📦

pyhealth

Name: pyhealth
Author: K-Dense-AI

Безопасно

Создание моделей ИИ для здравоохранения с клиническими данными

Также доступно от: davila7

Исследователи в области здравоохранения и специалисты по данным сталкиваются со сложными форматами клинических данных и системами кодирования. PyHealth предоставляет унифицированный набор инструментов для загрузки медицинских наборов данных, обработки данных ЭМК, обучения прогнозных моделей и работы со стандартными медицинскими кодами.

Поддерживает: Claude Codex Code(CC)

🥉 73 Бронза

Скачать ZIP навыка

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

Включите и начните использовать

Протестировать

Использование «pyhealth». Покажи мне, как загрузить MIMIC-IV и настроить прогнозирование смертности

Ожидаемый результат:

Навык предоставляет примеры кода, показывающие: 1) Загрузку MIMIC4Dataset с указанием пути к корневому каталогу, 2) Применение функции задачи mortality_prediction_mimic4_fn, 3) Разделение данных по пациентам на обучающий/валидационный/тестовый наборы, 4) Создание загрузчиков данных с указанными размерами пакетов, и 5) Инициализацию модели Transformer с ключами признаков для диагнозов и лекарств.

Использование «pyhealth». Как мне переводить между кодами ICD-9 и ICD-10?

Ожидаемый результат:

Навык объясняет использование CrossMap.load для создания объекта сопоставления между системами ICD9CM и ICD10CM, затем вызов метода map с конкретными кодами. Отмечается, что сопоставления могут быть типа «один ко многим», и предоставляются рекомендации по обработке нескольких совпадений с указанием иерархических уровней.

Использование «pyhealth». Какие модели доступны для задач рекомендации лекарств?

Ожидаемый результат:

Навык перечисляет специализированные модели, включая SafeDrug для безопасной рекомендации лекарств с ограничениями на взаимодействие лекарств, GAMENet для персонализированных комбинаций лекарств и MICRON для прогнозирования лекарств с сетями памяти. Описание каждой модели включает архитектурный подход и конкретный случай использования в здравоохранении.

Аудит безопасности

Безопасно

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.

Просканировано файлов

8,087

Проанализировано строк

находки

Всего аудитов

Проблем безопасности не найдено

Проверено: claude Посмотреть историю аудитов →

Оценка качества

Архитектура

100

Сопровождаемость

Контент

Сообщество

100

Безопасность

Соответствие спецификации

Что вы можете построить

Прогнозирование повторной госпитализации

Создание модели для прогнозирования риска повторной госпитализации в течение 30 дней с использованием истории посещений пациента, диагнозов, лекарств и процедур из данных MIMIC-IV.

Конвейер перевода медицинских кодов

Преобразование устаревших диагностических кодов ICD-9 в текущие стандарты ICD-10 и сопоставление кодов лекарств NDC с терапевтическими классами ATC для стандартизации данных.

Мультимодальное клиническое прогнозирование

Разработка моделей прогнозирования смертности, объединяющих структурированные события ЭМК, временные ряды физиологических сигналов и клинические заметки с использованием архитектур Transformer.

Попробуйте эти промпты

Загрузка набора данных MIMIC

Покажи мне, как загрузить набор данных MIMIC-IV и настроить задачу прогнозирования смертности

Преобразование медицинских кодов

Как мне перевести диагностические коды ICD-9 в ICD-10 и сопоставить коды лекарств NDC с классами ATC?

Обучение модели повторной госпитализации

Помоги мне создать модель прогнозирования повторной госпитализации в течение 30 дней, используя последовательности посещений пациентов с архитектурой RETAIN

Пользовательская клиническая задача

Мне нужно создать пользовательскую задачу прогнозирования продолжительности пребывания в отделении интенсивной терапии, используя диагнозы, лабораторные показатели и жизненные показатели в качестве признаков

Лучшие практики

Всегда разделяйте данные здравоохранения по идентификатору пациента, а не по отдельным посещениям, чтобы предотвратить утечку данных между обучающим и тестовым наборами
Используйте специфичные для здравоохранения метрики оценки, такие как PR-AUC, для несбалансированных клинических наборов данных, а не стандартную точность
Проверяйте переводы медицинских кодов вручную для критически важных приложений, так как автоматические сопоставления могут иметь крайние случаи

Избегать

Избегайте случайного разделения данных по образцам, так как это может привести к утечке информации о пациентах между обучающим и тестовым наборами
Не используйте необработанные коды ICD или лекарств без понимания их иерархической структуры и клинического значения
Избегайте обучения моделей на малых когортах пациентов без учёта статистической мощности и рисков обобщения

Часто задаваемые вопросы

Как мне получить доступ к наборам данных MIMIC?

Наборы данных MIMIC требуют прохождения обучения CITI и запроса доступа через PhysioNet. Навык предоставляет документацию по использованию наборов данных после получения учётных данных и загрузки файлов данных.

Может ли PyHealth обрабатывать клинические прогнозы в реальном времени?

PyHealth предназначен для разработки моделей и исследований. Для производственного развёртывания вы обучаете модели с использованием PyHealth, а затем экспортируете их для систем вывода в реальном времени.

В чём разница между InnerMap и CrossMap?

InnerMap обрабатывает поиск внутри одной системы кодирования, например навигацию по иерархиям ICD-10. CrossMap переводит между различными системами, например преобразование кодов ICD в клинические категории.

Как PyHealth обрабатывает пропущенные клинические данные?

Навык документирует различные стратегии предварительной обработки, включая прямое заполнение для временных рядов, вменение среднего для лабораторных значений и специальные токены пропущенных значений для моделей глубокого обучения.

Какую модель мне следует использовать для прогнозирования смертности?

Навык рекомендует начинать с моделей Transformer или RETAIN для последовательных данных ЭМК. Transformer хорошо обрабатывает мультимодальные признаки, в то время как RETAIN обеспечивает интерпретируемость через веса внимания.

Могу ли я использовать PyHealth с общей моделью данных OMOP?

Да, PyHealth включает загрузчик OMOPDataset, который работает с базами данных, следующими схеме OMOP CDM. Навык предоставляет рекомендации по подключению к базам данных OMOP и извлечению когорт пациентов.