用途：PyHealth 是面向医疗健康 AI 的 Python 库，用于开发、测试和部署临床机器学习模型，适合处理临床数据、构建医疗预测模型及医疗编码转换。
主要能力：采用五阶段模块化流程——数据加载、任务定义、模型选择、训练、部署。支持 10+ 医疗数据集（MIMIC-III/IV、eICU、OMOP、睡眠 EEG、医学影像等），20+ 预定义临床任务（死亡率、再入院、住院时长、药物推荐、睡眠分期、ICD 编码等），33+ 模型（逻辑回归、MLP、CNN、RNN、Transformer、GNN，以及 RETAIN、SafeDrug、GAMENet、StageNet、AdaCare 等医疗专用模型）。提供医疗编码转换（ICD-9/10、NDC、RxNorm、ATC、CCS），15+ 预处理器，以及公平性、校准、不确定性量化和可解释性评估工具。官方称其医疗数据处理比 pandas 快 3 倍。
使用方式：安装命令为 pip install pyhealth，要求 Python ≥ 3.7、PyTorch ≥ 1.8 及 NumPy、pandas、scikit-learn。典型流程为加载数据集、set_task 设定任务、split_by_patient 按患者划分、get_dataloader 构建加载器、初始化模型、用 Trainer 训练与评估。
适用场景：ICU 死亡率预测、安全用药推荐、再入院预测、睡眠障碍诊断、医疗编码标准化、临床文本转 ICD 编码等。
限制：深度学习模型需数千患者级数据；数据缺失与编码错误影响性能；需注意时间一致性与数据泄漏；临床部署前需外部验证、前瞻性评估和临床审查，并考虑隐私（HIPAA/GDPR）、公平性与安全；建议使用 GPU，大数据集可能需 16GB+ 内存和数十至数百 GB 存储。文档见 https://pyhealth.readthedocs.io/，问题反馈见 https://github.com/sunlabuiuc/PyHealth/issues。