PyHealth Clinical ML

• Вы работаете с наборами данных EHR, такими как MIMIC-III/IV, eICU, OMOP-CDM или EHRShot, и хотите обучать модели клинического прогнозирования.
• Вам необходимо предсказывать клинические исходы, такие как внутрибольничная смертность, повторная госпитализация в течение 30 дней, длительность пребывания или рекомендации по препаратам.
• Вы создаёте пайплайны, включающие физиологические сигналы (SleepEDF, SHHS, ISRUC) или медицинские изображения (ChestX-ray14, COVID19-CXR) с помощью PyHealth Clinical ML.
• Вам нужно выполнить поиск или кросс-маппинг медицинских кодов, таких как ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm или CCS.

• Вы выполняете обычное табличное машинное обучение без клинической структуры — стандартные рабочие процессы scikit-learn или PyTorch подойдут лучше.
• Ваши данные не соответствуют паттерну Dataset → Task → Model → Trainer → Metrics, и вам необходим полностью кастомный цикл обучения с нуля.

PyHealth Clinical ML реализует чёткий паттерн Dataset → Task → Model → Trainer → Metrics, где каждый этап имеет стабильный интерфейс. Этот навык проведёт вас через каждый этап правильно, включая ключевое различие между BaseDataset и SampleDataset.

Охватывает MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV и TUAB. Включает руководство по локальным корневым директориям CSV, синтетическим демонстрационным хранилищам и постоянному кэшированию.

Предоставляет определения задач для прогнозирования смертности, повторной госпитализации, длительности пребывания, рекомендации лекарственных препаратов, стадирования сна, кодирования МКБ, обнаружения событий на ЭЭГ и деидентификации — каждая из которых сопоставлена с соответствующим классом набора данных.

Помогает выбрать и настроить модели Transformer, RETAIN, GAMENet, SafeDrug, MICRON, StageNet, AdaCare, CNN, RNN и MLP, включая специфические аргументы каждой модели и правильную метрику monitor для каждого типа задачи.

Поддерживает поиск и перекрёстное сопоставление между системами кодирования ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm и CCS — необходимо для формирования когорт и задач, связанных с лекарственными препаратами.

Обеспечивает разделение данных на уровне пациентов с помощью split_by_patient, предотвращая появление одного и того же пациента одновременно в обучающей и тестовой выборках — распространённая и незаметная ошибка в клиническом машинном обучении.

Загрузите MIMIC-III или MIMIC-IV, примените соответствующую задачу прогнозирования смертности и обучите модель Transformer или RETAIN — навык проведёт вас через каждый шаг, включая правильную стратегию разбивки данных и выбор метрик, с использованием PyHealth Clinical ML.

Используйте GAMENet, SafeDrug или MICRON на данных о назначениях MIMIC-III с мультиметками, такими как pr_auc_samples и jaccard_samples, для безопасного и точного прогнозирования набора препаратов с помощью PyHealth Clinical ML.

Постройте конвейер стадирования сна на основе датасетов SleepEDF или SHHS с использованием архитектур StageNet или CNN, с руководством по загрузке датасетов, специфичных для сигналов, и настройке метрик для многоклассовой классификации.

Перекрёстное сопоставление кодов NDC с уровнями ATC или перевод диагнозов ICD-9 в ICD-10 для формирования когорт с использованием встроенных утилит PyHealth Clinical ML для работы с кодами — без написания пользовательских таблиц соответствия.