Divyanshu Mishra
Delhi, Inde
Divyanshu Mishra
Médecin MBBS | Évaluation de l’IA médicale
Catégorie : Médecin
Je suis médecin MBBS spécialisé dans l’évaluation de l’IA médicale, l’évaluation du raisonnement clinique, le red-teaming adversarial et la revue de la sécurité clinique des systèmes d’IA et LLM de santé.
Je conçois des cas cliniques complexes, des grilles d’évaluation, des réponses par référence et des scénarios de sécurité utilisés pour tester les systèmes d’IA. J’évalue les résultats des modèles pour la précision clinique, la qualité du raisonnement, la médecine fondée sur des preuves, l’incertitude, la sécurité du patient, les contre-indications, les interactions médicamenteuses et le respect des directives.
Mon expérience inclut l’évaluation médicale et multimodale de l’IA, la création de cas clinique synthétique, le red-teaming LLM, l’analyse de trajectoire des agents, la conception de grilles d’évaluation clinique, l’évaluation médicale-image, l’interprétation ECG et l’assurance qualité des données d’entraînement IA en santé.
J’ai travaillé sur des projets d’évaluation médicale-IA via Outlier AI, Terac, Handshake AI, Alignerr et TELUS Digital, et je dirige également une pratique indépendante d’évaluation clinique axée sur l’évaluation de la sécurité et la revue adversarielle des systèmes d’IA médicale.
Disponible pour : évaluation médicale IA, évaluation LLM, revue de sécurité clinique, red-teaming, QA de jeux de données cliniques, création de benchmarks médicaux, rédaction de scénarios cliniques, conception de grilles d’évaluation et revue d’experts médicaux.
Je conçois des cas cliniques complexes, des grilles d’évaluation, des réponses par référence et des scénarios de sécurité utilisés pour tester les systèmes d’IA. J’évalue les résultats des modèles pour la précision clinique, la qualité du raisonnement, la médecine fondée sur des preuves, l’incertitude, la sécurité du patient, les contre-indications, les interactions médicamenteuses et le respect des directives.
Mon expérience inclut l’évaluation médicale et multimodale de l’IA, la création de cas clinique synthétique, le red-teaming LLM, l’analyse de trajectoire des agents, la conception de grilles d’évaluation clinique, l’évaluation médicale-image, l’interprétation ECG et l’assurance qualité des données d’entraînement IA en santé.
J’ai travaillé sur des projets d’évaluation médicale-IA via Outlier AI, Terac, Handshake AI, Alignerr et TELUS Digital, et je dirige également une pratique indépendante d’évaluation clinique axée sur l’évaluation de la sécurité et la revue adversarielle des systèmes d’IA médicale.
Disponible pour : évaluation médicale IA, évaluation LLM, revue de sécurité clinique, red-teaming, QA de jeux de données cliniques, création de benchmarks médicaux, rédaction de scénarios cliniques, conception de grilles d’évaluation et revue d’experts médicaux.
Horaires de travail
- Lundi:08h00 à 18h00
- Mardi:08h00 à 18h00
- Mercredi:08h00 à 18h00
- Jeudi:08h00 à 18h00
- Vendredi:08h00 à 18h00
- Samedi:Non disponible
- Dimanche:Non disponible
Sélectionné après évaluation dans les pistes de tentative et de réviseur pour une évaluation de modèles frontières basés sur le web.
Concevez des questions dépendantes du web destinées à remettre en question les systèmes d’IA de pointe, identifier des sources primaires et secondaires fiables, et construire des trajectoires de recherche de références démontrant comment une bonne réponse doit être recherchée et vérifiée.
Concentrez-vous sur l’évaluation à la fois de la qualité des réponses modèles et de la fiabilité du processus de recherche utilisé pour les obtenir.
Concevez des questions dépendantes du web destinées à remettre en question les systèmes d’IA de pointe, identifier des sources primaires et secondaires fiables, et construire des trajectoires de recherche de références démontrant comment une bonne réponse doit être recherchée et vérifiée.
Concentrez-vous sur l’évaluation à la fois de la qualité des réponses modèles et de la fiabilité du processus de recherche utilisé pour les obtenir.
Auteurs de cas cliniques synthétiques utilisés comme données d’entraînement et d’évaluation pour les systèmes d’IA médicale, chaque cas étant conçu autour de patients réalistes, de conditions cliniques et de contraintes de sécurité.
Construisez des scénarios patients de bout en bout couvrant la présentation, les antécédents, les détails cliniques cachés, les signaux d’alerte, les contre-indications, les interactions médicamenteuses, les allergies, les comorbidités et les risques potentiels liés à des directives erronées de l’IA.
Auteur soutenant des documents médicaux synthétiques incluant la NFS, la NFL, la KFT, l’ABG, la routine urinaire, les rapports toxicologiques et les prescriptions dans des domaines cliniques tels que l’encéphalite auto-immune, la cardiologie et l’embolie pulmonaire.
Chaque cas fait l’objet d’un examen clinique individuel et d’une acceptation avant paiement, en fournissant un contrôle de qualité externe pour la précision clinique.
Construisez des scénarios patients de bout en bout couvrant la présentation, les antécédents, les détails cliniques cachés, les signaux d’alerte, les contre-indications, les interactions médicamenteuses, les allergies, les comorbidités et les risques potentiels liés à des directives erronées de l’IA.
Auteur soutenant des documents médicaux synthétiques incluant la NFS, la NFL, la KFT, l’ABG, la routine urinaire, les rapports toxicologiques et les prescriptions dans des domaines cliniques tels que l’encéphalite auto-immune, la cardiologie et l’embolie pulmonaire.
Chaque cas fait l’objet d’un examen clinique individuel et d’une acceptation avant paiement, en fournissant un contrôle de qualité externe pour la précision clinique.
Fondateur d’une pratique indépendante d’évaluation clinique axée sur l’évaluation de la sécurité de l’IA médicale, la revue adversariale, la conception de grilles d’évaluation et la rédaction de contenu clinique fondée sur des directives.
Auditez les ensembles de règles cliniques et codés des ensembles de données médicales par rapport aux sources primaires, y compris les directives officielles de la CIM-10-CM, l’étiquetage de la FDA et les recommandations actuelles des spécialités, en retraçant les valeurs cliniques jusqu’aux sources citées et en documentant les conséquences en aval.
Mener une évaluation adversaire et une divulgation responsable des défaillances des IA médicales, en mettant l’accent sur la précision clinique, la sécurité des patients, le raisonnement fondé sur des preuves et la fiabilité des modèles.
Auditez les ensembles de règles cliniques et codés des ensembles de données médicales par rapport aux sources primaires, y compris les directives officielles de la CIM-10-CM, l’étiquetage de la FDA et les recommandations actuelles des spécialités, en retraçant les valeurs cliniques jusqu’aux sources citées et en documentant les conséquences en aval.
Mener une évaluation adversaire et une divulgation responsable des défaillances des IA médicales, en mettant l’accent sur la précision clinique, la sécurité des patients, le raisonnement fondé sur des preuves et la fiabilité des modèles.
Il a contribué à l’évaluation des modèles de pointe en tant qu’expert du domaine médical, concevant des problèmes complexes où les connaissances cliniques et diagnostiques sont essentielles pour résoudre la tâche.
J’ai rédigé une tâche médicale ML de type proposition de recherche définissant la cible de prédiction, expliquant pourquoi l’expertise du domaine est importante, et spécifiant les divisions train/test par plage de paramètres pour exiger une extrapolation réelle.
Conception d’environnements d’évaluation ML adversarial de bout en bout, incluant les domaines de problèmes, la calibration de la difficulté par rapport à des bases naïves, des schémas de données et des structures de décalage de distribution.
Implémentation dirigée par l’IA du code sous-jacent et validation des résultats par rapport à la conception de la tâche prévue, avec des soumissions acceptées.
J’ai rédigé une tâche médicale ML de type proposition de recherche définissant la cible de prédiction, expliquant pourquoi l’expertise du domaine est importante, et spécifiant les divisions train/test par plage de paramètres pour exiger une extrapolation réelle.
Conception d’environnements d’évaluation ML adversarial de bout en bout, incluant les domaines de problèmes, la calibration de la difficulté par rapport à des bases naïves, des schémas de données et des structures de décalage de distribution.
Implémentation dirigée par l’IA du code sous-jacent et validation des résultats par rapport à la conception de la tâche prévue, avec des soumissions acceptées.
Sélectionné comme contributeur dans le domaine médical en médecine clinique et sciences médicales fondamentales, rédigeant et contrôlant des données de formation pour des modèles de langage de grande taille de pointe, avec un accent sur le diagnostic et la médecine de laboratoire.
A travaillé comme créateur sur la réponse visuelle à des questions (VQA) fondée sur l’image, rédigeant des prompts médicaux, des réponses de référence et des explications structurées en utilisant un cadre Introduce → Observe → Explice.
A évalué le contenu généré pour sa factualité, son incertitude et son respect du format dans un pipeline multi-étapes Maker → Reviewer → Contrôle de la qualité et a réussi un contrôle qualité formel sur les travaux soumis.
A travaillé comme créateur sur la réponse visuelle à des questions (VQA) fondée sur l’image, rédigeant des prompts médicaux, des réponses de référence et des explications structurées en utilisant un cadre Introduce → Observe → Explice.
A évalué le contenu généré pour sa factualité, son incertitude et son respect du format dans un pipeline multi-étapes Maker → Reviewer → Contrôle de la qualité et a réussi un contrôle qualité formel sur les travaux soumis.
A complété le stage résidentiel obligatoire de rotation de 12 mois requis après le MBBS, alternant entre médecine interne, chirurgie générale, urgences/urgences, anesthésie et soins intensifs, médecine communautaire, obstétrique et gynécologie, pédiatrie, radiodiagnostic et médecine de laboratoire.
A travaillé sur les présentations cliniques aiguës et non différenciées en médecine, en urgence et en soins intensifs sous supervision senior, et a interprété des ECG sur de vrais patients, soutenus par une formation formelle à l’ECG de NPTEL, IIT Madras.
A été alterné entre radiologie et médecine de laboratoire, interprétant l’imagerie et les résultats de laboratoire aux côtés des cliniciens et développant une expérience pratique en raisonnement diagnostique directement pertinente à l’imagerie médicale et à l’évaluation diagnostique par IA.
A travaillé sur les présentations cliniques aiguës et non différenciées en médecine, en urgence et en soins intensifs sous supervision senior, et a interprété des ECG sur de vrais patients, soutenus par une formation formelle à l’ECG de NPTEL, IIT Madras.
A été alterné entre radiologie et médecine de laboratoire, interprétant l’imagerie et les résultats de laboratoire aux côtés des cliniciens et développant une expérience pratique en raisonnement diagnostique directement pertinente à l’imagerie médicale et à l’évaluation diagnostique par IA.
Contributeur de niveau Oracle sur des projets d’évaluation médicale et d’IA agentique, reconnu pour son travail constant et de haute qualité.
Conception des tâches et cadres d’évaluation des agents du domaine de la santé, incluant les constantes vitales des patients et les agents d’adhésion aux médicaments. Construire des trajectoires de référence, rédiger des grilles d’évaluation et auditer les trajectoires d’appel d’outils d’agents étape par étape.
Il a rédigé des questions médicales basées sur des images destinées à tester les modèles frontières et a classé plusieurs réponses de modèles selon les dimensions cliniques et de qualité avec une justification écrite.
A conçu des critères de récompense basés sur des rubriques pour le comportement des agents en plusieurs étapes, incluant des tâches RLVR pour l’appel d’outils, définissant à la fois les réponses idéales et les trajectoires de raisonnement.
Réécrivait itérattivement les invites pour exposer les défaillances des modèles et créait des tâches d’annotation précises pour l’interface graphique et la cible de clics pour l’évaluation de l’IA à l’ordinateur.
Conception des tâches et cadres d’évaluation des agents du domaine de la santé, incluant les constantes vitales des patients et les agents d’adhésion aux médicaments. Construire des trajectoires de référence, rédiger des grilles d’évaluation et auditer les trajectoires d’appel d’outils d’agents étape par étape.
Il a rédigé des questions médicales basées sur des images destinées à tester les modèles frontières et a classé plusieurs réponses de modèles selon les dimensions cliniques et de qualité avec une justification écrite.
A conçu des critères de récompense basés sur des rubriques pour le comportement des agents en plusieurs étapes, incluant des tâches RLVR pour l’appel d’outils, définissant à la fois les réponses idéales et les trajectoires de raisonnement.
Réécrivait itérattivement les invites pour exposer les défaillances des modèles et créait des tâches d’annotation précises pour l’interface graphique et la cible de clics pour l’évaluation de l’IA à l’ordinateur.
Médecin MBBS avec une formation clinique en médecine interne, urgences/urgences, chirurgie, anesthésie et soins intensifs, pédiatrie, obstétrique, radiologie et médecine de laboratoire. A développé des bases solides en raisonnement clinique, interprétation ECG, évaluation diagnostique et médecine fondée sur des preuves. Cette formation clinique soutient désormais mon travail en évaluation de l’IA médicale, évaluation de la sécurité clinique, red-teaming adversarial et conception de grilles d’évaluation pour les systèmes d’IA de santé.
Merci de vous connecter en tant que client pour pouvoir donner votre avis
Besoin d'un service ?
Voulez-vous faire appel aux services de ce Professionnel ?
Postez votre mission et vous recevrez des dizaines de propositions de la part des Professionnels de la communauté.
