🏥

pyhealth

Name: pyhealth
Author: davila7

Sûr ⚙️ Commandes externes⚡ Contient des scripts🌐 Accès réseau

Создание моделей ИИ для здравоохранения с помощью PyHealth

Également disponible depuis: 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.

Prend en charge: Claude Codex Code(CC)

📊 71 Adéquat

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". Создайте модель для прогнозирования 30-дневной повторной госпитализации на основе истории болезни пациента

Résultat attendu:

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

Audit de sécurité

Sûr

v5 • 1/17/2026

Pure 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.

Fichiers analysés

3,430

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚙️ Commandes externes (423)

⚡ Contient des scripts (4)

references/preprocessing.md:427-431 references/preprocessing.md:455-459 references/preprocessing.md:484-488 references/preprocessing.md:511-516

🌐 Accès réseau (3)

skill-report.json:6 SKILL.md:379 SKILL.md:380

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Прогнозирование риска смертности в отделении интенсивной терапии

Создание интерпретируемых моделей прогнозирования смертности с использованием механизмов внимания RETAIN для поддержки принятия клинических решений.

Стандартизация медицинских кодов

Перевод кодов диагнозов и процедур между категориями ICD-9, ICD-10 и CCS для многоцентрового анализа.

Essayez ces prompts

Загрузка набора данных здравоохранения

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.

Создание модели прогнозирования

Какую модель следует использовать для прогнозирования повторной госпитализации? Мне нужны интерпретируемые результаты. Сравните модели RETAIN, AdaCare и Transformer с примерами кода для каждой.

Перевод медицинских кодов

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».

Обучение клинической модели

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.

Bonnes pratiques

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

Éviter

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

Foire aux questions

Какие наборы данных поддерживает PyHealth?

PyHealth поддерживает MIMIC-III, MIMIC-IV, eICU, OMOP для данных EHR; SleepEDF, SHHS, ISRUC для ЭЭГ сна; и наборы данных рентгенографии грудной клетки COVID-19.

Какие задачи прогнозирования в здравоохранении доступны?

Более 20 задач, включая прогнозирование смертности, повторную госпитализацию, продолжительность пребывания, рекомендации лекарств, стадирование сна, обнаружение приступов и кодирование ICD.

Могу ли я интегрировать PyHealth с моими существующими моделями PyTorch?

Да, модели PyHealth наследуются от BaseModel со стандартными интерфейсами PyTorch. Вы можете использовать пользовательские модели PyTorch вместе с компонентами PyHealth.

Безопасны ли данные пациентов при использовании PyHealth?

PyHealth — это только библиотека для обработки. Пользователи должны убедиться, что у них есть надлежащая авторизация и они используют деидентифицированные данные в соответствии с правилами HIPAA или GDPR.

Почему моя модель плохо работает на клинических данных?

Проверьте дисбаланс классов (используйте AUPRC), проверьте нормализацию предварительной обработки, обеспечьте правильное разделение на уровне пациентов и проверьте качество данных на наличие пропущенных кодов.

Как PyHealth сравнивается с другими библиотеками машинного обучения для здравоохранения?

PyHealth предлагает интегрированный конвейер от загрузки данных до развертывания с 33+ моделями, специфичными для здравоохранения, стандартизированным переводом медицинских кодов и инструментами клинической интерпретируемости.