PyHealth

Visa PyHealth 2.0.2, verificado contra sua roda lançada, documentação oficial atual e execução em CPU no Python 3.12/Torch 2.7.1. O pipeline do PyHealth é Dataset -> Task -> Model -> Trainer -> Metrics; suas interfaces 1.x e 2.x diferem. Não combine exemplos legados Visit com a API de eventos/processadores 2.x.

Quando usar

Use para predição clínica com PyHealth, incluindo sequências de EHR, sinais fisiológicos, tarefas de imagem ou consulta de códigos médicos. Estabeleça a coorte, o tempo de predição, a janela de observação, o horizonte de resultados e a unidade de avaliação antes da modelagem. Para aprendizado tabular geral sem um conjunto de dados/tarefa PyHealth, esta habilidade é opcional.

Instalar e testar rapidamente

uv run --no-project --isolated --python 3.12 --with pyhealth==2.0.2 python assets/starter_pipeline.py --demo --epochs 1

Execute esse comando a partir do diretório da habilidade, ou use o caminho absoluto para o ativo. Ele treina com registros inventados em memória e exercita a divisão de pacientes, métricas e restauração do melhor checkpoint. Ele não fornece evidências de desempenho clínico. Veja instalação para configuração do projeto e opções de dispositivo.

Fluxo de trabalho

1. Inspecione a versão instalada e a configuração do conjunto de dados. Tanto MIMIC-III quanto MIMIC-IV usam seletores de tabela em minúsculas em 2.0.2. Arquivos MIMIC-III permanecem em maiúsculas.
2. Verifique a semântica da tarefa e as tabelas necessárias. MortalityPredictionMIMIC3 prevê morte na próxima admissão, exclui a última admissão e requer diagnósticos, procedimentos e prescrições na admissão atual. Não é um modelo de alerta precoce da internação atual. Flags de mortalidade de próxima admissão ausentes/inválidas são atribuídas como zero upstream; audite isso antes de usar dados reais.
3. Crie amostras supervisionadas. base.set_task(task) retorna um conjunto de dados processado com esquemas de entrada/saída. Inspecione a saída bruta da tarefa, bem como as amostras processadas.
4. Particione por paciente e verifique a sobreposição, contagem de classes e janelas de observação. split_by_patient(..., seed=42) é aleatório, não cronológico ou estratificado. Ele não impede vazamento temporal intra-visita ou vazamento de pré-processamento.
5. Escolha um modelo compatível com o esquema e execute um lote antes do treinamento. Construa-o a partir do conjunto de dados de amostra de treinamento. O Transformer usa embedding_dim, não hidden_dim; os argumentos são específicos do modelo.
6. Declare métricas de validação e o monitor exato. Forneça metrics=[...] para Trainer; o monitor deve ser uma chave retornada. Uma chave ausente gera um erro. Use monitor_criterion="min" para perda, "max" para AUC/acurácia.
7. Avalie o conjunto de teste mantido em espera uma vez que a escolha do modelo esteja fixa. Relate prevalência, contagem de pacientes, discriminação, calibração, política de limiar e incerteza, conforme apropriado. A referência sem habilidade do PR-AUC depende da prevalência, não de um 0.5 universal.

Protótipo MIMIC-III

Esta é a forma da interface 2.0.2; o iniciador adiciona verificações de partição e rótulo. Use uma raiz autorizada local para dados reais. O bucket público é de dados sintéticos.

from pyhealth.datasets import MIMIC3Dataset, get_dataloader, split_by_patient
from pyhealth.tasks import MortalityPredictionMIMIC3
from pyhealth.models import Transformer
from pyhealth.trainer import Trainer

base = MIMIC3Dataset(
    root="https://storage.googleapis.com/pyhealth/Synthetic_MIMIC-III/",
    tables=["diagnoses_icd", "procedures_icd", "prescriptions"],
    cache_dir="./cache/mimic3", num_workers=1, dev=True,
)
samples = base.set_task(MortalityPredictionMIMIC3())
train, val, test = split_by_patient(samples, [0.6, 0.2, 0.2], seed=42)
loaders = [get_dataloader(part, batch_size=16, shuffle=(i == 0))
           for i, part in enumerate((train, val, test))]
model = Transformer(dataset=train, embedding_dim=8)
trainer = Trainer(model=model, metrics=["accuracy"], device="cpu")
trainer.train(train_dataloader=loaders[0], val_dataloader=loaders[1],
              epochs=1, monitor="accuracy", monitor_criterion="max")
print(trainer.evaluate(loaders[2]))

A tarefa sintética pública com dev=True (até 1000 pacientes) produziu apenas 20 amostras (18 negativas, 2 positivas) na execução de revisão. A acurácia aqui verifica apenas a execução; divisões aleatórias podem não ter uma classe, portanto, isso é inadequado para estimativa confiável de AUC.

set_task ajusta processadores antes dessa divisão. Este protótipo, portanto, aprende seu vocabulário a partir de toda a coorte. Para avaliação rigorosa com dados mantidos em espera, particione os dados brutos

…