PyHealth（https://pyhealth.dev/）是面向临床深度学习的 Python 工具包，为电子健康记录（EHR）、生理信号和医学影像提供统一、模块化的处理流水线。其核心是五阶段结构：Dataset → Task → Model → Trainer → Metrics，各阶段可替换、阶段间接口稳定，按此结构编写的代码更易组合。
适用用途：临床/医疗机器学习，例如死亡预测、再入院预测、住院时长预测、用药推荐、睡眠分期、ICD 编码、EEG 事件识别与去标识化；也支持医学编码查询与交叉映射（ICD-9-CM、ICD-10-CM、ATC、NDC、RxNorm、CCS）。涉及的数据集包括 MIMIC-III/IV、eICU、OMOP-CDM、EHRShot、SleepEDF、SHHS、ISRUC、COVID19-CXR、ChestX-ray14、TUEV/TUAB 等。
安装：PyHealth 2.0 要求 Python ≥ 3.12 且 < 3.14，可用 uv 管理环境： uv init my-pyhealth-project cd my-pyhealth-project uv python pin 3.12 uv add pyhealth uv run python train.py 一次性脚本可用 uv run --with pyhealth python script.py；旧版 1.x（Python 3.9+）用 uv add pyhealth==1.16。
使用流程（完整流水线通常不足 20 行）：先用 MIMIC3Dataset 等加载原始患者注册表得到 BaseDataset；调用 .set_task() 转换为监督样本 SampleDataset；再用 split_by_patient 按患者划分并生成 DataLoader；随后将 SampleDataset（而非 BaseDataset）传入模型（如 Transformer）；最后用 Trainer 训练与评估，并以 binary_metrics_fn 等计算指标。
关键注意事项：模型、划分器和 DataLoader 接收的是 SampleDataset，只有 set_task 之后才可用；应按患者或就诊划分以避免信息泄漏；任务需与数据集匹配（如 MortalityPredictionMIMIC3 不适用于 MIMIC-IV）；monitor 需与任务类型匹配（二分类用 pr_auc/roc_auc，多标签用 pr_auc_samples/jaccard_samples，多分类用 accuracy/f1_macro）；MIMIC-IV 构造器使用 ehr_root= 而非 root=；建议设置持久的 cache_dir 避免重复解析。私有 MIMIC 数据可指向本地 CSV 路径，演示与学习可用无需授权的合成 MIMIC-III 桶（https://storage.googleapis.com/pyhealth/Synthetic_MIMIC-III/）。若仅需在表格数据上使用通用 PyTorch，则不必使用本工具。其余未在资料中明确的信息暂未提供。