Construa pipelines de deep learning clínico de ponta a ponta em dados de prontuário eletrônico (EHR), sinais e imagens usando o framework Dataset → Task → Model → Trainer → Metrics do PyHealth Clinical ML.
npx clawhub@latest install pyhealthPyHealth é um toolkit Python para aprendizado profundo clínico construído em torno de um pipeline modular de 5 estágios: Dataset → Task → Model → Trainer → Metrics. Instale esta skill para dar ao seu assistente de IA conhecimento de nível especialista sobre a API do PyHealth, cobrindo datasets de prontuários eletrônicos (MIMIC-III/IV, eICU, OMOP), tarefas de predição clínica, arquiteturas de modelos e utilitários de códigos médicos. É a maneira mais rápida de ir de dados clínicos brutos a um modelo treinado e avaliado sem escrever código de infraestrutura repetitivo.
O PyHealth Clinical ML impõe um padrão limpo de Dataset → Task → Model → Trainer → Metrics, onde cada etapa possui uma interface estável. Esta skill orienta você em cada etapa corretamente, incluindo a distinção crítica entre BaseDataset e SampleDataset.
Abrange MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV e TUAB. Inclui orientações sobre diretórios raiz de CSV locais, buckets de demonstração sintéticos e cache persistente.
Fornece definições de tarefas para predição de mortalidade, readmissão, tempo de internação, recomendação de medicamentos, estadiamento do sono, codificação CID, detecção de eventos em EEG e desidentificação — cada uma associada à classe de conjunto de dados correta.
Ajuda você a selecionar e configurar modelos Transformer, RETAIN, GAMENet, SafeDrug, MICRON, StageNet, AdaCare, CNN, RNN e MLP, incluindo argumentos específicos de cada modelo e a métrica monitor correta para cada tipo de tarefa.
Suporta pesquisa e mapeamento cruzado entre os sistemas de codificação ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm e CCS — essencial para construção de coortes e tarefas relacionadas a medicamentos.
Aplica divisões no nível do paciente via split_by_patient para evitar que o mesmo paciente apareça nos conjuntos de treino e teste, um erro comum e silencioso em ML clínico.
Carregue o MIMIC-III ou MIMIC-IV, aplique a tarefa de mortalidade correspondente e treine um modelo Transformer ou RETAIN — a skill percorre cada etapa, incluindo a estratégia correta de divisão dos dados e a seleção de métricas.
Use GAMENet, SafeDrug ou MICRON em dados de prescrição do MIMIC-III com métricas multirrótulo como pr_auc_samples e jaccard_samples para uma previsão de conjuntos de medicamentos segura e precisa.
Construa um pipeline de estadiamento do sono no SleepEDF ou SHHS usando arquiteturas StageNet ou CNN, com orientações sobre carregamento de conjuntos de dados específicos para sinais e configuração de métricas multiclasse.
Faça o mapeamento cruzado de códigos NDC para níveis ATC ou traduza diagnósticos ICD-9 para ICD-10 na construção de coortes, utilizando as funções utilitárias de código integradas do PyHealth Clinical ML sem a necessidade de escrever tabelas de consulta personalizadas.
uv add pyhealth==1.16)uv recomendado (uv add pyhealth); pip também é compatívelnpx clawhub@latest install pyhealthnpx clawhub@latest install pyhealthFaça login para escrever uma avaliação
Nenhuma avaliação ainda. Seja o primeiro a compartilhar sua experiência!