Bygg end-to-end kliniska djupinlärningspipelines på EHR-, signal- och bilddata med hjälp av PyHealth Clinical ML:s ramverk Dataset → Task → Model → Trainer → Metrics.
npx clawhub@latest install pyhealthPyHealth är ett Python-verktyg för kliniskt djupinlärning byggt kring en modulär 5-stegs-pipeline: Dataset → Task → Model → Trainer → Metrics. Installera denna skill för att ge din AI-assistent expertkunskap om PyHealth Clinical ML:s API, som täcker EHR-dataset (MIMIC-III/IV, eICU, OMOP), kliniska prediktionsuppgifter, modellarkitekturer och medicinska kodverktyg. Det är det snabbaste sättet att gå från råa kliniska data till en tränad, utvärderad modell utan att behöva skriva standardkod för infrastruktur.
PyHealth Clinical ML tillämpar ett tydligt Dataset → Task → Model → Trainer → Metrics-mönster där varje steg har ett stabilt gränssnitt. Den här färdigheten vägleder dig genom varje steg på rätt sätt, inklusive den viktiga distinktionen mellan BaseDataset och SampleDataset.
Täcker MIMIC-III/IV, eICU, OMOP-CDM, EHRShot, SleepEDF, SHHS, ISRUC, ChestX-ray14, COVID19-CXR, TUEV och TUAB. Inkluderar vägledning om lokala CSV-rotsökvägar, syntetiska demobuckets och beständig cachelagring.
Tillhandahåller uppgiftsdefinitioner för dödlighetsprediktering, återinläggning, vårdtid, läkemedelsrekommendation, sömnstadiering, ICD-kodning, EEG-händelsedetektering och avidentifiering — var och en matchad till rätt datamängdsklass.
Hjälper dig att välja och konfigurera Transformer, RETAIN, GAMENet, SafeDrug, MICRON, StageNet, AdaCare, CNN, RNN och MLP-modeller, inklusive modellspecifika argument och rätt monitor-metrik för varje uppgiftstyp.
Stöder uppslagning och korsmappning mellan ICD-9-CM, ICD-10-CM, ATC, NDC, RxNorm och CCS-kodsystem — avgörande för kohortbyggnad och läkemedelsrelaterade uppgifter.
Tillämpar patientnivåindelningar via split_by_patient för att förhindra att samma patient förekommer i både tränings- och testuppsättningar, ett vanligt och tyst fel inom klinisk ML.
Ladda MIMIC-III eller MIMIC-IV, tillämpa den matchande mortalitetsuppgiften och träna en Transformer- eller RETAIN-modell — färdigheten går igenom varje steg inklusive korrekt uppdelningsstrategi och val av mätvärden.
Använd GAMENet, SafeDrug eller MICRON på MIMIC-III receptdata med fleretikettsmetrik som pr_auc_samples och jaccard_samples för säker och exakt förutsägelse av läkemedelsuppsättningar.
Bygg en pipeline för sömnstadiering på SleepEDF eller SHHS med hjälp av StageNet- eller CNN-arkitekturer, med vägledning om signalspecifik datainläsning och konfiguration av multiklassmetriker.
Korsmappa NDC-koder till ATC-nivåer eller översätt ICD-9-diagnoser till ICD-10 för kohortkonstruktion, med hjälp av PyHealth Clinical ML:s inbyggda kodverktysfunktioner utan att skriva anpassade uppslagstabeller.
uv add pyhealth==1.16)uv rekommenderas (uv add pyhealth); pip stöds ocksånpx clawhub@latest install pyhealthnpx clawhub@latest install pyhealthLogga in för att skriva en recension
Inga recensioner ännu. Var den första att dela din upplevelse!