Analyste expert des données — Informatique de santé

Heritage Alliance Ltd est une entreprise de recherche en santé et de science des données basée en Belgique, qui travaille avec des partenaires en Afrique et à l’international.

Qui sommes-nous

Nous réunissons des cliniciens, des statisticiens et des spécialistes des données pour étudier les questions de santé et transformer les résultats en décisions utiles à nos partenaires.

Sciences des données de santé et analyses avancées : analyse statistique, traitement de données de santé à grande échelle, modélisation prédictive et apprentissage fédéré entre institutions.

Recherche clinique complexe, y compris essais cliniques et science de la mise en œuvre : soutien analytique aux études observationnelles, essais et évaluations des soins, en tenant compte de la conception, des biais et de l’incertitude.

Innovation et développement de systèmes de santé numérique : tableaux de bord et processus d’analyse reliant les résultats de recherche aux besoins cliniques, programmatiques et politiques.

Un environnement guidé par une mission : mobiliser des compétences quantitatives pour résoudre des questions concrètes de santé dans des collaborations africaines et internationales.

Technologies de pointe : travailler avec des logiciels statistiques modernes, des cadres d’apprentissage automatique et des infrastructures de données fédérées.

Expérience internationale : collaborer avec des établissements de santé, des institutions de santé publique et des partenaires de recherche.

Possibilités d’évolution et de leadership : progresser de l’analyse supervisée vers la réalisation autonome d’études et le mentorat technique.

Nous accueillons les candidats capables d’expliquer pourquoi une analyse est appropriée, de démontrer comment elle a été réalisée et d’en communiquer la portée et les limites. Des projets universitaires solides peuvent constituer des preuves de compétences pour les postes juniors.

Vous travaillerez avec des investigateurs cliniques, des ingénieurs des données et des équipes de programmes. Les collègues débutants réaliseront des tâches définies sous supervision technique ; les collègues à mi-carrière prendront en charge des volets d’analyse et examineront le travail des autres.

• Planifier des analyses défendables : traduire les questions de santé en critères de résultat, définitions de cohortes et plans d’analyse documentés ; distinguer objectifs descriptifs, prédictifs et causaux.
• Préparer des jeux de données de santé complexes : nettoyer et analyser les dossiers cliniques longitudinaux, registres et données de laboratoire, d'enquête et de programme ; examiner les données manquantes, unités incohérentes, doublons et biais de sélection.
• Appliquer des méthodes biostatistiques rigoureuses : utiliser des méthodes de régression, de survie, longitudinales ou multiniveaux appropriées ; examiner les hypothèses, quantifier l’incertitude et réaliser des analyses de sensibilité.
• Travailler à grande échelle : écrire des processus efficaces en SQL et R ou Python pour des jeux de données dépassant les capacités de traitement usuelles d'un ordinateur de bureau ; utiliser le traitement distribué lorsque le volume de données et l'infrastructure le justifient.
• Développer et valider des modèles d’apprentissage automatique : créer des chaînes d’entraînement reproductibles ; éviter les fuites de données au niveau des patients, du temps et des sites ; évaluer la discrimination, la calibration, les performances par sous-groupe et la validité externe.
• Mettre en œuvre l’apprentissage fédéré : développer et évaluer des modèles auprès des détenteurs de données participants sans centraliser les dossiers individuels ; prendre en compte les différences entre sites, le déséquilibre des classes, la validation locale et les stratégies d’agrégation.
• Évaluer les contraintes de confidentialité et de déploiement : collaborer avec les équipes d’ingénierie et de gouvernance sur l’exécution contrôlée et l’examen des divulgations ; comprendre que conserver les données brutes localement ne suffit pas à éliminer les risques pour la confidentialité.
• Créer des visualisations utiles : réaliser des tableaux de bord et des rapports indiquant clairement les dénominateurs, les définitions, les dates d’actualisation et l’incertitude, à l’aide d’outils adaptés comme Power BI, Shiny, Dash ou Superset.
• Rendre les analyses reproductibles : maintenir du code sous gestion de versions, des fonctions réutilisables, les spécifications des environnements et la documentation ; contribuer aux rapports techniques, aux manuscrits et à la formation des partenaires.

Déplacements et travail sur site : réunions avec les partenaires et visites occasionnelles de formation ou de mise en œuvre, selon les besoins du projet.

Essentiel

• Un diplôme en biostatistique, statistique, mathématiques, science des données, épidémiologie, informatique de santé ou dans une discipline connexe comportant une formation quantitative approfondie. Un master pertinent est préférable.
• Solides bases en probabilités, inférence statistique, algèbre linéaire et évaluation des modèles ; capacité à expliquer les hypothèses et les limites analytiques.
• Maîtrise pratique de SQL et de R ou Python, avec la capacité de créer des processus reproductibles et de travailler sur des jeux de données volumineux ou complexes.
• Bonne compréhension de l’apprentissage automatique et fédéré, étayée par une expérience pratique. Maîtrise d’un cadre tel que Flower ou expérience équivalente de modélisation distribuée.
• Capacité à interpréter les données de santé de manière critique et à communiquer les résultats à des publics techniques et cliniques.
• Maîtrise de l'anglais, bonne connaissance du français et collaboration efficace entre disciplines et sites.

Attentes selon le niveau du poste

• Poste junior : éléments issus d’un mémoire, d’un stage ou d’un portfolio substantiel démontrant l’analyse statistique, du code reproductible, un tableau de bord et un prototype d’apprentissage automatique comportant une composante démontrable d’apprentissage fédéré. Une direction autonome en production n’est pas attendue.
• Poste de niveau intermédiaire : démontrer la réalisation autonome d’analyses de données de santé, la manipulation de grands jeux de données, la validation de modèles et la coordination d’analyses avec plusieurs parties prenantes ; la mise en œuvre pratique d’un processus de modélisation fédérée est attendue.

Souhaitable

• Expérience du modèle commun de données de l'Observational Medical Outcomes Partnership (OMOP CDM), de l'écosystème Observational Health Data Sciences and Informatics (OHDSI) ou de plateformes d'exécution fédérée telles que Vantage6.
• Expérience en inférence causale, en modélisation épidémiologique, en calcul distribué, en méthodes de protection de la vie privée ou en recherche en santé dans des contextes africains.

Rémunération : négociable selon l’expérience, les responsabilités, le lieu d’affectation et les modalités contractuelles.

Évolution professionnelle : développement structuré en biostatistique, analyse reproductible et apprentissage fédéré, avec un encadrement adapté au niveau du poste.

Environnement de travail : collaboration pluridisciplinaire, accès aux ressources techniques pertinentes et possibilités de contribuer à la recherche internationale en santé. Les avantages et les modalités de travail seront précisés dans l’offre d’emploi.

Les femmes sont encouragées à postuler.