PyHealth Clinical ML

• 您正在使用 MIMIC-III/IV、eICU、OMOP-CDM 或 EHRShot 等 EHR 資料集，並希望訓練臨床預測模型。
• 您需要預測臨床結果，例如院內死亡率、30 天再入院率、住院天數或藥物推薦。
• 您正在使用 PyHealth Clinical ML 建構涉及生理訊號（SleepEDF、SHHS、ISRUC）或醫學影像（ChestX-ray14、COVID19-CXR）的流水線。
• 您需要查詢或交叉對應醫療代碼，例如 ICD-9-CM、ICD-10-CM、ATC、NDC、RxNorm 或 CCS。

• 您正在進行無臨床結構的通用表格式機器學習 — 標準的 scikit-learn 或 PyTorch 工作流程更為合適。
• 您的資料不符合 Dataset → Task → Model → Trainer → Metrics 的模式，且您需要從頭開始建立完全自訂的訓練迴圈。

PyHealth Clinical ML 強制執行一套清晰的 Dataset → Task → Model → Trainer → Metrics 模式，其中每個階段都具有穩定的介面。本技能將引導您正確完成每個階段，包括 BaseDataset 與 SampleDataset 之間的關鍵區別。

涵蓋 MIMIC-III/IV、eICU、OMOP-CDM、EHRShot、SleepEDF、SHHS、ISRUC、ChestX-ray14、COVID19-CXR、TUEV 及 TUAB。包含本地 CSV 根目錄、合成示範資料桶，以及持久性快取的使用指引。

提供以下任務的定義：死亡率預測、再入院預測、住院天數預測、藥物推薦、睡眠分期、ICD 編碼、腦電圖事件偵測，以及去識別化——每項任務均與對應的資料集類別相匹配。

協助您選擇並設定 Transformer、RETAIN、GAMENet、SafeDrug、MICRON、StageNet、AdaCare、CNN、RNN 及 MLP 模型，包含各模型專屬參數，以及針對每種任務類型所對應的正確 monitor 指標。

支援 ICD-9-CM、ICD-10-CM、ATC、NDC、RxNorm 及 CCS 代碼系統的查詢與跨系統對應——對於世代建構與藥物相關任務不可或缺。

透過 split_by_patient 強制執行以病患為單位的資料分割，防止同一位病患同時出現在訓練集與測試集中——這是臨床機器學習中一種常見且難以察覺的錯誤，PyHealth Clinical ML 對此提供了有效的防護機制。

載入 MIMIC-III 或 MIMIC-IV 資料集，套用對應的死亡率預測任務，並訓練 Transformer 或 RETAIN 模型 — 此技能將逐步引導您完成每個環節，包括正確的資料分割策略與評估指標選擇，全程透過 PyHealth Clinical ML 實作。

使用 GAMENet、SafeDrug 或 MICRON 對 MIMIC-III 處方資料進行處理，並搭配多標籤指標（如 pr_auc_samples 與 jaccard_samples），以實現安全且精確的藥物組合預測。

使用 StageNet 或 CNN 架構，在 SleepEDF 或 SHHS 資料集上建立睡眠分期流程，並獲得關於訊號專屬資料集載入與多類別指標配置的完整指引，由 PyHealth Clinical ML 提供支援。

使用 PyHealth Clinical ML 內建的代碼工具函數，將 NDC 代碼交叉映射至 ATC 層級，或將 ICD-9 診斷代碼轉換為 ICD-10 以建構世代，無需自行撰寫自訂查找表。