PyHealth Clinical ML

• Sie arbeiten mit EHR-Datensätzen wie MIMIC-III/IV, eICU, OMOP-CDM oder EHRShot und möchten klinische Vorhersagemodelle trainieren.
• Sie müssen klinische Ergebnisse wie die Krankenhaussterblichkeit, die 30-Tage-Wiederaufnahmerate, die Verweildauer oder Medikamentenempfehlungen vorhersagen.
• Sie erstellen Pipelines mit physiologischen Signalen (SleepEDF, SHHS, ISRUC) oder medizinischen Bildgebungsdaten (ChestX-ray14, COVID19-CXR) mit PyHealth Clinical ML.
• Sie müssen medizinische Codes wie ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm oder CCS nachschlagen oder gegenseitig zuordnen.

• Sie betreiben generisches tabellarisches ML ohne klinische Struktur — Standard-scikit-learn- oder PyTorch-Workflows sind besser geeignet.
• Ihre Daten passen nicht in das Dataset → Task → Model → Trainer → Metrics-Muster und Sie benötigen eine vollständig benutzerdefinierte Trainingsschleife von Grund auf.

PyHealth Clinical ML setzt ein sauberes Muster Dataset → Task → Model → Trainer → Metrics durch, bei dem jede Stufe eine stabile Schnittstelle besitzt. Diese Fertigkeit führt Sie korrekt durch jede Stufe, einschließlich der entscheidenden Unterscheidung zwischen BaseDataset und SampleDataset.

Unterstützt MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV und TUAB. Enthält Anleitungen zu lokalen CSV-Verzeichnissen, synthetischen Demo-Buckets und persistentem Caching.

Bietet Aufgabendefinitionen für die Sterblichkeitsvorhersage, Wiederaufnahme, Verweildauer, Arzneimittelempfehlung, Schlafstadien-Einteilung, ICD-Kodierung, EEG-Ereigniserkennung und De-Identifikation — jeweils der passenden Datensatzklasse zugeordnet.

Hilft Ihnen bei der Auswahl und Konfiguration von Transformer-, RETAIN-, GAMENet-, SafeDrug-, MICRON-, StageNet-, AdaCare-, CNN-, RNN- und MLP-Modellen, einschließlich modellspezifischer Argumente und der korrekten monitor-Metrik für jeden Aufgabentyp.

Unterstützt die Suche und Querzuordnung zwischen ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm und CCS-Codesystemen – unverzichtbar für die Kohortenkonstruktion und arzneimittelbezogene Aufgaben.

Erzwingt patientenbasierte Aufteilungen über split_by_patient, um zu verhindern, dass derselbe Patient sowohl im Trainings- als auch im Testdatensatz erscheint – ein häufiger und stiller Fehler im Bereich PyHealth Clinical ML.

Lade MIMIC-III oder MIMIC-IV, wende die passende Mortalitätsaufgabe an und trainiere ein Transformer- oder RETAIN-Modell — die Skill führt durch jeden Schritt, einschließlich der richtigen Aufteilungsstrategie und Metrikauswahl.

Verwende GAMENet, SafeDrug oder MICRON auf MIMIC-III-Verschreibungsdaten mit Multilabel-Metriken wie pr_auc_samples und jaccard_samples für eine sichere und präzise Vorhersage von Medikamentenkombinationen.

Erstellen Sie eine Pipeline zur Schlafstadieneinteilung auf SleepEDF oder SHHS mithilfe von StageNet- oder CNN-Architekturen, mit Anleitung zum signalspezifischen Laden von Datensätzen und zur Konfiguration von Mehrklassen-Metriken.

Ordnen Sie NDC-Codes ATC-Ebenen zu oder übersetzen Sie ICD-9-Diagnosen in ICD-10 für die Kohortenkonstruktion, indem Sie die integrierten Code-Hilfsfunktionen von PyHealth Clinical ML verwenden, ohne benutzerdefinierte Nachschlagetabellen erstellen zu müssen.