PyHealth Clinical ML

• Stai lavorando con dataset EHR come MIMIC-III/IV, eICU, OMOP-CDM o EHRShot e vuoi addestrare modelli di predizione clinica.
• Devi prevedere esiti clinici come la mortalità intraospedaliera, il ricovero ripetuto entro 30 giorni, la durata della degenza o le raccomandazioni farmacologiche.
• Stai costruendo pipeline che coinvolgono segnali fisiologici (SleepEDF, SHHS, ISRUC) o imaging medico (ChestX-ray14, COVID19-CXR) con PyHealth Clinical ML.
• Devi cercare o mappare codici medici come ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm o CCS.

• Stai eseguendo ML tabulare generico senza struttura clinica — i flussi di lavoro standard di scikit-learn o PyTorch sono più appropriati.
• I tuoi dati non si adattano al pattern Dataset → Task → Model → Trainer → Metrics e hai bisogno di un ciclo di addestramento completamente personalizzato da zero.

PyHealth applica un pattern pulito Dataset → Task → Model → Trainer → Metrics in cui ogni fase dispone di un'interfaccia stabile. Questa competenza ti guida correttamente attraverso ogni fase, inclusa la distinzione fondamentale tra BaseDataset e SampleDataset.

Copre MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV e TUAB. Include indicazioni su percorsi CSV locali, bucket demo sintetici e caching persistente.

Fornisce definizioni di compiti per la predizione della mortalità, il ricovero ripetuto, la durata del ricovero, la raccomandazione farmacologica, la classificazione del sonno, la codifica ICD, il rilevamento di eventi EEG e la de-identificazione — ciascuno abbinato alla classe di dataset corretta.

Ti aiuta a selezionare e configurare i modelli Transformer, RETAIN, GAMENet, SafeDrug, MICRON, StageNet, AdaCare, CNN, RNN e MLP in PyHealth Clinical ML, inclusi gli argomenti specifici per ciascun modello e la metrica monitor corretta per ogni tipo di task.

Supporta la ricerca e la mappatura incrociata tra i sistemi di codifica ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm e CCS — essenziale per la costruzione di coorti e le attività correlate ai farmaci.

Impone la suddivisione a livello di paziente tramite split_by_patient per evitare che lo stesso paziente compaia sia nel set di addestramento che in quello di test, un errore comune e silenzioso nel PyHealth Clinical ML.

Carica MIMIC-III o MIMIC-IV, applica il task di mortalità corrispondente e addestra un modello Transformer o RETAIN — la skill guida attraverso ogni passaggio, inclusa la corretta strategia di suddivisione dei dati e la selezione delle metriche.

Usa GAMENet, SafeDrug o MICRON su dati di prescrizione MIMIC-III con metriche multilingua come pr_auc_samples e jaccard_samples per una previsione sicura e accurata dell'insieme di farmaci.

Costruisci una pipeline di classificazione delle fasi del sonno su SleepEDF o SHHS utilizzando architetture StageNet o CNN, con indicazioni sul caricamento di dataset specifici per segnali e sulla configurazione di metriche multiclasse.

Esegui la mappatura incrociata dei codici NDC ai livelli ATC o traduci le diagnosi ICD-9 in ICD-10 per la costruzione di coorti, utilizzando le funzioni di utilità per codici integrate in PyHealth Clinical ML senza dover scrivere tabelle di ricerca personalizzate.