Mchambuzi mtaalamu wa data — Informatics ya afya

Heritage Alliance Ltd ni kampuni ya utafiti wa afya na sayansi ya data yenye makao yake Ubelgiji, inayofanya kazi na washirika Afrika na kimataifa.

Sisi ni nani

Tunawaleta pamoja wataalamu wa kliniki, wanatakwimu na wanasayansi wa data ili kuchunguza masuala ya afya na kubadilisha matokeo kuwa maamuzi yanayoweza kutumiwa na washirika.

Sayansi za Data za Afya na Uchanganuzi wa Kina: Uchanganuzi wa takwimu, uchakataji wa data za afya kwa kiwango kikubwa, uundaji wa modeli za utabiri na ujifunzaji wa shirikisho katika taasisi mbalimbali.

Utafiti changamano wa kliniki, ikiwemo majaribio ya kliniki na sayansi ya utekelezaji: Msaada wa uchanganuzi kwa tafiti za uchunguzi, majaribio na tathmini za huduma za afya, kwa kuzingatia usanifu wa utafiti, upendeleo na kutokuwa na uhakika.

Ubunifu na Uundaji wa Mifumo ya Afya ya Kidijitali: Dashibodi na michakato ya uchanganuzi inayounganisha matokeo ya utafiti na mahitaji ya kliniki, programu na sera.

Mazingira yanayoongozwa na dhamira: Tumia ujuzi wa uchanganuzi wa kiasi kushughulikia maswali halisi ya afya katika ushirikiano wa Afrika na kimataifa.

Teknolojia za kisasa: Fanya kazi na programu za kisasa za takwimu, mifumo ya ujifunzaji wa mashine na miundombinu ya data shirikishi.

Uzoefu wa kimataifa: Shirikiana na vituo vya afya, taasisi za afya ya umma na washirika wa utafiti.

Fursa za kukua na kuongoza: Endelea kutoka uchanganuzi unaosimamiwa hadi utekelezaji wa utafiti kwa kujitegemea na ushauri wa kiufundi.

Tunawakaribisha waombaji wanaoweza kueleza kwa nini uchanganuzi unafaa, kuonyesha jinsi ulivyotekelezwa na kuwasilisha upeo na mipaka ya matokeo yake. Miradi imara ya kitaaluma inaweza kutoa ushahidi wa uwezo kwa nafasi za ngazi ya mwanzo.

Utafanya kazi na watafiti wa kitabibu, wahandisi wa data na timu za programu. Wenzako wa ngazi ya kuanza watatekeleza kazi zilizoainishwa chini ya usimamizi wa kiufundi; wenzako walio katika hatua ya kati ya taaluma watawajibika kwa mikondo ya kazi za uchanganuzi na kukagua kazi za wengine.

• Panga uchanganuzi unaoweza kutetewa: Geuza maswali ya afya kuwa matokeo, ufafanuzi wa makundi na mipango ya uchanganuzi iliyoandikwa; tofautisha malengo ya kuelezea, kutabiri na kubaini sababu.
• Andaa seti changamano za data za afya: Safisha na uchambue rekodi za kliniki za muda mrefu, sajili, data za maabara, tafiti na programu; chunguza ukosefu wa data, vipimo visivyolingana, marudio na upendeleo wa uteuzi.
• Tumia takwimu za kibayolojia zinazofaa: Tumia mbinu mwafaka za urejeshi, uhai, ufuatiliaji wa muda mrefu au ngazi nyingi; chunguza dhana, pima kutokuwa na uhakika na fanya uchanganuzi wa unyeti.
• Fanya kazi kwa kiwango kikubwa: Andika mitiririko yenye ufanisi ya SQL na R au Python kwa seti za data zinazozidi uchakataji rahisi wa kompyuta ya mezani; tumia uchakataji uliosambazwa inapohalalishwa na kiasi cha data na miundombinu.
• Tengeneza na thibitisha modeli za ujifunzaji wa mashine: Jenga michakato ya mafunzo inayoweza kurudiwa; zuia kuvuja kwa taarifa kati ya seti za mafunzo na tathmini katika ngazi ya mgonjwa, muda na kituo; tathmini uwezo wa kutofautisha, urekebishaji, utendaji wa vikundi vidogo na uhalali wa nje.
• Tekeleza ujifunzaji shirikishi: Tengeneza na tathmini modeli kwa wamiliki wa data wanaoshiriki bila kukusanya rekodi za wagonjwa sehemu moja; shughulikia tofauti za maeneo, kutolingana kwa makundi, uthibitishaji wa ndani na mikakati ya kujumlisha.
• Tathmini vikwazo vya faragha na uwekaji wa mfumo: Shirikiana na wenzako wa uhandisi na utawala kuhusu utekelezaji unaodhibitiwa na ukaguzi wa ufichuaji; elewa kwamba kuhifadhi data ghafi katika eneo lake pekee hakuondoi hatari za faragha.
• Unda vielelezo vyenye manufaa: Tengeneza dashibodi na ripoti zenye viashiria vya msingi vya uwiano, ufafanuzi, tarehe za kusasisha na kutokuwa na uhakika vilivyo wazi, ukitumia zana zinazofaa kama Power BI, Shiny, Dash au Superset.
• Fanya uchambuzi uweze kurudiwa: Dumisha msimbo wenye udhibiti wa matoleo, vitendaji vinavyoweza kutumiwa tena, maelezo ya mazingira na nyaraka; changia ripoti za kiufundi, miswada ya machapisho na mafunzo ya washirika.

Safari na kazi katika vituo: Mikutano ya washirika na ziara za mara kwa mara za mafunzo au utekelezaji, kulingana na mahitaji ya mradi.

Muhimu

• Shahada katika biostatistiki, takwimu, hisabati, sayansi ya data, epidemiolojia, informatics ya afya au taaluma inayohusiana yenye mafunzo thabiti ya uchanganuzi wa kiasi. Shahada ya uzamili inayofaa inapendelewa.
• Misingi imara ya uwezekano, hitimisho la kitakwimu, aljebra ya mstari na tathmini ya modeli; uwezo wa kueleza dhana na mipaka ya uchambuzi.
• Umahiri wa vitendo katika SQL na R au Python, ukiwa na uwezo wa kujenga mtiririko wa kazi unaoweza kurudiwa na kufanya kazi na seti kubwa au changamano za data.
• Uelewa thabiti wa ujifunzaji wa mashine na ujifunzaji wa shirikisho, unaoungwa mkono na kazi za vitendo. Ufahamu wa mfumo kama Flower, au uzoefu unaolingana wa uundaji wa modeli uliosambazwa.
• Uwezo wa kutafsiri data za afya kwa uchambuzi makini na kuwasilisha matokeo kwa wataalamu wa kiufundi na wa kliniki.
• Ufasaha wa Kiingereza, ujuzi mzuri wa Kifaransa na ushirikiano wenye ufanisi katika taaluma na maeneo mbalimbali.

Matarajio kulingana na ngazi ya uteuzi

• Nafasi ya ngazi ya mwanzo: Ushahidi kutoka tasnifu, mafunzo kwa vitendo au jalada kubwa la kazi unaoonyesha uchanganuzi wa takwimu, msimbo unaoweza kurudiwa, dashibodi na mfano wa ujifunzaji wa mashine wenye sehemu inayoonekana ya ujifunzaji shirikishi. Uongozi wa kujitegemea katika mifumo halisi hautarajiwi.
• Nafasi ya kiwango cha kati: Ushahidi wa kufanya uchanganuzi wa data za afya kwa kujitegemea, kushughulikia seti kubwa za data, kuthibitisha modeli na kuratibu kazi za uchanganuzi na wadau wengi; utekelezaji wa vitendo wa mchakato wa modeli shirikishi unatarajiwa.

Kinachopendelewa

• Uzoefu wa Observational Medical Outcomes Partnership Common Data Model (OMOP CDM), mfumo wa Observational Health Data Sciences and Informatics (OHDSI), au majukwaa ya utekelezaji shirikishi kama Vantage6.
• Uzoefu wa kubaini mahusiano ya sababu na athari, uundaji wa modeli za epidemiolojia, ukokotoaji uliosambazwa, mbinu za kuimarisha faragha au utafiti wa afya katika mazingira ya Afrika.

Malipo: Yanajadiliwa kulingana na uzoefu, majukumu, kituo cha kazi na masharti ya mkataba.

Maendeleo ya taaluma: Maendeleo yaliyopangwa katika takwimu za kibayolojia, uchanganuzi unaoweza kurudiwa na ujifunzaji shirikishi bila kuhamisha data, kwa usimamizi unaolingana na kiwango cha nafasi.

Mazingira ya kazi: Ushirikiano wa taaluma mbalimbali, ufikiaji wa rasilimali husika za kiufundi na fursa za kuchangia utafiti wa afya wa kimataifa. Mafao na mipango ya kazi itaainishwa katika ofa ya ajira.

Wanawake wanahimizwa kutuma maombi.