pyhealth
Créer des modèles d'IA de santé avec des données cliniques
Également disponible depuis: davila7
Les chercheurs en santé et les scientifiques de données sont confrontés à des formats de données cliniques et des systèmes de codage complexes. PyHealth fournit une boîte à outils unifié pour charger des ensembles de données médicales, traiter des données de dossiers de santé électroniques, entraîner des modèles prédictifs et travailler avec des codes médicaux standards.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "pyhealth". Montre-moi comment charger MIMIC-IV et configurer la prédiction de mortalité
Résultat attendu:
La compétence fournit des exemples de code montrant : 1) Le chargement de MIMIC4Dataset avec le chemin du répertoire racine, 2) L'application de la fonction de tâche mortality_prediction_mimic4_fn, 3) La division des données par patient en ensembles train/val/test, 4) La création de chargeurs de données avec des tailles de lots spécifiées, et 5) L'initialisation d'un modèle Transformer avec des clés de caractéristiques pour les diagnostics et les médicaments.
Utilisation de "pyhealth". Comment traduire entre les codes ICD-9 et ICD-10 ?
Résultat attendu:
La compétence explique l'utilisation de CrossMap.load pour créer un objet de mappage entre les systèmes ICD9CM et ICD10CM, puis l'appel de la méthode map avec des codes spécifiques. Elle note que les mappages peuvent être un-à-plusieurs et fournit des conseils sur la gestion de plusieurs correspondances avec des spécifications de niveau hiérarchique.
Utilisation de "pyhealth". Quels modèles sont disponibles pour les tâches de recommandation de médicaments ?
Résultat attendu:
La compétence liste des modèles spécialisés incluant SafeDrug pour la recommandation sécurisée de médicaments avec des contraintes d'interaction médicament-médicament, GAMENet pour des combinaisons de médicaments personnalisées, et MICRON pour la prédiction de médicaments avec des réseaux de mémoire. Chaque description de modèle inclut l'approche architecturale et le cas d'usage spécifique de santé.
Audit de sécurité
SûrStatic 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.
Score de qualité
Ce que vous pouvez construire
Prédiction de réadmission hospitalière
Créer un modèle pour prédire le risque de réadmission hospitalière à 30 jours en utilisant l'historique des visites de patients, les diagnostics, les médicaments et les procédures à partir des données MIMIC-IV.
Pipeline de traduction de codes médicaux
Convertir les codes de diagnostic ICD-9 hérités vers les standards ICD-10 actuels et mapper les codes de médicaments NDC vers les classes thérapeutiques ATC pour la standardisation des données.
Prédiction clinique multi-modale
Développer des modèles de prédiction de mortalité combinant des événements structurés de DSE, des signaux de séries temporelles physiologiques et des notes cliniques en utilisant des architectures Transformer.
Essayez ces prompts
Montre-moi comment charger l'ensemble de données MIMIC-IV et configurer une tâche de prédiction de mortalité
Comment traduire les codes de diagnostic ICD-9 vers ICD-10 et mapper les codes de médicaments NDC vers les classes ATC ?
Aide-moi à créer un modèle de prédiction de réadmission à 30 jours utilisant des séquences de visites de patients avec l'architecture RETAIN
J'ai besoin de créer une tâche de prédiction personnalisée pour la durée de séjour en USI en utilisant les diagnostics, les valeurs de laboratoire et les signes vitaux comme caractéristiques
Bonnes pratiques
- Toujours diviser les données de santé par identifiant de patient plutôt que par visites individuelles pour éviter la fuite de données entre les ensembles d'entraînement et de test
- Utiliser des métriques d'évaluation spécifiques à la santé comme PR-AUC pour les ensembles de données cliniques déséquilibrés plutôt que la précision standard
- Valider manuellement les traductions de codes médicaux pour les applications critiques car les mappages automatisés peuvent avoir des cas particuliers
Éviter
- Éviter de diviser les données de manière aléatoire par échantillons car cela peut causer des fuites d'informations de patients entre les ensembles d'entraînement et de test
- Ne pas utiliser de codes ICD ou de médicaments bruts sans comprendre leur structure hiérarchique et leur signification clinique
- Éviter d'entraîner des modèles sur de petites cohortes de patients sans considérer la puissance statistique et les risques de généralisation