pyhealth
使用 PyHealth 构建临床/医疗深度学习流水线——加载 EHR/信号/影像数据集（MIMIC-III/IV、eICU、OMOP、SleepEDF、ChestXray14、EHRShot），定义任务（死亡率、再入院、住院时长、药物推荐、睡眠分期、ICD 编码、EEG 事件），实例化模型（Transformer、RETAIN、GAMENet、SafeDrug、MICRON、StageNet、AdaCare、CNN/RNN/MLP），通过 PyHealth Trainer 进行训练，计算临床指标，并使用医疗编码工具（ICD/ATC/NDC/RxNorm 查询与跨映射）。当用户提到 PyHealth、MIMIC、eICU、OMOP、EHR 建模、临床预测、药物推荐、睡眠分期、医疗编码映射、ICD/ATC 代码，或任何符合“数据集 → 任务 → 模型 → 训练器 → 指标”模式的医疗 ML 流水线时，均可使用此技能，即使未明确点名“PyHealth”。
PyHealth - 临床深度学习工具包
技能概述
PyHealth 是一个专为临床和医疗深度学习设计的 Python 工具包，提供统一的 5 阶段管道（Dataset → Task → Model → Trainer → Metrics）来处理电子健康记录、生理信号和医学影像数据。
适用场景
- MIMIC 数据分析: 处理 MIMIC-III/IV、eICU、OMOP-CDM 等标准医疗数据集，进行患者级别的预测建模和临床分析
- 临床预测建模: 构建死亡率预测、再入院预测、住院时长预测、药物推荐、睡眠分期、ICD 编码等临床任务的深度学习模型
- 医学代码处理: 进行 ICD-9-CM、ICD-10-CM、ATC、NDC、RxNorm、CCS 等医学代码的查询和交叉映射
核心功能
- 统一 5 阶段管道: 提供 Dataset → Task → Model → Trainer → Metrics 的模块化流程，每个阶段可独立替换，接口稳定，便于构建和维护临床深度学习管道
- 丰富的数据集支持: 原生支持 MIMIC-III/IV、eICU、OMOP-CDM、EHRShot、SleepEDF、SHHS、ISRUC、COVID19-CXR、ChestX-ray14 等医疗数据集，简化数据加载和预处理
- 多样化的模型和任务: 内置 Transformer、RETAIN、GAMENet、SafeDrug、MICRON、StageNet、AdaCare 等模型架构，支持二分类、多分类、多标签等临床预测任务，提供临床专用的评估指标
常见问题
PyHealth 如何处理 MIMIC 数据的隐私和访问问题？
PyHealth 提供了合成 MIMIC-III 数据集用于演示和学习，无需访问凭证。对于真实 MIMIC 数据，用户需要通过 PhysioNet 正规申请访问权限，然后将本地 CSV 数据路径提供给 PyHealth。工具本身支持缓存机制，避免重复解析。
PyHealth 和其他医疗 AI 框架有什么区别？
PyHealth 专注于临床深度学习的 5 阶段管道，提供稳定的数据集到任务的接口。相比通用框架，它预置了医疗数据集加载器、临床任务定义和医学代码工具，减少了医疗数据预处理的重复工作。与 FHIR 工具不同，PyHealth 面向建模而非数据互操作性。
PyHealth 适合没有医疗背景的开发者吗？
PyHealth 更适合具有医疗数据理解或与医疗专家合作的开发者。虽然工具简化了技术实现，但临床预测任务的正确性依赖于对医疗领域的理解（如 ICD 编码含义、患者划分逻辑、临床指标选择）。建议先从合成数据集和文档中的示例开始。