📦

pyhealth

Name: pyhealth
Author: K-Dense-AI

Seguro

Construir Modelos de IA para Saúde com Dados Clínicos

Também disponível em: davila7

Pesquisadores de saúde e cientistas de dados lutam com formatos complexos de dados clínicos e sistemas de codificação. O PyHealth oferece um toolkit unificado para carregar conjuntos de dados médicos, processar dados de EHR, treinar modelos preditivos e trabalhar com códigos médicos padrão.

Suporta: Claude Codex Code(CC)

🥉 73 Bronze

Baixar o ZIP da skill

Upload no Claude

Vá em Configurações → Capacidades → Skills → Upload skill

Ative e comece a usar

Testar

A utilizar "pyhealth". Show me how to load MIMIC-IV and set up mortality prediction

Resultado esperado:

A skill fornece exemplos de código mostrando: 1) Carregamento do MIMIC4Dataset com o caminho do diretório raiz, 2) Aplicação da função de tarefa mortality_prediction_mimic4_fn, 3) Divisão de dados por paciente em conjuntos de treino/validação/teste, 4) Criação de carregadores de dados com tamanhos de lote especificados, e 5) Inicialização de um modelo Transformer com chaves de características para diagnósticos e medicamentos.

A utilizar "pyhealth". How do I translate between ICD-9 and ICD-10 codes?

Resultado esperado:

A skill explica como usar CrossMap.load para criar um objeto de mapeamento entre sistemas ICD9CM e ICD10CM, então chamando o método map com códigos específicos. Nota que mapeamentos podem ser um-para-muitos e fornece orientação sobre como lidar com múltiplas correspondências com especificações de nível hierárquico.

A utilizar "pyhealth". What models are available for drug recommendation tasks?

Resultado esperado:

A skill lista modelos especializados, incluindo SafeDrug para recomendação segura de medicamentos com restrições de interação droga-droga, GAMENet para combinações de medicamentos personalizadas, e MICRON para predição de medicamentos com redes de memória. Cada descrição de modelo inclui a abordagem arquitetônica e o caso de uso específico em saúde.

Auditoria de Segurança

Seguro

v5 • 1/21/2026

Static 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.

Arquivos analisados

8,087

Linhas analisadas

achados

Total de auditorias

Nenhum problema de segurança encontrado

Auditado por: claude Ver Histórico de Auditoria →

Pontuação de qualidade

Arquitetura

100

Manutenibilidade

Conteúdo

Comunidade

100

Segurança

Conformidade com especificações

O Que Você Pode Construir

Predição de Readmissão Hospitalar

Construir um modelo para prever o risco de readmissão hospitalar de 30 dias usando histórico de visitas do paciente, diagnósticos, medicamentos e procedimentos dos dados MIMIC-IV.

Pipeline de Tradução de Códigos Médicos

Converter códigos de diagnóstico ICD-9 legados para padrões ICD-10 atuais e mapear códigos de medicamentos NDC para classes terapêuticas ATC para padronização de dados.

Predição Clínica Multi-Modal

Desenvolver modelos de predição de mortalidade combinando eventos estruturados de EHR, sinais de séries temporais fisiológicas e notas clínicas usando arquiteturas Transformer.

Tente Estes Prompts

Carregar Conjunto de Dados MIMIC

Mostre-me como carregar o conjunto de dados MIMIC-IV e configurar uma tarefa de predição de mortalidade

Converter Códigos Médicos

Como traduzir códigos de diagnóstico ICD-9 para ICD-10 e mapear códigos de medicamentos NDC para classes ATC?

Treinar Modelo de Readmissão

Ajude-me a construir um modelo de predição de readmissão de 30 dias usando sequências de visitas do paciente com a arquitetura RETAIN

Tarefa Clínica Personalizada

Preciso criar uma tarefa de predição personalizada para tempo de permanência na UTI usando diagnósticos, valores de laboratório e sinais vitais como características

Melhores Práticas

Sempre divida os dados de saúde por ID do paciente, não por visitas individuais, para evitar vazamento de dados entre conjuntos de treino e teste
Use métricas de avaliação específicas de saúde, como PR-AUC, para conjuntos de dados clínicos desbalanceados, em vez de precisão padrão
Valide manualmente as traduções de códigos médicos para aplicações críticas, pois mapeamentos automatizados podem ter casos extremos

Evitar

Evite dividir dados aleatoriamente por amostras, pois isso pode vazar informações do paciente entre conjuntos de treino e teste
Não use códigos ICD ou de medicamentos brutos sem entender sua estrutura hierárquica e significado clínico
Evite treinar modelos em coortes de pacientes pequenas sem considerar poder estatístico e riscos de generalização

Perguntas Frequentes

Como obtenho acesso aos conjuntos de dados MIMIC?

Os conjuntos de dados MIMIC requerem completar treinamento CITI e solicitar acesso através do PhysioNet. A skill fornece documentação sobre como usar os conjuntos de dados após você obter credenciais e baixar os arquivos de dados.

O PyHealth pode lidar com predições clínicas em tempo real?

O PyHealth é projetado para desenvolvimento de modelos e pesquisa. Para implantação em produção, você treinaria modelos usando PyHealth e então os exportaria para sistemas de inferência em tempo real.

Qual é a diferença entre InnerMap e CrossMap?

O InnerMap trata de pesquisas dentro de um único sistema de codificação, como navegar hierarquias ICD-10. O CrossMap traduz entre sistemas diferentes, como converter códigos ICD em categorias clínicas.

Como o PyHealth lida com dados clínicos ausentes?

A skill documenta várias estratégias de pré-processamento, incluindo forward fill para séries temporais, imputação média para valores de laboratório, e tokens especiais de valores ausentes para modelos de aprendizado profundo.

Qual modelo devo usar para predição de mortalidade?

A skill recomenda começar com modelos Transformer ou RETAIN para dados sequenciais de EHR. O Transformer lida bem com características multi-modais, enquanto o RETAIN fornece interpretabilidade através de pesos de atenção.

Posso usar o PyHealth com o Common Data Model OMOP?

Sim, o PyHealth inclui um carregador OMOPDataset que funciona com bancos de dados seguindo o esquema OMOP CDM. A skill fornece orientação sobre como conectar-se a bancos de dados OMOP e extrair coortes de pacientes.