pyhealth
Construir Modelos de IA para la Salud con Datos Clínicos
También disponible en: davila7
Los investigadores de la salud y los científicos de datos luchan con formatos complejos de datos clínicos y sistemas de codificación. PyHealth proporciona un toolkit unificado para cargar conjuntos de datos médicos, procesar datos de EHR, entrenar modelos predictivos y trabajar con códigos médicos estándar.
Descargar el ZIP de la skill
Subir en Claude
Ve a Configuración → Capacidades → Skills → Subir skill
Activa y empieza a usar
Pruébalo
Usando "pyhealth". Muéstrame cómo cargar MIMIC-IV y configurar predicción de mortalidad
Resultado esperado:
La skill proporciona ejemplos de código mostrando: 1) Cargar MIMIC4Dataset con la ruta del directorio raíz, 2) Aplicar la función de tarea mortality_prediction_mimic4_fn, 3) Dividir datos por paciente en conjuntos de entrenamiento/validación/prueba, 4) Crear cargadores de datos con tamaños de lote específicos, y 5) Inicializar un modelo Transformer con claves de características para diagnósticos y medicamentos.
Usando "pyhealth". ¿Cómo traduzco entre códigos ICD-9 e ICD-10?
Resultado esperado:
La skill explica usar CrossMap.load para crear un objeto de mapeo entre sistemas ICD9CM e ICD10CM, luego llamar al método map con códigos específicos. Nota que los mapeos pueden ser uno-a-muchos y proporciona orientación sobre manejar múltiples coincidencias con especificaciones de nivel jerárquico.
Usando "pyhealth". ¿Qué modelos están disponibles para tareas de recomendación de medicamentos?
Resultado esperado:
La skill lista modelos especializados incluyendo SafeDrug para recomendación segura de medicamentos con restricciones de interacción droga-droga, GAMENet para combinaciones de medicamentos personalizadas, y MICRON para predicción de medicamentos con redes de memoria. Cada descripción de modelo incluye el enfoque arquitectónico y caso de uso específico de salud.
Auditoría de seguridad
SeguroStatic analysis detected 511 pattern matches across 8 documentation files. All findings are false positives from markdown formatting. The backtick patterns flagged as shell commands are code examples in documentation. Text patterns flagged as cryptographic weaknesses are medical terminology (MD5 medication codes, ICD codes). No actual security risks identified. This is a documentation-only skill with reference materials for the PyHealth healthcare AI library.
Puntuación de calidad
Lo que puedes crear
Predicción de Readmisión Hospitalaria
Construir un modelo para predecir el riesgo de readmisión hospitalaria a 30 días utilizando el historial de visitas del paciente, diagnósticos, medicamentos y procedimientos de datos MIMIC-IV.
Pipeline de Traducción de Códigos Médicos
Convertir códigos de diagnóstico ICD-9 legacy a estándares ICD-10 actuales y mapear códigos de medicamentos NDC a clases terapéuticas ATC para estandarización de datos.
Predicción Clínica Multi-Modal
Desarrollar modelos de predicción de mortalidad combinando eventos EHR estructurados, señales de series temporales fisiológicas y notas clínicas usando arquitecturas Transformer.
Prueba estos prompts
Muéstrame cómo cargar el conjunto de datos MIMIC-IV y configurar una tarea de predicción de mortalidad
¿Cómo traduzco códigos de diagnóstico ICD-9 a ICD-10 y mapeo códigos de medicamentos NDC a clases ATC?
Ayúdame a construir un modelo de predicción de readmisión a 30 días usando secuencias de visitas del paciente con la arquitectura RETAIN
Necesito crear una tarea de predicción personalizada para la duración de estancia en UCI usando diagnósticos, valores de laboratorio y signos vitales como características
Mejores prácticas
- Siempre dividir datos de salud por ID de paciente en lugar de por visitas individuales para prevenir filtrado de datos entre conjuntos de entrenamiento y prueba
- Usar métricas de evaluación específicas de salud como PR-AUC para conjuntos de datos clínicos desbalanceados en lugar de precisión estándar
- Validar traducciones de códigos médicos manualmente para aplicaciones críticas ya que los mapeos automatizados pueden tener casos especiales
Evitar
- Evitar dividir datos aleatoriamente por muestras ya que esto puede filtrar información del paciente entre conjuntos de entrenamiento y prueba
- No usar códigos ICD o de medicamentos raw sin entender su estructura jerárquica y significado clínico
- Evitar entrenar modelos en cohortes de pacientes pequeñas sin considerar poder estadístico y riesgos de generalización
Preguntas frecuentes
¿Cómo obtengo acceso a los conjuntos de datos MIMIC?
¿Puede PyHealth manejar predicciones clínicas en tiempo real?
¿Cuál es la diferencia entre InnerMap y CrossMap?
¿Cómo maneja PyHealth los datos clínicos faltantes?
¿Qué modelo debería usar para predicción de mortalidad?
¿Puedo usar PyHealth con el Modelo de Datos Común de OMOP?
Detalles del desarrollador
Autor
K-Dense-AILicencia
MIT license
Repositorio
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pyhealthRef.
main
Estructura de archivos