Eli Lilly and Company on rahvusvaheline farmaatsia- ja tervishoiuettevõte, mis keskendub retseptiravimite avastamisele, arendamisele, tootmisele ja turustamisele. Ettevõtte tegevus hõlmab muu hulgas diabeedi, onkoloogia, immunoloogia, neuroteaduse ja valu valdkondi, ühendades teadus- ja arendustegevuse kliiniliste uuringute, regulatiivsete protsesside, bioloogiliste ja väikemolekulaarsete ravimite tootmise ning ülemaailmse turustamisega.
Rakendusliku tehisintellekti insener, kliiniline informaatika — Eli Lilly, Boston, kohapealne töö
Arenda rakendusliku tehisintellekti ja masinõppe võimekust Eli Lilly kliiniliste uuringute, biopankade ja translatsioonimeditsiini programmide jaoks. Kasuta kliinilisi, molekulaarseid ja rahvastikuandmeid patsiendifenotüüpide iseloomustamiseks ning tulevaste ravimite jaoks tõendite loomiseks.
Kirjeldus
- Loo ja vii tootmisse agentseid tehisintellektitööriistu, mis võimaldavad teadlastel teha kliiniliste andmete kohta loomulikus keeles päringuid
- Kasuta biomeditsiinilisi ontoloogiaid, uuringuregistreid ja kureeritud rajateabeallikaid, et siduda otsinguga täiendatud genereerimise väljundid kontrollitud bioloogiliste teadmistega
- Rakenda juhendamata ja isejuhendatud meetodeid patsiendiarhetüüpide ning molekulaarsete haiguse alatüüpide tuvastamiseks uuringu- ja biopangaandmetes
- Koosta elulemuse analüüse ja dünaamilise ravirežiimi hindajaid integreeritud kliiniliste ja omics-muutujate põhjal
- Standardiseeri mitmekesised kliiniliste uuringute ja biopankade allikad ühisteks andmeesitusteks
- Hinda ning jälgi pärast juurutamist pidevalt mudelite kvaliteeti, ohutust ja töökindlust
- Koordineeri Lilly uurimisprogramme toetavaid tarnijaid, töövõtjaid ja väliseid partnereid
- Arenda SDTM-il ja ADaM-il põhinevaid töötlusvooge lukustatud uuringuandmebaaside jaoks, mida kasutatakse teisestes ja uurivates analüüsides
- Analüüsi lõpetatud uuringuid alarühmamõjude, ravi heterogeensuse ning ravile reageerijate ja mittereageerijate mustrite leidmiseks
- Rakenda NLP-d kõrvaltoimete kirjeldustele, kliinilistele märkmetele ja uurijate kommentaaridele võimalike ohutussignaalide avastamiseks
- Taasta patsientide pikisuunalised haiguslood, et uurida haiguse progresseerumist, ravivastuse kineetikat ja sündmuseni kuluvat aega
- Kavanda uuringuteüleseid metaanalüüse ja integreerivaid töövooge, mis hõlmavad lõpetatud kliinilisi uuringuid
- Kasuta suuri biopanga kohorte, sealhulgas UK Biobanki ja All of Us andmestikku, väliseks valideerimiseks ja andmete rikastamiseks
- Rakenda korratavaid teadustööprotsesse andmete versioonihalduse, konteineriseeritud arvutuse ja auditeerimiseks valmis analüüsikirjete abil
- Tee teadustööd HIPAA, GDPR-i ning kohaldatavate IRB-de ja eetikakomiteede standardite kohaselt
Nõuded
- Magistrikraad biomeditsiinilises informaatikas, arvutusbioloogias, bioinformaatikas, statistilises geneetikas, epidemioloogias, informaatikas või seotud kvantitatiivsel erialal või MD/PhD kraad samaväärse translatsioonilise andmeteaduse sügavusega ning vähemalt kuus aastat teadustöökogemust kliiniliste uuringute andmekogumite (SDTM/ADaM), biopangaandmete või suurte rahvastiku tervise andmekogumitega
- Doktorikraad biomeditsiinilises informaatikas, arvutusbioloogias, bioinformaatikas, statistilises geneetikas, epidemioloogias, informaatikas või seotud kvantitatiivsel erialal või MD/PhD kraad samaväärse translatsioonilise andmeteaduse sügavusega ning vähemalt kolm aastat teadustöökogemust kliiniliste uuringute andmekogumite (SDTM/ADaM), biopangaandmete või suurte rahvastiku tervise andmekogumitega
- Tõendatud kogemus kliiniliste andmete analüüsi tehisintellektitööriistade tootmisse juurutamisel
- Väga head Pythoni ja/või R-i oskused masinõppeks ja statistiliseks modelleerimiseks
- Tugev SQL-i oskus
- Kogemus pilvepõhiste teadusarvutusplatvormidega, eelistatavalt DNAnexuse, AWS-i, Google Cloudi, Azure'i või suure jõudlusega arvutusklastritega
- Edasijõudnud generatiivse tehisintellekti tehnikate, sealhulgas LLM-ide peenhäälestuse ja alusmudelite algusest peale treenimise praktilised teadmised
- Kogemus suure jõudlusega arvutuskeskkondades töötamisel
- CDISC-standardite, sealhulgas SDTM-i ja ADaM-i põhjalikud teadmised
- Tõendatud kogemus elulemuse analüüsi, põhjusliku järeldamise, NLP ja süvaõppe rakendamisel kliinilises või genoomiuuringus
- OMOP CDM-i, HL7 FHIR Genomicsi ja juhtivate biomeditsiiniliste ontoloogiate tugev tundmine
- Praktiline teadustöö kogemus suurte avalike ja piiratud juurdepääsuga biopankadega, sealhulgas UK Biobanki ja All of Us andmestikuga
- Kogemus föderaalõppe, diferentsiaalse privaatsuse või turvalise arvutuse meetodite rakendamisel mitme asutuse biomeditsiinilises uurimistöös
- Eelretsenseeritud publikatsioonid kliinilise tehisintellekti, translatsioonilise informaatika, genoomika või seotud valdkonnas
- Sihtuuringu raamistiku ja selle biopangaandmetega kasutamise tundmine
- Farmakogenoomika, ravimivastuse modelleerimise või kliiniliste uuringute PK/PD analüüsi teadmised
- Kogemus biomeditsiiniliste teadmistegraafide loomisel, graafipõhise masinõppe rakendamisel või ontoloogiapõhise arutluse kasutamisel
- Praktiline kogemus multiomiliste andmekogumite analüüsimisel
- Võime järgida HIPAA, GDPR-i ning kohaldatavate IRB-de ja eetikakomiteede nõudeid
Hüved
- Õigus ettevõtte boonusele, mida mõjutavad osaliselt organisatsiooni ja individuaalsed tulemused
- Tööandja toetatud 401(k) pensioniplaan
- Pensioniplaan
- Puhkuseaeg
- Ravikindlustus
- Hambaravikindlustus
- Nägemisega seotud kindlustus
- Retseptiravimite kindlustus
- Paindlikud kuluhüvitise võimalused tervishoiu ja/või ülalpeetavate hoolduse jaoks
- Elukindlustus ja surmahüvitised
- Vaba aja ja puhkuse programmid
- Heaolu toetamine, näiteks töötajate abiprogramm, treeninguvõimalused ning töötajate klubid ja tegevused
- Töötajate tugirühmad