PyHealth Clinical ML

• U werkt met EHR-datasets zoals MIMIC-III/IV, eICU, OMOP-CDM of EHRShot en wilt klinische voorspellingsmodellen trainen.
• U moet klinische uitkomsten voorspellen zoals intramurale mortaliteit, heropname binnen 30 dagen, opnameduur of medicijnaanbevelingen.
• U bouwt pipelines met fysiologische signalen (SleepEDF, SHHS, ISRUC) of medische beeldvorming (ChestX-ray14, COVID19-CXR) met PyHealth Clinical ML.
• U moet medische codes zoals ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm of CCS opzoeken of kruislings in kaart brengen.

• Je doet generieke tabulaire ML zonder klinische structuur — standaard scikit-learn- of PyTorch-workflows zijn dan meer geschikt.
• Je data past niet in het Dataset → Task → Model → Trainer → Metrics-patroon en je hebt een volledig aangepaste trainingsloop vanaf nul nodig.

PyHealth Clinical ML hanteert een overzichtelijk Dataset → Task → Model → Trainer → Metrics-patroon waarbij elke fase een stabiele interface heeft. Deze vaardigheid begeleidt je door elke fase op de juiste manier, inclusief het cruciale onderscheid tussen BaseDataset en SampleDataset.

Omvat MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV en TUAB. Bevat richtlijnen voor lokale CSV-roots, synthetische demo-buckets en persistente caching.

Biedt taakdefinities voor sterftepredictie, heropname, verblijfsduur, geneesmiddelenadvies, slaapfasering, ICD-codering, EEG-gebeurtenisdetectie en de-identificatie — elk gekoppeld aan de juiste datasetklasse.

Helpt je bij het selecteren en configureren van Transformer-, RETAIN-, GAMENet-, SafeDrug-, MICRON-, StageNet-, AdaCare-, CNN-, RNN- en MLP-modellen, inclusief modelspecifieke argumenten en de juiste monitor-metriek voor elk taaktype.

Ondersteunt opzoeken en kruisverwijzingen tussen ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm en CCS-codesystemen — essentieel voor cohortconstructie en geneesmiddelgerelateerde taken.

Dwingt patiëntniveau-splitsingen af via split_by_patient om te voorkomen dat dezelfde patiënt zowel in de trainings- als testset voorkomt, een veelvoorkomende en stille fout in klinische ML.

Laad MIMIC-III of MIMIC-IV, pas de bijbehorende sterftетаак toe en train een Transformer- of RETAIN-model — de vaardigheid doorloopt elke stap, inclusief de juiste splitsingstrategie en selectie van meetwaarden.

Gebruik GAMENet, SafeDrug of MICRON op MIMIC-III receptgegevens met multilabel-metrieken zoals pr_auc_samples en jaccard_samples voor veilige en nauwkeurige medicatiesetvoorspelling.

Bouw een slaapfaseringspijplijn op SleepEDF of SHHS met behulp van StageNet- of CNN-architecturen, met begeleiding bij signaalspecifieke gegevenssetlading en configuratie van multiclass-metrieken.

Wijs NDC-codes toe aan ATC-niveaus of vertaal ICD-9-diagnoses naar ICD-10 voor cohortconstructie, met behulp van de ingebouwde code-hulpprogramma's van PyHealth Clinical ML zonder aangepaste opzoektabellen te schrijven.