‌کنید که دیگران هم به کار ببرند.

Principal level: lead a modeling workstream end to end, set its technical direction, and mentor other scientists

در سطح Principal مسئولیت کامل یک جریان کار، تعیین مسیر فنی و منتورینگ اضافه می‌شود؛ تفاوت این دو سطح در همین رهبری است، نه فقط مهارت فنی.

نتیجه‌گیری کلی

این آگهی نسخهٔ پیشرفتهٔ شغل دانشمند داده‌های سلامت در صنعت دارو را نشان می‌دهد: یادگیری ماشین روی EHR و claims، استنباط علّی و شناخت عمیق کدگذاری بالینی، همراه با مدرک دکترا. برای تازه‌واردها ارزشش در نقشه‌ای است که می‌دهد: OMOP و واژگان بالینی، تحلیل بقا، ارزیابی دقیق مدل و روش‌های علّی همان چیزهایی‌اند که در نقش‌های پایین‌تر هم به کار می‌آیند و در پورتفولیو می‌شود نشانشان داد.

آینده و روندها

پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید

در نظرسنجی Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد (WEF)، کارفرمایان صنعت پزشکی و خدمات سلامت برای گروه «Data Analysts and Scientists» رشد خالص ۵۰٪ را از ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند؛ این عدد برای همهٔ صنایع ۴۱٪ است. در فهرست نقش‌های کلیدی این صنعت، این گروه در صدر قرار دارد.

منبع: WEF Future of Jobs Report 2025 — Medical and Healthcare services industry profile

مهارت‌های نوظهور که باید یاد بگیرید

foundation modelهای EHR و مقایسهٔ آن‌ها با baselineهای جدولی و توالی (Formation Bio)استفاده از LLM برای یادداشت‌های بالینی و فنوتیپ‌سازی (Formation Bio)target trial emulation و برآوردگرهای علّی مبتنی بر ML (Formation Bio)ساخت، تنظیم و ارزیابی سیستم‌های LLM در محیط درمان (Qventus)کار روزانه با LLM و ایجنت‌های کدنویسی، با حفظ قضاوت دربارهٔ خروجی (Formation Bio، Headway)کار با PySpark در محیط‌های امن داده (HDR UK)کار مستقیم کنار مشتری (forward-deployed) در شرکت‌های داده و AI (Unlearn)

پیش‌بینی‌های آینده

2030

طبق گزارش Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد (WEF)، «AI and big data» در صدر مهارت‌هایی است که کارفرمایان صنعت پزشکی و خدمات سلامت انتظار دارند تا ۲۰۳۰ بیشتر به کار رود.

2035

BLS پیش‌بینی می‌کند اشتغال دانشمندان داده در آمریکا (همهٔ صنایع) از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند؛ بسیار سریع‌تر از میانگین همهٔ مشاغل.

2035

BLS برای همین دوره رشد ۱۹٪ اشتغال اپیدمیولوژیست‌ها و رشد ۱۰٪ ریاضی‌دانان و آماردانان را پیش‌بینی می‌کند؛ گروهی که آماردانان زیستی را هم در بر می‌گیرد.

ریسک‌های واقعی

چند ریسک از خود آگهی‌ها پیداست. اول، سطح ورود و رقابت: نقش‌های پژوهشی و RWE دکترا می‌خواهند و HDR UK نوشته در دوره‌های قبل متقاضی زیادی داشته است. دوم، تغییر ابزار: آگهی‌ها حالا کار روزانه با LLM و ایجنت کدنویسی را انتظار دارند؛ وقتی بخشی از کدنویسی و آماده‌سازی داده با این ابزارها سریع‌تر انجام شود، ارزش متخصص بیشتر در شناخت داده، طراحی درست مطالعه و قضاوت دربارهٔ سوگیری است. سوم، داده: طبق HHS حتی دادهٔ بی‌نام‌شده ریسک شناسایی صفر ندارد و دسترسی به داده با قواعد سخت‌گیرانه همراه است.

منابع

اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۲ منبع بررسی شده است.

برای راهنمایی شخصی‌سازی‌شده مشاوره بگیرید