Eli Lilly and Company ir starptautisks farmācijas un veselības aprūpes uzņēmums, kas koncentrējas uz recepšu medikamentu atklāšanu, izstrādi, ražošanu un komercializāciju. Uzņēmuma darbība aptver tādas terapeitiskās jomas kā diabēts, onkoloģija, imunoloģija, neirozinātne un sāpju ārstēšana, apvienojot pētniecību un izstrādi ar klīniskajiem pētījumiem, regulatīvajiem procesiem, bioloģisko un mazo molekulu zāļu ražošanu un izplatīšanu visā pasaulē.
Lietišķā mākslīgā intelekta inženieris, klīniskā informātika — Eli Lilly, Bostona, darbs klātienē
Izstrādā lietišķā mākslīgā intelekta un mašīnmācīšanās risinājumus Eli Lilly klīniskajiem pētījumiem, biobankām un translācijas medicīnas programmām. Izmanto klīniskos, molekulāros un populācijas datus, lai raksturotu pacientu fenotipus un radītu pierādījumus nākotnes terapijām.
Apraksts
- Izveido un ievies ražošanā aģentiskā mākslīgā intelekta rīkus, kas ļauj pētniekiem dabiskā valodā veikt vaicājumus klīniskajiem datiem
- Izmanto biomedicīniskās ontoloģijas, pētījumu reģistrus un kurētus bioloģisko ceļu resursus, lai ar izguvi papildinātās ģenerēšanas rezultātus balstītu pārbaudītās bioloģiskās zināšanās
- Piemēro neuzraudzītas un pašuzraudzītas metodes pacientu arhetipu un molekulāro slimību apakštipu noteikšanai pētījumu un biobankas datu kopās
- Veido izdzīvotības analīzes un dinamisku ārstēšanas režīmu novērtētājus, izmantojot integrētus klīniskos un omikas mainīgos
- Standartizē dažādus klīnisko pētījumu un biobanku avotus kopīgās datu reprezentācijās
- Pēc ieviešanas novērtē un nepārtraukti uzraugi modeļu kvalitāti, drošumu un darbības uzticamību
- Koordinē piegādātājus, darbuzņēmējus un ārējos partnerus, kas atbalsta Lilly pētniecības programmas
- Izstrādā uz SDTM un ADaM balstītus konveijerus noslēgtām pētījumu datubāzēm, ko izmanto sekundārajās un izpētes analīzēs
- Analizē pabeigtus pētījumus, lai noteiktu apakšgrupu ietekmi, ārstēšanas neviendabīgumu un pacientu reaģēšanas vai nereaģēšanas modeļus
- Piemēro NLP nevēlamo notikumu aprakstiem, klīniskajām piezīmēm un pētnieku komentāriem, lai atklātu iespējamos drošuma signālus
- Atjauno pacientu garengriezuma slimību vēstures, lai pētītu slimības progresēšanu, atbildes reakcijas uz ārstēšanu kinētiku un laiku līdz notikumam
- Izstrādā starppētījumu metaanalīzes un integrētas darbplūsmas, kas aptver pabeigtus klīniskos pētījumus
- Izmanto lielas biobankas kohortas, tostarp UK Biobank un All of Us, ārējai validācijai un datu bagātināšanai
- Ievieš reproducējamus pētniecības procesus ar datu versiju kontroli, konteinerizētu skaitļošanu un auditam gataviem analīzes ierakstiem
- Veic pētījumus saskaņā ar HIPAA, GDPR un piemērojamo IRB un ētikas komiteju standartiem
Prasības
- Maģistra grāds biomedicīniskajā informātikā, skaitļošanas bioloģijā, bioinformātikā, statistiskajā ģenētikā, epidemioloģijā, datorzinātnē vai saistītā kvantitatīvā disciplīnā vai MD/PhD grāds ar līdzvērtīgu translācijas datu zinātnes pieredzi, kā arī vismaz sešu gadu pētniecības pieredze, izmantojot klīnisko pētījumu datu kopas (SDTM/ADaM), biobankas datus vai lielas populācijas veselības datu kopas
- Doktora grāds biomedicīniskajā informātikā, skaitļošanas bioloģijā, bioinformātikā, statistiskajā ģenētikā, epidemioloģijā, datorzinātnē vai saistītā kvantitatīvā disciplīnā vai MD/PhD grāds ar līdzvērtīgu translācijas datu zinātnes pieredzi, kā arī vismaz trīs gadu pētniecības pieredze, izmantojot klīnisko pētījumu datu kopas (SDTM/ADaM), biobankas datus vai lielas populācijas veselības datu kopas
- Pierādīta pieredze mākslīgā intelekta rīku ieviešanā ražošanā klīnisko datu analīzei
- Padziļinātas Python un/vai R prasmes mašīnmācīšanai un statistiskajai modelēšanai
- Spēcīgas SQL zināšanas
- Pieredze mākoņpētniecības skaitļošanas platformu izmantošanā, vēlams ar DNAnexus, AWS, Google Cloud, Azure vai augstas veiktspējas skaitļošanas klasteriem
- Praktiskas zināšanas par progresīvām ģeneratīvā mākslīgā intelekta metodēm, tostarp LLM precizēšanu un pamatu modeļu apmācīšanu no nulles
- Pieredze darbā augstas veiktspējas skaitļošanas vidēs
- Visaptverošas zināšanas par CDISC standartiem, tostarp SDTM un ADaM
- Pierādīta izdzīvotības analīzes, cēloņsakarību secināšanas, NLP un dziļās mācīšanās pielietošanas pieredze klīniskajos vai genomikas pētījumos
- Labas zināšanas par OMOP CDM, HL7 FHIR Genomics un vadošajām biomedicīniskajām ontoloģijām
- Praktiska pētniecības pieredze ar lielākajām publiskajām un ierobežotas piekļuves biobankām, tostarp UK Biobank un All of Us
- Pieredze federētās mācīšanās, diferenciālā privātuma vai drošas skaitļošanas metožu piemērošanā daudzvietu biomedicīniskajos pētījumos
- Recenzētu publikāciju pieredze klīniskā mākslīgā intelekta, translācijas informātikas, genomikas vai saistītā jomā
- Mērķa pētījuma ietvara un tā izmantošanas ar biobankas datiem pārzināšana
- Farmakogenomikas, zāļu atbildes modelēšanas vai klīnisko pētījumu PK/PD analīzes zināšanas
- Pieredze biomedicīnisko zināšanu grafu veidošanā, grafu mašīnmācīšanās izmantošanā vai uz ontoloģijām balstītas spriešanas pielietošanā
- Praktiska pieredze multiomikas datu kopu analīzē
- Spēja ievērot HIPAA, GDPR un piemērojamo IRB un ētikas komiteju prasības
Priekšrocības
- Tiesības uz uzņēmuma prēmiju, ko daļēji ietekmē organizācijas un individuālie rezultāti
- Darba devēja sponsorēts 401(k) plāns
- Pensiju plāns
- Atvaļinājuma laiks
- Medicīniskā apdrošināšana
- Zobārstniecības apdrošināšana
- Redzes aprūpes apdrošināšana
- Recepšu medikamentu apdrošināšana
- Elastīgas izdevumu apmaksas iespējas veselības aprūpei un/vai apgādājamo aprūpei
- Dzīvības apdrošināšana un nāves pabalsti
- Brīvdienu un atvaļinājumu programmas
- Labklājības atbalsts, piemēram, darbinieku palīdzības programma, fitnesa iespējas un darbinieku klubi un aktivitātes
- Darbinieku resursu grupas