Clinical AI Systems Integration & ESI Validation Framework - QC-861 / Intégration des systèmes d’IA clinique et cadre de validation ESI - QC-861
Genre de projet: InnovationDiscipline(s) souhaitée(s): Génie - informatique / électrique, Génie, Médecine, Sciences de la vie, Informatique, Sciences mathématiques
Entreprise: Ellelogic AI
Durée du projet: 4 à 6 mois
Date souhaitée de début: Dès que possible
Langue exigée: Bilingue
Emplacement(s): Montreal, QC, Canada
Nombre de postes: 1
Niveau de scolarité désiré: CollègeÉtudes de premier cycle/baccalauréatMaîtriseDoctoratRecherche postdoctoraleNouvelle diplômée/nouveau diplômé
Ouvert aux candidatures de personnes inscrites à un établissement à l’extérieur du Canada: No
Au sujet de l’entreprise:
ElleLogic AI is a Canadian health-tech company developing an intelligent triage and clinical decision-support platform designed to reduce emergency-department overcrowding and optimize patient flow. Our SaaS solution leverages advanced AI and machine learning to analyze patient-reported symptoms, vitals, and medical histories to predict Emergency Severity Index (ESI) levels and assist clinicians in prioritizing care.
ElleLogic AI est une entreprise canadienne de technologie de la santé qui développe une plateforme intelligente de triage et d’aide à la décision clinique conçue pour réduire l’engorgement des services d’urgence et optimiser le flux des patients. Notre solution de logiciel-service (SaaS) utilise l’IA avancée et l’apprentissage automatique pour analyser les symptômes, les signes vitaux et les antécédents médicaux rapportés par les patients et patientes afin de prédire les niveaux de l’indice de gravité des urgences (Emergency Severity Index ou « ESI ») et d’aider les cliniciens et cliniciennes à hiérarchiser les soins.
Veuillez décrire le projet.:
ElleLogic AI seeks to develop an integrated validation and evaluation framework for its clinical triage system that leverages large language models (LLMs) such as Google Gemini and MedGemma. The project aims to build, test, and refine a triage accuracy measurement pipeline capable of evaluating ESI-level predictions from AI-generated outputs. The intern will:
● Design a data architecture that integrates synthetic and real clinical datasets (symptoms, vitals, and complaints).
● Implement a testing framework to compare AI-predicted ESI outputs with clinician-labeled ground truth using classification metrics (accuracy, precision, recall, F1).
● Develop and document integration methods for embedding AI APIs into ElleLogic’s SaaS platform.
ElleLogic AI cherche à développer un cadre intégré de validation et d’évaluation pour son système de triage clinique qui exploite de grands modèles de langage (LLM) tels que Google Gemini et MedGemma. Le projet vise à bâtir, tester et affiner un pipeline de mesure de la précision du triage pouvant évaluer les prédictions au niveau de l’ESI à partir des résultats générés par l’IA. La personne stagiaire devra :
● Concevoir une architecture de données qui intègre des ensembles de données cliniques synthétiques et réelles (symptômes, signes vitaux et plaintes).
● Mettre en œuvre un cadre de test pour comparer les résultats ESI prédits par l’IA avec la vérité de base indiquée par le clinicien en utilisant des mesures de classification (exactitude, précision, rappel, F1).
● Développer et documenter les méthodes d’intégration pour incorporer les API d’IA dans la plateforme logiciel-service d’ElleLogic.
Expertise ou compétences exigées:
Strong programming experience in Python (Pandas, NumPy, scikit-learn).
Understanding of machine learning classification metrics and evaluation frameworks.
Familiarity with LLMs and API integration (Gemini, OpenAI, or similar).
Knowledge of healthcare data structures (ESI, vitals, FHIR standards) and data privacy practices (HIPAA/PHIPA).
Experience in data preprocessing, model testing, and synthetic dataset generation.
Solide expérience en programmation en Python (Pandas, NumPy, scikit-learn).
Compréhension des mesures de classification de l’apprentissage automatique et des cadres d’évaluation.
Connaissance des LLM et de l’intégration des API (Gemini, OpenAI ou système similaire).
Connaissance des structures de données de santé (ESI, signes vitaux, normes FHIR) et des pratiques de confidentialité des données (HIPAA/PHIPA).
Expérience en matière de prétraitement des données, de tests de modèles et de génération d’ensembles de données synthétiques.
