Trabajo

Lo que he hecho, contado por lo que salió.

Sin nombres de cliente donde no toca y sin datos internos. Solo el problema, lo que hice y qué quedó funcionando.

Pivotal · 2026–hoy

Marco de gobernanza y agentes de IA para más de 200 usuarios

Problema: La empresa tenía licencias de IA repartidas y ningún control: nadie sabía qué herramientas se usaban ni con qué datos, y cada departamento pedía cosas distintas.
Qué hice: Diseñé un registro de sistemas, una clasificación por niveles de riesgo y un proceso de aprobación ligero. En paralelo monté los agentes que hoy usan los equipos, sobre Anthropic, OpenAI y LangChain, y priorizo el roadmap de producto de IA.
Resultado: El uso pasó a estar mapeado y aprobado, los equipos dejaron de trabajar con herramientas fuera de control y los agentes entraron en el trabajo diario de todos los departamentos.

IHI · socio UPM

Problema: Un consorcio europeo con socios clínicos, académicos e industriales quería anticipar la falta de adherencia. Los datos estaban repartidos entre historias clínicas, cohortes de atención primaria y cuestionarios que no hablaban entre sí.
Qué hice: Integré y analicé más de quince bases de datos sanitarias, entrené modelos supervisados de adherencia y de efectos adversos, y trabajé la parte causal con redes bayesianas para saber no solo quién abandona el tratamiento, sino por qué. Coordinación entre socios y redacción de entregables.
Resultado: Resultados publicados en revistas indexadas y en congresos del IEEE, tres premios de investigación entre SEMERGEN y VIATRIS, semFYC e IEEE-EMBS, y una plataforma de visualización evaluada con profesionales antes de darla por buena.

IHI · Horizonte Europa · H2020

Problema: Los grupos de investigación y las pymes tienen la idea científica, pero el apartado técnico de la propuesta lo escribe quien puede, a última hora.
Qué hice: Redacción del componente de IA y datos en más de diez propuestas a convocatorias europeas, con el análisis técnico de más de treinta sistemas de IA para sostener el estado del arte.
Resultado: Propuestas presentadas con una parte técnica coherente con lo que después hay que ejecutar, no con una lista de deseos.

Investigación propia · NEJM AI

Problema: Un asistente conversacional en producción, usado por pacientes reales, sin ninguna revisión de seguridad publicada.
Qué hice: Análisis técnico del sistema, documentación de los hallazgos y comunicación responsable al responsable del servicio antes de contarlo en ningún sitio.
Resultado: El sistema corrigió la exposición y el análisis salió en NEJM AI, con la lectura de qué significa esto para cualquier organización que ponga un chatbot delante de un paciente.

Línea propia · 2024–2025

Problema: Compartir datos reales entre centros bloquea proyectos enteros: protección de datos, comités y plazos que no encajan con el calendario de la investigación. Los datos sintéticos se venden como la salida, pero casi nadie mide si de verdad sirven ni qué riesgo traen.
Qué hice: Primero revisé de forma sistemática qué se estaba haciendo ya en el sector. Después generé cohortes sintéticas y las evalué en las dos direcciones que importan: si conservaban la utilidad estadística del original y qué riesgo de reidentificación tenían.
Resultado: La revisión salió como primer autor en el International Journal of Medical Informatics, y el trabajo de generación sobre series temporales de actividad física en CBMS 2025. Material con el que decidir si los datos sintéticos resuelven tu caso o solo lo aplazan.

H2020 · socio UPM

Problema: Un proyecto de salud digital a escala europea con pilotos en varios países, cada uno con sus sistemas, sus formatos y sus reglas de acceso. Sin una capa común, cada piloto habría acabado siendo un proyecto aparte.
Qué hice: Trabajé en la integración de datos y en los servicios de IA que corren sobre la plataforma: que fuentes distintas se pudieran combinar, que el acceso quedara controlado y que un modelo se pudiera desplegar encima sin rehacerlo para cada sitio.
Resultado: La arquitectura quedó documentada y publicada en IEEE Access como algo reutilizable, no como el desarrollo a medida de un piloto concreto.

GATEKEEPER · H2020 · socio UPM

Problema: Un reloj mide bien lo que mide, pero por sí solo dice poco de una persona con diabetes, cáncer avanzado o párkinson. La señal útil aparece al cruzarlo con lo que el paciente responde y con su historia clínica.
Qué hice: Contribuí a arquitecturas de aprendizaje profundo multimodal que combinan señal de dispositivos vestibles, cuestionarios y datos clínicos, buena parte sobre los datos de GATEKEEPER: estimación de glucosa intersticial, biomarcadores de estilo de vida frente a HbA1c, calidad de vida en cáncer avanzado, progresión del párkinson y marcadores de arritmia en diabetes tipo 2.
Resultado: Cinco trabajos publicados entre Scientific Reports, IEEE JBHI y EMBC, cada uno validado sobre datos de pacientes reales.