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.
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.
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
Qué hago
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.
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.
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.
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 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.
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.
Tech stack
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.
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.
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 personales de IA y ciencia de datos, ordenados del más reciente al más antiguo.
Modelo de visión por computador (YOLOv7) que detecta y clasifica monos, gatos y perros en imágenes.
VerRed neuronal que reconoce dígitos escritos a mano y muestra en qué zona de la imagen se fija para decidir.
Ver
Ponente
Presentación de una herramienta predictiva end-to-end, basada en machine learning, para detectar en triaje los episodios de urgencias de corta duración.
Ponente
Formación para profesionales del hospital: los conceptos básicos del aprendizaje automático, explicados como me habría gustado que me los explicaran al empezar.
Póster
Normalización de resonancias magnéticas con deep learning (VoxelMorph) para pronosticar qué pacientes con deterioro cognitivo leve evolucionarán a Alzheimer.
Sobre mí
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.
Contacto