Daniel Sierra

Machine Learning Engineer

IA clínica

Desarrollo modelos de machine learning junto a equipos multidisciplinares, del planteamiento al despliegue, con una base matemática sólida y una explicabilidad que aporta transparencia, confianza y valor.

  • Barcelona, España
Daniel Sierra

Experiencia

Más de 5 años en machine learning aplicado a salud

Data Scientist & ML Engineer en el Hospital Clínic de Barcelona desde 2023, tras una etapa de investigación en la Universidad de Zaragoza y el IISA.

End-to-end

Del problema clínico a producción

Ciclo completo en proyectos hospitalarios: datos, modelo, validación y puesta en marcha.

Datos clínicos, imagen médica y LLMs

Divulgación

Ponente

AdminClínic 2026 y formación interna en machine learning del Hospital Clínic.

Formación

Ingeniería Industrial + Máster en Matemáticas

Universidad de Zaragoza y UPV/EHU · especialización en matemática aplicada, machine learning y ciencia de datos

Áreas de especialización

Pipelines de IA clínica

Sistemas de ML end-to-end para la gestión hospitalaria (triaje en Urgencias, hospitalización a domicilio): de la ingesta de datos clínicos heterogéneos al despliegue en producción. Feature engineering sobre codificaciones estandarizadas (CIE-9/10, SNOMED-CT) y modelos multimodales que combinan comorbilidades, actividad hospitalaria previa e información del episodio actual para el soporte a la decisión clínica.

IA generativa y prompt engineering

Document intelligence con LLMs para analizar licitaciones públicas hospitalarias: web scraping, OCR masivo y clasificación documental, evaluando modelos open-source (Qwen, Llama, Mistral) frente a servicios de mercado. Diseño y evaluación de un filtro semántico con LLMs en producción (few-shot prompting, análisis de errores frente a casos etiquetados y validación en varios dominios), y diseño de arquitecturas RAG para la extracción estructurada de información.

Visión por computador médica

Modelado del diagnóstico y pronóstico de enfermedades neurodegenerativas a partir de neuroimagen 3D (MRI). Arquitecturas multimodales con CNNs 3D y Transformers que integran imagen, datos clínicos y genéticos, normalización y registro de imagen médica, y evaluación rigurosa de la reproducibilidad frente al estado del arte.

IA explicable aplicada a procesos

Traducir necesidades operativas en soluciones de IA trabajando codo a codo con equipos clínicos y de gestión. Metodología multidisciplinar con validación iterativa junto a los expertos del dominio y foco en la explicabilidad (SHAP, LIME) como fuente de transparencia, confianza y valor para quien decide.

Liderazgo técnico y viabilidad

Liderazgo técnico de equipos de tres personas y estimación técnica y económica de las soluciones: open-source on-premise frente a servicios cloud del mercado, valorando coste, infraestructura, privacidad del dato y mantenimiento. Comunicación del análisis coste-beneficio a stakeholders no técnicos.

Pipelines de voz con servicios cloud

Integración de servicios gestionados de Azure (Speech-to-Text y Pronunciation Assessment) con LLMs en un pipeline de audio end-to-end. Proyecto personal en curso: un entrenador de entrevistas en inglés que evalúa pronunciación y fluidez, con control de costes y seguridad por capas.

Tecnologías y herramientas

Python SQL PostgreSQL Oracle R Pandas Matplotlib Seaborn Jupyter Google Colab Scikit-Learn XGBoost PyTorch TensorFlow/Keras MONAI OpenCV Qwen Llama Mistral Hugging Face LangChain spaCy PaddleOCR Tesseract Selenium Playwright SHAP LIME Conformal Prediction Docker FastAPI Streamlit AWS AWS Bedrock Azure MLflow Git VS Code Django

Experiencia

Jul 2023 – actualidad

Data Scientist & Machine Learning Engineer

Hospital Clínic de Barcelona

Desarrollo y liderazgo técnico de soluciones de Machine Learning para optimización de flujos asistenciales hospitalarios. Diseño end-to-end de modelos predictivos con interpretabilidad clínica y gestión del ciclo completo desde análisis de datos hasta implementación.

Nov 2021 – ene 2023

AI Research Scientist (Investigador N4)

Universidad de Zaragoza

Desarrollo de arquitecturas multimodales de Deep Learning (CNNs 3D, Transformers) para diagnóstico de Alzheimer, integrando datos clínicos, genéticos y neuroimágenes 3D. Evaluación de reproducibilidad de métodos estado del arte y adaptación de frameworks médicos open-source.

Mar 2020 – oct 2020

AI Research Scientist (Investigador N3.1)

IISA (Instituto de Investigación Sanitaria de Aragón), en colaboración con ITAinnova

Definición, junto a los equipos médicos, de las variables necesarias para un estudio sobre la selección de receptores de trasplante hepático, y desarrollo de una plataforma web (JHipster) para su recogida prospectiva. Análisis exploratorio de los datos clínicos (antecedentes, comorbilidades y factores de riesgo) como fase inicial del modelado de supervivencia, orientado a reducir las tasas de rechazo.

Proyectos

Proyectos personales de IA y ciencia de datos, ordenados del más reciente al más antiguo.

Demo

Detección de animales

Modelo de visión por computador (YOLOv7) que detecta y clasifica monos, gatos y perros en imágenes.

Ver
Demo

Reconocimiento de dígitos

Red neuronal que reconoce dígitos escritos a mano y muestra en qué zona de la imagen se fija para decidir.

Ver

Charlas y pósters

Mesa redonda de la jornada AdminClínic 2026 en el Paraninfo de la Facultad de Medicina Ponente

Identificación de episodios de corta duración en los servicios de urgencias del HCB

AdminClínic 2026
11 de Junio de 2026

Presentación de una herramienta predictiva end-to-end, basada en machine learning, para detectar en triaje los episodios de urgencias de corta duración.

Cabecera del cartel de la sesión formativa Enfoque metodológico de la IA Ponente

Enfoque metodológico en IA: de los fundamentos a la práctica hospitalaria

Sesión formativa · Hospital Clínic
29 de Octubre de 2025

Formación para profesionales del hospital: los conceptos básicos del aprendizaje automático, explicados como me habría gustado que me los explicaran al empezar.

Cabecera de la III Jornada I3A y XI Jornada de Jóvenes Investigadores e Investigadoras, Universidad de Zaragoza Póster

VoxelMorph based Normalization in the Prediction of Stable vs Progressive MCI Conversion with Convolutional Neural Networks

XI Jornada de Jóvenes Investigadores
I3A, Universidad de Zaragoza
16 de Junio de 2022

Normalización de resonancias magnéticas con deep learning (VoxelMorph) para pronosticar qué pacientes con deterioro cognitivo leve evolucionarán a Alzheimer.

Más allá del trabajo

Desde el principio decidí orientar mi perfil técnico hacia la salud, un ámbito donde el machine learning puede mejorar de forma directa la atención a los pacientes y el trabajo de los profesionales.

Lo que más disfruto es modelar problemas complejos con datos difíciles, ver la herramienta funcionando y explicar a los equipos qué puede aportar y con qué transparencia. Mi objetivo es que cada modelo aporte valor real a quien lo usa.

Para mantener la concentración y la cabeza despejada, cuido hábitos que compagino con el trabajo: el deporte, en especial el surf y el skate, una buena alimentación y la lectura.

¿Tienes un problema complejo con datos o en un contexto clínico? Hablemos y pongámonos a trabajar.

Abierto a

  • Oportunidades laborales y colaboraciones.
  • Ayudar a empresas, centros de investigación y startups de ciencias de la salud a definir, validar y desarrollar soluciones de machine learning e inteligencia artificial.
  • Conversaciones sobre IA clínica, LLMs e informática biomédica.
  • Consultoría en IA: Data Scientist, ML Engineer, AI Engineer.

Hablemos

sierradaniel.ind@gmail.com

Barcelona, España

Top