Médico con 6 años de práctica clínica real + doble máster en IA aplicada a Sanidad y Salud Digital. El perfil que las organizaciones sanitarias y las consultoras buscan cuando necesitan que alguien entienda el problema antes de proponer la solución.
Criterio clínico real para evaluar, cuestionar e implementar soluciones de IA en salud. La capacidad de sentarme con un equipo de ingenieros y entender lo que construyen. La capacidad de sentarme con un comité médico y explicarles por qué no funciona. Y el conocimiento del marco regulatorio europeo para que las decisiones sean sostenibles.
No soy developer ni data scientist. La capacidad técnica es la credencial que fundamenta mi criterio consultor, no el servicio.
→ Evaluación y estrategia de adopción de Clinical AI Auditoría de soluciones de IA clínica, análisis de encaje asistencial y diseño de estrategia de adopción en entornos hospitalarios reales.
→ Asesoramiento regulatorio EU AI Act · MDR · SaMD Clasificación bajo el Reglamento 2024/1689, análisis de conformidad y hoja de ruta de cumplimiento para proyectos HealthTech y MedTech.
→ Viabilidad clínica de CDSS, datos e interoperabilidad Análisis clínico de Clinical Decision Support Systems, Healthcare Data Analytics e interoperabilidad sanitaria (HL7 FHIR · SNOMED-CT · EHDS).
→ Traducción clínica–técnica en transformación digital sanitaria Puente entre criterio médico, equipos técnicos y compra pública en proyectos de transformación digital sanitaria.
Herramienta open source que clasifica sistemas de IA sanitarios bajo el EU AI Act (Reglamento 2024/1689). Pipeline de dos etapas: agente Claude Sonnet 4.5 + motor de reglas estático con invariante de no-degradación. Devuelve nivel de riesgo, categorías del Anexo III, flags del Artículo 5, base legal y flag SaMD. Genera informe PDF listo para auditoría.
Python · FastAPI · Streamlit · Claude API · WeasyPrint · Docker
Trabajo Fin de Máster (IA aplicada a Sanidad, CEMP). Random Forest sobre 253.680 registros reales del CDC BRFSS con AUC-ROC 0.942. Análisis de equidad algorítmica por subgrupos demográficos, explicabilidad clínica XAI/SHAP y cumplimiento RGPD + EU AI Act + EHDS como restricciones de diseño desde el día uno.
Random Forest · Scikit-learn · XAI/SHAP · Hugging Face
Modelo de demanda de camas con estimación de reducción de varianza del 30–40% sobre baseline naive, combinando variables clínicas y operativas (históricos de ocupación, ingresos, altas, estancia media, índices de urgencias). Aplicable a gestión anticipada de capacidad asistencial.
Python · Time Series · Healthcare Data Analytics · Hospital Operations
- GeriCare — Prototipo de ERP sanitario modelado sobre HL7/FHIR R4 para residencias geriátricas.
- Pima Diabetes Risk CDSS — Ejercicio temprano de clasificación de riesgo sobre dataset Pima Indians Diabetes.
EU AI Act Reglamento 2024/1689 MDR SaMD ISO 13485 RGPD EHDS HL7 FHIR R4 SNOMED-CT LOINC Marcado CE
HealthTech MedTech Life Sciences Digital Health Industria Farmacéutica Medical Device · Hospitales · Aseguradoras · Administración pública · CCAA · Ministerio de Sanidad
| Institución | Programa | Periodo |
|---|---|---|
| Centro Europeo de Másters y Posgrados (CEMP) | Máster en IA Aplicada a Sanidad | Feb 2025 – Mar 2026 |
| Universidad Europea (Madrid) | Máster en Salud Digital / eHealth | Oct 2025 – Oct 2026 |
| Stanford University | AI in Healthcare Specialization | Feb 2025 – Feb 2026 |
| Universidad del Rosario (Colombia) | Medicina | 2018 – 2024 |
Méderi · 2018–2024 — 6 años de práctica continua en Medicina Interna, Urgencias y Atención Primaria. Gestión autónoma de >40 pacientes/turno, coordinación de equipos, diseño de protocolos asistenciales y supervisión de estudiantes en rotación.
Asesoro a organizaciones sanitarias, consultoras (Crowe, Deloitte, Accenture, Minsait) y empresas HealthTech, MedTech y Life Sciences que necesiten criterio clínico y regulatorio europeo en proyectos de IA en salud.
📩 zakzukaram@gmail.com 🌐 alejandrozakzuk.com 💼 linkedin.com/in/aramzakzuk
📍 Madrid, España
Última actualización: abril 2026