PyHealth Clinical ML

• Estás trabajando con conjuntos de datos EHR como MIMIC-III/IV, eICU, OMOP-CDM o EHRShot y deseas entrenar modelos de predicción clínica.
• Necesitas predecir resultados clínicos como mortalidad intrahospitalaria, reingreso a 30 días, duración de la estancia o recomendaciones de medicamentos.
• Estás construyendo pipelines que involucran señales fisiológicas (SleepEDF, SHHS, ISRUC) o imágenes médicas (ChestX-ray14, COVID19-CXR) con PyHealth Clinical ML.
• Necesitas buscar o realizar mapeos cruzados de códigos médicos como ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm o CCS.

• Estás realizando ML tabular genérico sin estructura clínica — los flujos de trabajo estándar de scikit-learn o PyTorch son más apropiados.
• Tus datos no se ajustan al patrón Dataset → Task → Model → Trainer → Metrics y necesitas un bucle de entrenamiento completamente personalizado desde cero.

PyHealth aplica un patrón limpio de Dataset → Task → Model → Trainer → Metrics donde cada etapa tiene una interfaz estable. Esta habilidad te guía a través de cada etapa correctamente, incluyendo la distinción crítica entre BaseDataset y SampleDataset.

Cubre MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV y TUAB. Incluye orientación sobre rutas raíz de CSV locales, depósitos de demostración sintéticos y almacenamiento en caché persistente.

Proporciona definiciones de tareas para predicción de mortalidad, readmisión, duración de la estancia, recomendación de medicamentos, estadificación del sueño, codificación CIE, detección de eventos EEG y desidentificación — cada una asociada a la clase de conjunto de datos correcta.

Te ayuda a seleccionar y configurar modelos Transformer, RETAIN, GAMENet, SafeDrug, MICRON, StageNet, AdaCare, CNN, RNN y MLP, incluyendo los argumentos específicos de cada modelo y la métrica monitor correcta para cada tipo de tarea.

Admite búsqueda y mapeo cruzado entre los sistemas de códigos ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm y CCS — esencial para la construcción de cohortes y tareas relacionadas con medicamentos.

Aplica divisiones a nivel de paciente mediante split_by_patient para evitar que el mismo paciente aparezca tanto en los conjuntos de entrenamiento como de prueba, un error común y silencioso en el ML clínico.

Carga MIMIC-III o MIMIC-IV, aplica la tarea de mortalidad correspondiente y entrena un modelo Transformer o RETAIN — la habilidad guía a través de cada paso, incluyendo la estrategia correcta de división de datos y la selección de métricas.

Usa GAMENet, SafeDrug o MICRON con datos de prescripciones de MIMIC-III y métricas multietiqueta como pr_auc_samples y jaccard_samples para una predicción segura y precisa de conjuntos de medicamentos.

Construye un pipeline de clasificación de etapas del sueño en SleepEDF o SHHS utilizando arquitecturas StageNet o CNN, con orientación sobre la carga de conjuntos de datos específicos para señales y la configuración de métricas multiclase.

Realiza correspondencias cruzadas de códigos NDC a niveles ATC o traduce diagnósticos de ICD-9 a ICD-10 para la construcción de cohortes, utilizando las funciones utilitarias de códigos integradas en PyHealth Clinical ML sin necesidad de escribir tablas de búsqueda personalizadas.