醫療保健研究人員和數據科學家經常與複雜的臨床數據格式和編碼系統搏鬥。PyHealth提供了一個統一的工具包，用於加載醫療數據集、處理EHR數據、訓練預測模型以及處理標準醫療代碼。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「pyhealth」。 Show me how to load MIMIC-IV and set up mortality prediction
預期結果:
該技能提供代碼示例，展示：1) 使用根目錄路徑加載MIMIC4Dataset，2) 應用mortality_prediction_mimic4_fn任務函數，3) 按患者將數據拆分為訓練/驗證/測試集，4) 使用指定批量大小創建數據加載器，5) 使用診斷和藥物的特徵鍵初始化Transformer模型。
正在使用「pyhealth」。 How do I translate between ICD-9 and ICD-10 codes?
預期結果:
該技能解釋使用CrossMap.load在ICD9CM和ICD10CM系統之間創建映射對象，然後使用特定代碼調用map方法。它指出映射可以是一對多的，並提供使用層級規範處理多個匹配的指導。
正在使用「pyhealth」。 What models are available for drug recommendation tasks?
預期結果:
該技能列出專業模型，包括用於藥物-藥物相互作用約束的安全藥物推薦的SafeDrug、用於個性化藥物組合的GAMENet，以及具有記憶網絡的藥物預測的MICRON。每個模型描述都包括架構方法和特定的醫療保健用例。
安全審計
安全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.
品質評分
你能建構什麼
醫院再入院預測
使用MIMIC-IV數據中的患者就診歷史、診斷、藥物和程序構建模型，以預測30天內的醫院再入院風險。
醫療代碼轉換流程
將傳統的ICD-9診斷代碼轉換為當前的ICD-10標準，並將藥物NDC代碼映射到ATC治療類別，以實現數據標準化。
多模態臨床預測
使用Transformer架構開發死亡率預測模型，結合結構化EHR事件、生理時間序列信號和臨床筆記。
試試這些提示
展示如何加載MIMIC-IV數據集並設置死亡率預測任務
如何將ICD-9診斷代碼翻譯為ICD-10，並將NDC藥物代碼映射到ATC類別？
幫我使用患者就診序列和RETAIN架構構建30天再入院預測模型
我需要創建一個自定義預測任務，使用診斷、實驗室值和生命體徵作為特徵來預測ICU住院時間
最佳實務
- 始終按患者ID而非按個別就診拆分醫療保健數據，以防止訓練集和測試集之間的數據洩漏
- 對於不平衡的臨床數據集，使用PR-AUC等醫療保健特定的評估指標，而非標準準確率
- 對於關鍵應用，手動驗證醫療代碼轉換，因為自動映射可能存在邊緣情況
避免
- 避免按樣本隨機拆分數據，因為這可能會使患者信息洩漏到訓練集和測試集中
- 不要在不了解其層級結構和臨床意義的情況下使用原始ICD或藥物代碼
- 避免在小規模患者群組上訓練模型，而不考慮統計能力和泛化風險