PyHealth 是一个面向医疗健康 AI 的综合 Python 库，为临床机器学习提供专用工具、模型和数据集。当开发医疗预测模型、处理临床数据、使用医学编码系统或在医疗场景中部署 AI 解决方案时，可使用该技能。
用途
PyHealth 用于医疗健康领域的机器学习开发，覆盖从数据加载到模型部署的完整流程。适用场景包括：处理医疗数据集（MIMIC-III、MIMIC-IV、eICU、OMOP、睡眠 EEG 数据、医学影像）；临床预测任务（死亡率预测、再入院、住院时长、药物推荐）；医学编码（ICD-9/10、NDC、RxNorm、ATC 编码系统之间的转换）；处理临床数据（序列事件、生理信号、临床文本、医学影像）；实现医疗模型（RETAIN、SafeDrug、GAMENet、StageNet、用于 EHR 的 Transformer）；评估临床模型（公平性指标、校准、可解释性、不确定性量化）。
主要能力
PyHealth 通过模块化的五阶段流水线运作：
- 数据加载：以标准化接口访问 10 多个医疗数据集。
- 任务定义：应用 20 多个预定义临床预测任务或创建自定义任务。
- 模型选择：从 33 个以上模型中选择（基线、深度学习、医疗专用）。
- 训练：自动检查点、监控与评估。
- 部署：为临床使用进行校准、解释与验证。
性能方面，处理医疗数据比 pandas 快 3 倍。
使用方式
安装命令：
uv pip install pyhealth
要求：Python ≥ 3.7、PyTorch ≥ 1.8、NumPy、pandas、scikit-learn。
快速开始工作流示例：
from pyhealth.datasets import MIMIC4Dataset from pyhealth.tasks import mortality_prediction_mimic4_fn from pyhealth.datasets import split_by_patient, get_dataloader from pyhealth.models import Transformer from pyhealth.trainer import Trainer
1. 加载数据集并设置任务
dataset = MIMIC4Dataset(root="/path/to/data") sample_dataset = dataset.set_task(mortality_prediction_mimic4_fn)
2. 划分数据
train, val, test = split_by_patient(sample_dataset, [0.7, 0.1, 0.2])
3. 创建数据加载器
train_loader = get_dataloader(train, batch_size=64, shuffle=True) val_loader = get_dataloader(val, batch_size=64, shuffle=False) test_loader = get_dataloader(test, batch_size=64, shuffle=False)
4. 初始化并训练模型
model = Transformer( dataset=sample_dataset, feature_keys=["diagnoses", "medications"], mode="binary", embedding_dim=128 )
trainer = Trainer(model=model, device="cuda") trainer.train( train_dataloader=train_loader, val_dataloader=val_loader, epochs=50, monitor="pr_auc_score" )
5. 评估
results = trainer.evaluate(test_loader)
该技能包含按功能组织的参考文档，可按需阅读：
- references/datasets.md：数据集与数据结构，涵盖核心数据结构（Event、Patient、Visit）、10 多个可用数据集、数据加载与迭代、训练/验证/测试划分策略、大数据集性能优化。
- references/medical_coding.md：医学编码转换，涵盖 InnerMap 系统内查找、CrossMap 跨系统转换、支持的编码系统（ICD、NDC、ATC、CCS、RxNorm）、编码标准化与层级遍历、按治疗类别进行药物分类、与数据集集成。
- references/tasks.md：临床预测任务，涵盖 20 多个预定义临床任务、EHR 任务（死亡率、再入院、住院时长、药物推荐）、信号任务（睡眠分期、EEG 分析、癫痫检测）、影像任务（COVID-19 胸部 X 光分类）、文本任务（医学编码、专科分类）、自定义任务创建模式。
- references/models.md：模型与架构，涵盖 33 个以上可用模型、通用模型（逻辑回归、MLP、CNN、RNN、Transformer、GNN）、医疗专用模型（RETAIN、SafeDrug、GAMENet、StageNet、AdaCare）、按任务类型和数据类型的模型选择、可解释性考量、计算需求、超参数调优指南。
- references/preprocessing.md：数据预处理，涵盖 15 种以上处理器类型、序列处理（填充、截断）、信号处理（滤波、分段）、特征提取与编码、标签处理器（二分类、多分类、多标签、回归）、文本与图像预处理、常见预处理工作流。
- references/training_evaluation.md：训练与评估，涵盖 Trainer 类（train、evaluate、inference）、二分类/多分类/多标签/回归任务的指标、公平性指标、校准方法（Platt scaling、温度缩放）、不确定性量化（保形预测、MC dropout）、可解释性工具（注意力可视化、SHAP、ChEFER）、完整训练流水线示例。
适用场景
用例 1：ICU 死亡率预测。加载 MIMIC-IV 数据集，应用死亡率预测任务，选择可解释模型（RETAIN），训练并评估，为临床使用解释预测。
用例 2：安全药物推荐。加载 EHR 数据集（MIMIC-IV 或 OMOP），应用药物推荐任务，使用带 DDI 约束的 SafeDrug 模型，预处理药物编码，用多标签指标评估。
用例 3：医院再入院预测。加载多站点 EHR 数据（eICU 或 OMOP），应用再入院预测任务，在预处理中处理类别不平衡，训练 Transformer 模型，校准预测并评估公平性。
用例 4：睡眠障碍诊断。加载睡眠 EEG 数据集（SleepEDF、SHHS），应用睡眠分期任务，预处理 EEG 信号（滤波、分段），训练 CNN 或 RNN 模型，评估各阶段性能。
用例 5：医学编码转换。使用 CrossMap 在 ICD-9、ICD-10、CCS 之间转换，将编码分组为临床有意义的类别，与数据集处理集成。
用例 6：临床文本到 ICD 编码。加载带临床文本的 MIMIC-III，应用 ICD 编码任务，预处理临床文本，使用 TransformersModel（ClinicalBERT），用多标签指标评估。
最佳实践
数据处理：始终按患者划分数据以防止数据泄漏（使用 split_by_patient）；建模前检查数据集统计信息（dataset.stats()）；使用与数据类型匹配的预处理器。
模型开发：从基线开始（二分类/多分类用逻辑回归，初始深度学习基线用 MLP）；选择任务合适的模型（需要可解释性用 RETAIN、AdaCare；药物推荐用 SafeDrug、GAMENet；长序列用 Transformer；图关系用 GNN）；监控验证指标并处理类别不平衡（二分类用 AUROC、AUPRC；多分类用 macro-F1、weighted-F1；多标签用 Jaccard、example-F1；回归用 MAE、RMSE）。
临床部署：校准预测以确保概率可靠；跨人口群体评估公平性以检测偏差；量化不确定性以提供置信度估计；使用注意力权重、SHAP 或 ChEFER 解释预测；使用来自不同时间段或站点的留出测试集进行彻底验证。
限制
数据要求：深度学习模型需要足够的数据（数千名患者）；缺失数据和编码错误会影响性能；必要时确保训练/测试划分尊重时间顺序。
临床验证：需要在不同医院/系统的数据上进行外部验证；部署前需在真实临床环境中进行前瞻性评估；需要临床医生审查预测和解释；需处理隐私（HIPAA/GDPR）、公平性和安全性等伦理问题。
计算资源：推荐使用 GPU 高效训练深度学习模型；大型数据集可能需要 16GB 以上内存；医疗数据集可能达数十至数百 GB。
常见问题排查：数据集 ImportError 需确保文件已下载且路径正确、检查版本兼容性；内存不足可减小批次大小、缩短序列长度、使用梯度累积或分块处理；性能不佳需检查类别不平衡并使用合适指标（AUPRC 与 AUROC）、验证预处理、增加模型容量或训练轮数、检查数据泄漏；训练缓慢可使用 GPU、增大批次大小、缩短序列长度或使用更高效模型（CNN 与 Transformer）。
获取帮助
文档：https://pyhealth.readthedocs.io/ GitHub Issues：https://github.com/sunlabuiuc/PyHealth/issues 教程：在线提供 7 个核心教程和 5 个实用流水线。