Создание клинических ML-процессов с PyHealth
Проекты клинического машинного обучения требуют аккуратной работы с наборами данных, системами кодирования, задачами, моделями и валидацией. Этот навык структурирует рекомендации по PyHealth, чтобы Claude, Codex и Claude Code могли помогать проектировать воспроизводимые рабочие процессы для ИИ в здравоохранении.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "pyhealth" from https://skillstore.io/skills/davila7-pyhealth.md and its manifest at https://skillstore.io/api/skills/davila7-pyhealth/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ваш Агент по-прежнему должен показать план и запросить все подтверждения, требуемые политикой безопасности.
Используйте эти ссылки, когда AI-агенту, crawler или script нужен чистый контекст вместо полной страницы.
Использование «pyhealth». Спланируй рабочий процесс PyHealth для прогнозирования смертности в ICU.
Ожидаемый результат:
Навык описал бы загрузку набора данных, настройку задачи смертности, разбиение на уровне пациентов, выбор RETAIN или Transformer, оценку с фокусом на AUPRC, калибровку и шаги интерпретации.
Использование «pyhealth». Помоги мне стандартизировать коды лекарств для анализа безопасности препаратов.
Ожидаемый результат:
Навык описал бы, как сопоставлять коды лекарств через поддерживаемые словари, выбирать уровень ATC, обрабатывать сопоставления «один ко многим» и документировать версии кодов.
Использование «pyhealth». Проверь, готова ли моя клиническая модель к внедрению.
Ожидаемый результат:
Навык проверил бы тестирование на отложенной выборке, внешнюю валидацию, демографическую справедливость, качество калибровки, оценки неопределенности, меры конфиденциальности и требования к проверке клиницистами.
All 60 static findings are false positives caused by Markdown syntax, standard Python imports, clinical terminology, and documentation links. The examples include one fixed installation command, with no automatic execution, command interpolation, reconnaissance, or suspicious network behavior. No prompt injection, social engineering, or data exfiltration intent was found.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/davila7-pyhealth/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-pyhealth?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-pyhealth?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-pyhealth/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-pyhealth.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>davila7. (2026). pyhealth security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-pyhealth/audits/9@techreport{davila7-davila7-pyhealth-2026,
author = {davila7},
title = {pyhealth security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/davila7-pyhealth/audits/9},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "pyhealth security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-pyhealth/audits/9"
identifiers:
- type: other
value: "skillstore:davila7-pyhealth:audit:9"
description: "Skillstore immutable audit report identifier"
Навык каждого автора остаётся отдельным устанавливаемым вариантом. Рекомендуемый вариант ранжируется по данным Skillstore.
Почему этот вариант первый
davila7-pyhealth
2026-09-09
k-dense-ai-pyhealth
2026-09-09
Спланировать рабочий процесс PyHealth, который загружает данные MIMIC, определяет задачу прогнозирования смертности, выбирает интерпретируемую модель и оценивает клинические метрики.
Сопоставить коды диагнозов, процедур и лекарственных препаратов между системами ICD, CCS, NDC, RxNorm и ATC для согласованных признаков.
Проверить калибровку, справедливость, неопределенность, интерпретируемость и потребности во внешней валидации перед пилотным запуском модели в здравоохранении.
Используй навык PyHealth, чтобы помочь мне выбрать набор данных и предопределенную задачу для прогнозирования 30-дневной повторной госпитализации. Объясни необходимые входные данные, метки и разбиение на обучающую, валидационную и тестовую выборки.
Используй навык PyHealth, чтобы описать базовый рабочий процесс прогнозирования смертности с MIMIC-IV, разбиениями на уровне пациентов, предобработкой, простой моделью и подходящими метриками оценки.
Используй навык PyHealth, чтобы сравнить RETAIN, Transformer, SafeDrug и GAMENet для проекта рекомендаций лекарств. Включи требования к данным, интерпретируемость и компромиссы оценки.
Используй навык PyHealth, чтобы проверить план обученной клинической модели на риски утечки данных, калибровку, справедливость, неопределенность, внешнюю валидацию, меры конфиденциальности и пробелы внедрения.
Автор
davila7Лицензия
MIT
Ревизия Skillstore
r2
Примечание о версии
Автор не указал версию.
Репозиторий
https://github.com/davila7/claude-code-templates/tree/main/cli-tool/components/skills/scientific/pyhealthСсылка
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Актуальность поддержки
25.07.2026
Использование
9 загрузок · 527 просмотров
Структура файлов
Создание исследовательских постеров в LaTeX
Исследовательские постеры сложно форматировать и проверять для печати в LaTeX. Этот навык предоставляет шаблоны, рекомендации по макету и проверки PDF для постеров, готовых к конференции.
Создавайте маркетинговый контент, готовый для SEO
Маркетинговым командам нужен понятный контент, который соответствует голосу бренда и поисковым целям. Этот навык предоставляет шаблоны, скрипты анализа и рекомендации по платформам для повторяемого производства контента.
Создание структурированных планов медицинского лечения
Клинические планы лечения часто оказываются непоследовательными, слишком объемными или сложными для проверки. Этот навык предоставляет специализированные шаблоны, измеримые цели, временные рамки и локальные средства контроля качества.
Создание структурированных клинических отчетов
Клиническим командам нужны понятные отчеты, соответствующие медицинским и регуляторным стандартам. Этот навык предоставляет шаблоны, чек-листы и рекомендации по валидации для описаний клинических случаев, диагностических отчетов, исследований и заметок о пациентах.
Анализ файлов научных данных
Файлы научных данных сложно исследовать, поскольку каждый формат по-разному хранит структуру и метаданные. Этот навык определяет форматы, оценивает качество данных и создает практические отчеты по разведочному анализу данных в формате markdown.
Запуск рабочих процессов молекулярного докинга DiffDock
Настройка молекулярного докинга часто завершается неудачей, поскольку сложно согласовать входные данные, параметры и оценки уверенности. Этот навык помогает выполнять рабочие процессы DiffDock от подготовки до анализа результатов.
Обработка данных JSON, YAML и TOML
от 0xDarkMatter
Структурированные конфигурационные данные бывает сложно просматривать в файлах JSON, YAML и TOML. Этот навык помогает составлять запросы jq и yq для извлечения, фильтрации, преобразования и обновления данных.
Анализируйте терапевтические ML-наборы данных с PyTDC
от K-Dense-AI
Командам по разработке лекарств нужны надежные наборы данных и справедливые протоколы оценки. Этот навык помогает Claude использовать PyTDC для курируемых терапевтических ML-данных, benchmark-разбиений, метрик и молекулярных оракулов.
Подготовка заявлений о доступности данных для Nature
от Yuan1z0825
Авторам исследований часто нужны точные формулировки о доступности данных перед подачей рукописи. Этот навык помогает готовить заявления, сопоставлять наборы данных с путями доступа и проверять метаданные FAIR.
Проектирование надежных экспериментов с электронной почтой
от aaron-he-zhu
Тесты рассылок часто приводят к слабым выводам из-за недостаточной статистической мощности дизайна или одновременного изменения нескольких переменных. Этот навык создает строгие планы экспериментов и интерпретирует результаты с учетом неопределенности.
Создание продакшен-систем компьютерного зрения
от alirezarezvani
Командам компьютерного зрения нужны надежные рекомендации по моделям, датасетам, инференсу и развертыванию. Этот навык помогает планировать и оптимизировать продакшен-пайплайны компьютерного зрения с практическими инженерными проверками.
Преобразование JSON в контекст для LLM
от vc999999999
Большие полезные нагрузки JSON расходуют токены и скрывают факты, которые нужны модели. Этот skill преобразует структурированные JSON или экспорты jsonb в краткие, читаемые сводки для Claude, Codex и Claude Code.