pyhealth
Создание моделей ИИ для здравоохранения с помощью PyHealth
Auch verfügbar von: K-Dense-AI
Разработка моделей машинного обучения для здравоохранения требует понимания сложных форматов клинических данных, систем медицинского кодирования и специализированных архитектур моделей. Этот навык предоставляет исчерпывающее руководство по использованию PyHealth для построения, обучения и оценки моделей клинического прогнозирования для задач прогнозирования смертности, рекомендации лекарств и медицинского кодирования.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "pyhealth". Создайте модель для прогнозирования 30-дневной повторной госпитализации на основе истории болезни пациента
Erwartetes Ergebnis:
- Dataset: Загрузка MIMIC-IV с визитами пациентов и диагнозами
- Task: Применение readmission_prediction_mimic4_fn для бинарной классификации
- Model: RETAIN для интерпретируемой визуализации внимания
- Preprocessing: SequenceProcessor с max_seq_length=50, усечение после (post truncation)
- Training: Trainer с monitor='pr_auc_score' для несбалансированных данных
- Evaluation: Расчет AUPRC, метрик справедливости по демографическим группам
- Interpretation: Извлечение весов внимания посещений и признаков для клинического обзора
Sicherheitsaudit
SicherPure documentation skill containing only markdown files. All 512 static findings are false positives triggered by markdown code formatting and healthcare vocabulary. No executable code, scripts, or network calls exist.
Risikofaktoren
⚙️ Externe Befehle (423)
⚡ Enthält Skripte (4)
🌐 Netzwerkzugriff (3)
Qualitätsbewertung
Was du bauen kannst
Прогнозирование риска смертности в отделении интенсивной терапии
Создание интерпретируемых моделей прогнозирования смертности с использованием механизмов внимания RETAIN для поддержки принятия клинических решений.
Рекомендация безопасных лекарств
Разработка систем рекомендации лекарств, избегающих лекарственного взаимодействия, с использованием моделей SafeDrug или GAMENet.
Стандартизация медицинских кодов
Перевод кодов диагнозов и процедур между категориями ICD-9, ICD-10 и CCS для многоцентрового анализа.
Probiere diese Prompts
Как загрузить набор данных MIMIC-IV в PyHealth и настроить задачу прогнозирования смертности? Покажите структуру кода для загрузки данных, определения задачи и разделения на обучающую/тестовую выборки.
Какую модель следует использовать для прогнозирования повторной госпитализации? Мне нужны интерпретируемые результаты. Сравните модели RETAIN, AdaCare и Transformer с примерами кода для каждой.
Как перевести коды диагнозов ICD-9 в ICD-10 и сгруппировать их в категории CCS с помощью PyHealth MedCode? Покажите, как обрабатывать сопоставления «один ко многим».
Покажите полный рабочий процесс обучения клинической прогностической модели: загрузка данных, предварительная обработка с помощью processors, обучение модели с ранней остановкой, оценка с калибровкой и интерпретация на основе внимания для клинической объяснимости.
Bewährte Verfahren
- Всегда разделяйте данные по пациентам, а не по визитам, чтобы предотвратить утечку данных между обучающим, валидационным и тестовым наборами
- Используйте AUPRC (площадь под кривой точность-полнота) вместо AUROC для несбалансированных клинических исходов, таких как смертность
- Калибруйте прогнозы с использованием масштабирования температуры или масштабирования Платта перед клиническим внедрением для обеспечения надежности вероятности
Vermeiden
- Использование случайного разделения на обучающую/тестовую выборки вместо разделения на уровне пациентов может привести к утечке данных и чрезмерно оптимистичным оценкам производительности
- Оценка только по точности (accuracy) на несбалансированных клинических наборах данных скрывает низкую производительность на редких, но критических исходах
- Развертывание некалиброванных моделей без количественной оценки неопределенности может привести к самоуверенным и потенциально вредным клиническим прогнозам