Skip to content
Tool·Lifes /Todo sobre el trabajo Explore Guías Buscar

🧫Orígenes y evolución

Científico de Datos Clínicos · Usa datos clínicos, de ensayos y de sistemas de salud para generar evidencia fiable con la que mejorar la atención, la investigación y las decisiones operativas.

ResumenOrígenes y evoluciónCultura y estatusUniversidad y vía de entradaOficio y saber hacerLos grandesIA y el futuroSueldo y mercado
Compartir esta página

La ciencia de datos es uno de los títulos de trabajo más jóvenes de este sitio, asentado sobre uno de los oficios más antiguos: convertir un montón de registros en una afirmación sobre la que alguien pueda actuar. El nombre 'científico de datos clínicos' data solo de alrededor de 2008; la disciplina subyacente se remonta a tres siglos de estadísticos contando, probando y visualizando evidencia.

Dos hilos recorren toda la historia: una lenta profesionalización de la inferencia estadística, desde las tablas de mortalidad de un comerciante londinense hasta los ensayos de cultivos de Fisher, y un empaquetado mucho más rápido y reciente de esa herencia en un título de trabajo corporativo, un departamento académico y, brevemente, el 'trabajo más sexi del siglo XXI'.

Dónde empezó

1662Londres, Inglaterra

El mercero londinense John Graunt publicó 'Natural and Political Observations ... Made upon the Bills of Mortality', un análisis sistemático de los registros semanales de defunciones parroquiales que Londres había mantenido desde los años de la peste, a partir del cual estimó la población de la ciudad e identificó patrones en las causas de muerte. Fue uno de los primeros intentos conocidos de extraer conclusiones generales de un gran cuerpo de datos recopilados en lugar de anécdotas individuales, y le valió a Graunt, un tendero sin formación universitaria, la elección a la Royal Society, la raíz intelectual a la que finalmente se vincularía el nombre mucho más tardío del campo.

Línea de tiempo

1662Graunt analiza los Bills of Mortality de Londres

John Graunt publica un estudio estadístico de los registros parroquiales de defunciones de Londres, estimando el tamaño de la población y los patrones de mortalidad, uno de los primeros usos sistemáticos de datos recopilados para extraer conclusiones generales.

1908Gosset publica la prueba t como 'Student'

William Sealy Gosset, estadístico de la cervecería Guinness en Dublín, publica 'The Probable Error of a Mean' bajo el seudónimo 'Student' porque Guinness prohibía al personal publicar con su propio nombre, introduciendo la distribución t usada desde entonces en el análisis de muestras pequeñas.

1925Fisher publica 'Statistical Methods for Research Workers'

Ronald Fisher, analizando décadas de datos de rendimiento de cultivos en la Estación Experimental de Rothamsted, publica el libro que establece el análisis de varianza y el diseño experimental moderno como práctica estadística estándar.

1933Neyman y Pearson formalizan la prueba de hipótesis

El artículo de Jerzy Neyman y Egon Pearson 'On the Problem of the Most Efficient Tests of Statistical Hypotheses' da a la estadística su marco moderno para decidir, con tasas de error cuantificadas, si un resultado es significativo.

1962Tukey argumenta que el análisis de datos es una ciencia propia

El artículo de John Tukey 'The Future of Data Analysis' argumenta que analizar datos reales merece reconocimiento como ciencia distinta con sus propios métodos, no como una rama menor de la estadística matemática.

1977'Exploratory Data Analysis' de Tukey populariza el diagrama de caja

El libro de Tukey da a los profesionales herramientas prácticas —entre ellas el diagrama de caja— para entender la forma de un conjunto de datos a simple vista antes de ajustar cualquier modelo.

1996Fayyad, Piatetsky-Shapiro y Smyth definen el 'descubrimiento de conocimiento'

El artículo del trío en AI Magazine formaliza el 'Descubrimiento de Conocimiento en Bases de Datos' como el proceso más amplio en torno a la minería de datos en bruto, parte de una ola de los años 90 de formalización del descubrimiento de patrones en las crecientes bases de datos corporativas.

2001Cleveland propone la 'ciencia de datos clínicos' como campo

El estadístico de Bell Labs William S. Cleveland publica 'Clinical Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics', proponiendo departamentos universitarios dedicados a la ciencia de datos.

2008Patil y Hammerbacher acuñan el título del puesto

Construyendo equipos de datos en LinkedIn y Facebook respectivamente, DJ Patil y Jeff Hammerbacher adoptan de forma independiente 'científico de datos clínicos' como título para el trabajo de estadística más ingeniería que hacían sus equipos.

2012Harvard Business Review lo llama el 'trabajo más sexi'

El artículo de octubre de 2012 de Thomas Davenport y DJ Patil, 'Data Scientist: The Sexiest Job of the 21st Century', desencadena un auge de contratación corporativa de una década y una ola de nuevos programas de titulación universitaria.

Las eras

1662-1899

Contando a los vivos y a los muertos

En 1662, el mercero londinense John Graunt publicó un análisis estadístico de los registros parroquiales de defunciones de la ciudad, uno de los primeros intentos conocidos de extraer conclusiones generales de datos recopilados en lugar de anécdotas individuales. El astrónomo belga Adolphe Quetelet extendió la idea en la década de 1830 con su 'física social', aplicando distribuciones estadísticas a los rasgos humanos. Florence Nightingale llevó la tradición a la persuasión práctica en 1858, usando un diagrama de área polar de los datos de mortalidad de la guerra de Crimea para convencer a la Oficina de Guerra británica de que la mala higiene, no el combate, mataba a la mayoría de los soldados, convirtiéndose en el proceso en la primera mujer elegida miembro de la Royal Statistical Society.

1900-1935

Los estadísticos formalizan la inferencia

Karl Pearson fundó la revista Biometrika en 1901 para dar a la joven disciplina de la estadística matemática un hogar. William Sealy Gosset, trabajando como estadístico para la cervecería Guinness, publicó la prueba t en 1908 bajo el seudónimo 'Student' porque Guinness prohibía a los empleados publicar con su propio nombre. El libro de Ronald Fisher de 1925 'Statistical Methods for Research Workers', escrito mientras analizaba décadas de ensayos de cultivos en la Estación Experimental de Rothamsted, introdujo el análisis de varianza y el diseño experimental riguroso. Jerzy Neyman y Egon Pearson completaron el conjunto de herramientas en 1933 con un marco formal para la prueba de hipótesis, la maquinaria estadística que la ciencia de datos clínicos heredaría más tarde casi intacta.

1936-1969

Llegan los ordenadores y Tukey presenta un argumento

La Segunda Guerra Mundial aceleró el cálculo a gran escala, desde equipos de computación humana hasta los primeros ordenadores electrónicos de propósito general como el ENIAC, presentado en 1946. Los estadísticos que habían pasado décadas con el cálculo manual usaron cada vez más máquinas para ejecutar análisis a una escala antes imposible. En 1962, el estadístico de Bell Labs y Princeton John Tukey publicó 'The Future of Data Analysis', argumentando que analizar datos reales se estaba 'enseñando mal' como una rama menor de la estadística matemática y merecía reconocimiento como ciencia propia, con sus propios métodos y su propio derecho a la atención de las universidades.

1970-1999

Análisis exploratorio y el auge de la minería de datos

El libro de Tukey de 1977 'Exploratory Data Analysis' dio a los profesionales herramientas prácticas —entre ellas el diagrama de caja— para entender la forma de un conjunto de datos antes de ajustar cualquier modelo. A medida que las empresas acumulaban bases de datos transaccionales cada vez mayores durante los años 80 y 90, surgió una disciplina paralela de 'minería de datos' para encontrar patrones en ellas; un artículo de 1996 de Usama Fayyad, Gregory Piatetsky-Shapiro y Padhraic Smyth formalizó la distinción entre la minería de datos en bruto y el proceso más amplio de 'Descubrimiento de Conocimiento en Bases de Datos'. El almacenamiento de datos corporativo, popularizado a través de los escritos del consultor Bill Inmon a lo largo de la década, dio a este trabajo un hogar permanente dentro de las grandes empresas.

2000-presente

Nombrado, titulado, exagerado y especializado

El estadístico de Bell Labs William S. Cleveland propuso 'ciencia de datos clínicos' como el nombre para una disciplina estadística ampliada en un artículo de 2001. El artículo de MapReduce de Google de 2004 y el marco de código abierto Hadoop que le siguió dieron al campo herramientas baratas para datos a escala de internet. Hacia 2008, DJ Patil y Jeff Hammerbacher, construyendo equipos de datos en LinkedIn y Facebook, adoptaron de forma independiente 'científico de datos clínicos' como título de trabajo, y el artículo de octubre de 2012 de Thomas Davenport y Patil en Harvard Business Review que lo llamó 'el trabajo más sexi del siglo XXI' desencadenó un auge de contratación corporativa de una década. A finales de la década de 2010, el rol había madurado lo suficiente como para dividirse en títulos más especializados —ingeniero de analítica, ingeniero de aprendizaje automático, analista de producto—, incluso cuando la IA generativa empezaba a automatizar gran parte de las consultas y los gráficos rutinarios que la descripción original del puesto de 2008 asumía que una persona haría a mano.

Lo que este oficio reemplazó

Oficios vecinos que ya no existen — absorbidos, automatizados o regulados fuera.

Computador humano

Décadas de 1880 a 1950

Mucho antes de los ordenadores electrónicos, equipos de trabajadores —desproporcionadamente mujeres, como las 'Computadoras de Harvard' que catalogaron estrellas en el Observatorio del Harvard College desde la década de 1880, y Katherine Johnson, Dorothy Vaughan y Mary Jackson de la NASA, que calcularon trayectorias orbitales a mano hasta la década de 1960— realizaban el trabajo matemático que ahora hace el software. Los ordenadores electrónicos absorbieron el rol en el plazo de una generación desde que se volvieron fiables y asequibles.

Operador de tarjetas perforadas

Décadas de 1890 a 1970

Tras la tabuladora de tarjetas perforadas de Herman Hollerith, construida para el censo de EE. UU. de 1890, los operadores de tarjetas perforadas pasaron décadas transcribiendo registros en papel a tarjetas que los ordenadores centrales podían leer, una habilidad administrativa especializada enseñada en cursos de formación dedicados. Las terminales de entrada directa hicieron el rol en gran parte obsoleto en las décadas de 1970 y 1980.

Programador de informes por lotes en ordenador central

Décadas de 1960 a 2000

Los departamentos corporativos de 'procesamiento de datos' empleaban antes a programadores, a menudo trabajando en COBOL, cuyo trabajo principal era escribir y ejecutar tareas nocturnas programadas que producían los informes impresos de la dirección para la mañana siguiente. Los paneles de inteligencia de negocio de autoservicio y las herramientas de consulta ad hoc permitieron a los directivos extraer sus propios datos bajo demanda, cerrando esta especialidad casi por completo hacia la década de 2000.

Oficios que desaparecieron →

Cada capacidad que la ciencia de datos clínicos reclama como nueva —encontrar patrones en grandes conjuntos de datos, inferencia rigurosa, visualización persuasiva— tiene un antecesor específico y comprobable: las tablas de mortalidad de Graunt, los ensayos de cultivos de Fisher, los diagramas de caja de Tukey. Lo que cambió en 2001 y 2008 fue sobre todo el nombre y el empaquetado, aplicados a un oficio antiguo recién impulsado por el almacenamiento y la computación baratos.

El auge del 'trabajo más sexi' de 2012 que siguió ya ha recorrido en parte su curso: el título se ha fragmentado en ingeniero de analítica, ingeniero de aprendizaje automático y analista de producto, y la IA generativa está absorbiendo las consultas y los gráficos rutinarios que la descripción original del puesto de 2008 daba por sentados. La disciplina subyacente —decidir qué significa realmente un patrón en los datos— parece probable que sobreviva de nuevo al título de trabajo específico.

Profesiones similares

Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.

🔐

Especialista en ciberseguridad

Protege sistemas, datos y personas encontrando, previniendo y respondiendo a ataques digitales.

Resistente a la IA 63 🌬️

Ingeniero en Energías Renovables

Diseña, construye y mejora sistemas eólicos, solares, de almacenamiento y de red que convierten los recursos renovables en electricidad confiable.

Resistente a la IA 72 🦾

Ingeniero en robótica

Diseña las máquinas que perciben, deciden y actúan en el mundo físico, donde el problema difícil nunca fue la inteligencia sino el mundo mismo.

Resistente a la IA 65 🌿

Gerente de Sostenibilidad

Lidera la estrategia, la medición y los informes que ayudan a las organizaciones a reducir el daño ambiental y social mientras cumplen sus obligaciones de negocio.

Resistente a la IA 66 🔌

Ingeniero de semiconductores

Diseña y fabrica los transistores que hay dentro de cada ordenador, teléfono y arma, con máquinas tan precisas que solo unas pocas fábricas en la Tierra pueden operarlas.

Resistente a la IA 60 📦

Ingeniero MLOps

Crea los sistemas que entrenan, implementan, monitorean y gobiernan modelos de aprendizaje automático en producción.

Resistente a la IA 54

Seguir explorando

¿Qué profesión te encaja? Comparar profesiones Cara a cara

Seguir explorando

Cultura y estatus

→

Universidad y vía de entrada

→

Oficio y saber hacer

→

Los grandes

→

IA y el futuro

→

Sueldo y mercado

→

Más en Ciencia e investigación

⚛️

Físico

Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.

Resistente a la IA 65 🧬

Biólogo

El científico que estudia la vida misma, desde Linneo nombrando especies a mano hasta editar genomas con CRISPR, aún contrastando cada idea con un organismo vivo.

Resistente a la IA 64 🧪

Químico

El científico que fabrica y mide la materia misma — del alambique de perfume de Tapputi en Babilonia a los laboratorios robotizados de hoy, sigue siendo quien decide qué significa el espectro.

Resistente a la IA 70 📊

Científico de datos

Encuentra patrones y construye modelos predictivos a partir de datos: un título laboral de 2008 asentado sobre tres siglos de contar, contrastar y visualizar evidencia.

Resistente a la IA 38 🔭

Astrónomo

El científico que mide el universo, desde las tablillas de arcilla babilónicas hasta los telescopios espaciales, aún decidiendo qué parpadeo en los datos es un descubrimiento.

Resistente a la IA 70 🧮

Matemático

De los escribas babilonios a los medallistas Fields y la demostración asistida por IA: la profesión que convierte preguntas difíciles en certeza permanente, teorema a teorema.

Resistente a la IA 70 🧿

Ingeniero Cuántico

Construye, mide y controla dispositivos que explotan estados cuánticos para informática, detección, comunicación e investigación de materiales.

Resistente a la IA 78