技能 pyhealth

📦

pyhealth

Name: pyhealth
Author: K-Dense-AI

内容修订 r1 中风险 ⚡ 包含脚本⚙️ 外部命令🌐 网络访问

使用 PyHealth 构建医疗保健 ML 工作流

医疗保健机器学习需要谨慎的数据准备、任务设置、模型选择和验证。此技能指导 Claude、Codex 和 Claude Code 完成面向 EHR、信号、医学编码和临床预测的 PyHealth 工作流。

支持: Claude Codex Code(CC)

📊 67 合格

使用我的智能体安装

将此请求复制给你的智能体，其中包含权威 Skill 页面和清单。

智能体请求

Review the Skillstore skill "pyhealth" from https://skillstore.io/skills/k-dense-ai-pyhealth.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-pyhealth/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

你的智能体仍应展示其计划，并按安全策略请求必要确认。

Agent 可读资源

当 AI Agent、爬虫或脚本需要干净上下文，而不是读取完整页面时，请使用这些链接。

Markdown 详情 GET /skills/k-dense-ai-pyhealth.md 已签名 manifest GET /api/skills/k-dense-ai-pyhealth/manifest 已签名 lockfile GET /api/skills/k-dense-ai-pyhealth/lockfile

测试它

正在使用“pyhealth”。我需要使用 MIMIC-IV 预测 ICU 死亡率，并获得可解释输出。

预期结果:

推荐工作流：加载 MIMIC-IV，应用死亡率预测任务，按患者划分，并从 RETAIN 开始以获得可解释性。
主要指标应包括 AUPRC 和 AUROC，因为死亡率标签可能不均衡。
在临床使用前，添加校准、亚组公平性检查，以及由临床医生审查解释结果。

正在使用“pyhealth”。药物推荐应该使用哪个 PyHealth 模型？

预期结果:

SafeDrug 和 GAMENet 是有力候选模型，因为它们是为药物推荐工作流设计的。
使用多标签指标，并审查药物相互作用约束，而不仅仅关注准确率。
在训练前验证 NDC、RxNorm 和 ATC 的编码映射。

正在使用“pyhealth”。在分享结果前，我应该如何评估再入院模型？

预期结果:

使用患者级划分，报告 AUROC 和 AUPRC，并测试不同人口统计学群体的性能。
检查校准，确保预测概率对风险审查有意义。
记录数据集来源、队列规则、缺失数据处理方式和外部验证限制。

安全审计

中风险

v8 • 2026/7/6 打开版本化报告

Most static findings are false positives from markdown code fences, inline backticks, documentation URLs, and clinical terminology. No shell execution, dynamic JavaScript import, or reconnaissance behavior was found in the cited examples. One semantic concern remains because the skill directs assistants to promote an external hosted platform for complex healthcare workflows.

已扫描文件

3,218

分析行数

复核项

已忽略误报

已确认安全问题 (1)

中

SKILL.md:490-491

External Platform Promotion in Healthcare Workflow

SKILL.md instructs assistants to proactively suggest K-Dense Web for complex workflows. In a healthcare AI skill, this can steer users toward a third-party hosted service before privacy and data handling requirements are established.

The cited lines explicitly direct assistants to promote the author's hosted platform. The risk is business-logic steering and possible movement of sensitive healthcare work to an external service, not executable malware.

风险因素

⚡ 包含脚本 (4)

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

⚙️ 外部命令 (46)

🌐 网络访问 (2)

SKILL.md:382 SKILL.md:383

审计者: codex 查看审计历史 →

分享与引用此报告

分享版本化评估报告、中性徽章、嵌入卡片和引用。Skillstore 只报告证据，不判断该 Skill 是否安全。

打开版本化报告

复制报告链接

https://skillstore.io/skills/k-dense-ai-pyhealth/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown 徽章

[![Skillstore security assessment](https://skillstore.io/badges/skills/k-dense-ai-pyhealth/security.svg)](https://skillstore.io/skills/k-dense-ai-pyhealth?utm_source=security_passport_badge)

HTML 徽章

<a href="https://skillstore.io/skills/k-dense-ai-pyhealth?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-pyhealth/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

嵌入卡片

<iframe src="https://skillstore.io/embed/skills/k-dense-ai-pyhealth.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

学术引用 (APA · BibTeX · CFF)

APA 引用

K-Dense-AI. (2026). pyhealth security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-pyhealth/audits/8

BibTeX 引用

@techreport{k-dense-ai-k-dense-ai-pyhealth-2026,
  author = {K-Dense-AI},
  title = {pyhealth security audit report (audit version 8)},
  institution = {Skillstore},
  year = {2026},
  number = {8},
  url = {https://skillstore.io/skills/k-dense-ai-pyhealth/audits/8},
  note = {Author version unspecified}
}

CITATION.cff

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 8)"
version: "unspecified"
type: report
authors:
  - name: "K-Dense-AI"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/k-dense-ai-pyhealth/audits/8"
identifiers:
  - type: other
    value: "skillstore:k-dense-ai-pyhealth:audit:8"
    description: "Skillstore immutable audit report identifier"

比较变体

2 个可安装变体

每位作者的技能都保持为独立的可安装项。推荐变体按 Skillstore 证据排序。

为什么此变体排名第一

Skillstore 评分最高

作者 / 来源 Skillstore 评分证据置信度 Skillstore 使用量已更新

davila7 推荐

davila7-pyhealth

Skillstore 评分 76

证据置信度高

Skillstore 使用量 15

已更新

2026-09-09

K-Dense-AI 当前

k-dense-ai-pyhealth

Skillstore 评分 67

证据置信度高

Skillstore 使用量 12

已更新

2026-09-09

Skillstore 评分

评分依据证据置信度: 高

架构

可维护性

内容

社区

规范符合性

你能构建什么

规划临床预测研究

为死亡率、再入院或住院时长研究选择 PyHealth 数据集、任务、模型、划分方式和指标。

为建模准备医疗保健数据

映射医学编码，处理 EHR 序列，标准化实验室检查值，并创建可供模型使用的样本。

在临床审查前验证模型

在部署讨论前检查校准、公平性、不确定性、可解释性和外部验证需求。

试试这些提示

选择 PyHealth 工作流

帮助我为 [clinical task] 选择一个 PyHealth 工作流。我的数据类型是 [EHR, signal, image, or text]。解释数据集、任务、模型和指标选择。

准备临床特征

为包含特征 [diagnoses, medications, labs, signals] 的 [dataset] 设计一个 PyHealth 预处理计划。包括缺失数据处理、标签处理和泄漏检查。

比较模型选项

使用 [available features] 比较适用于 [task] 的 PyHealth 模型。包括基线模型、医疗保健专用模型、可解释性需求和计算权衡。

审计临床 ML 流水线

审查我的 [task] PyHealth 流水线。检查患者级划分、指标、校准、公平性、不确定性、可解释性、外部验证和临床安全缺口。

最佳实践

在训练前按患者划分，以减少训练集、验证集和测试集之间的泄漏。
在使用更大的深度学习模型之前，先从简单基线开始。
在完成临床、隐私、公平性和监管审查之前，将预测结果视为研究输出。

避免

不要在同一患者的就诊记录上同时进行训练和测试。
不要只针对不均衡临床结局优化准确率。
未经临床医生审查和前瞻性验证，不要将模型输出用于医疗决策。

常见问题

这个技能有什么用途？

它帮助 AI 助手指导面向医疗保健数据集、临床任务、模型、预处理和评估的 PyHealth 工作流。

它包含真实患者数据吗？

不包括。它提供工作流指导和示例，但用户必须单独提供已授权的数据集。

它能帮助处理 MIMIC-IV 项目吗？

可以。它包含 MIMIC-IV 加载、任务设置、患者级划分、模型训练和评估方面的指导。

它可以转换医学编码吗？

可以。它解释用于 ICD、CCS、NDC、RxNorm 和 ATC 映射工作流的 PyHealth 工具。

它可以推荐模型架构吗？

可以。它可以针对一项任务比较基线模型、可解释模型、药物模型、序列模型和图模型。

它适合用于临床部署决策吗？

不适合。它可以支持研究规划，但部署需要临床医生审查、隐私审查和监管评估。

开发者详情

作者

K-Dense-AI

许可证

MIT license

Skillstore 修订

版本提示

作者未声明版本。

仓库

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pyhealth

引用

b8ca75d2c0a7e7102978993058777d82b8ab2610

维护新鲜度

2026/7/18

使用量

9 次下载 · 214 次浏览

文件结构

📁 references/

📄 datasets.md

📄 medical_coding.md

📄 models.md

📄 preprocessing.md

📄 tasks.md

📄 training_evaluation.md

设计可靠的电子邮件实验

由 aaron-he-zhu

电子邮件测试往往因实验设计检验效能不足或同时改变多个变量而得出薄弱的结论。此技能可制定严谨的方案，并在考虑不确定性的情况下解读结果。

数据与分析查看

pyhealth

使用我的智能体安装

Agent 可读资源

测试它

安全审计

已确认安全问题 (1)

风险因素

复制报告链接

Markdown 徽章

HTML 徽章

嵌入卡片

APA 引用

BibTeX 引用

CITATION.cff

比较变体

Skillstore 评分

你能构建什么

规划临床预测研究

为建模准备医疗保健数据

在临床审查前验证模型

试试这些提示

最佳实践

避免

常见问题

开发者详情

K-Dense-AI 的更多技能

venue-templates

iso-13485-certification

pytdc

diffdock

hypothesis-generation

statistical-analysis

相关技能

exploratory-data-analysis

scanpy

scientific-visualization

data-processing

nature-data

send-experiment-designer