SKILLEMALL.ai
GitHub ↗ EN Войти

BD pyhealth

Создает и валидирует клинические конвейеры машинного обучения PyHealth для EHR, сигналов, изображений и медицинских кодов. Используйте для загрузки наборов данных PyHealth, задач прогнозирования MIMIC-III/IV, eICU или OMOP, оценки на уровне пациента, моделирования смертности/повторной госпитализации/длительности пребывания, рекомендаций по медикаментам, стадирования сна, чекпоинтов Trainer и сопоставления ICD/ATC/NDC/RxNorm.

машинный переводПоказать оригиналСкрыть оригинал«Builds and validates PyHealth clinical machine-learning pipelines for…»

Builds and validates PyHealth clinical machine-learning pipelines for EHR, signals, imaging, and medical codes. Use for PyHealth dataset loading, MIMIC-III/IV, eICU or OMOP prediction tasks, patient-level evaluation, mortality/readmission/length-of-stay modeling, medication recommendation, sleep staging, Trainer checkpoints, and ICD/ATC/NDC/RxNorm mapping.

K-Dense-AI/claude-scientific-skills Agent Skills автор: K-Dense-AI MIT 8 файлов · 1 скрипт тело ≈ 1 878 токенов Открыть источникgithub.com↗ проанализирован 11 ч назад

Создает и валидирует клинические конвейеры машинного обучения PyHealth для EHR, сигналов, изображений и медицинских кодов.

Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкаДанные и аналитикаИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
92/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
D
43/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 5

    ✓ Критических и высоких находок нет

    Средние и низкие: 5
    • низкая Секреты в коде secret-high-entropy-token references/examples.md:102
      Строка, похожая на токен (может быть id, хеш или секрет) (тестовый файл / пример)
      from pyhealth.tasks import Leng…IC3
      тестовый файл
    • низкая Секреты в коде secret-high-entropy-token references/examples.md:105
      Строка, похожая на токен (может быть id, хеш или секрет) (тестовый файл / пример)
      task = Leng…IC3()
      тестовый файл
    • низкая Секреты в коде secret-high-entropy-token references/tasks.md:17
      Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка; строка таблицы в документации)
      | `Leng…IC3`, `Leng…IC4`, `LengthOfStayPredictioneICU`, `LengthOfStayPredictionOMOP` | Matching source | `los: multiclass`; spelling of `eICU` differs from othe
      детектортаблица
    • низкая Секреты в коде secret-high-entropy-token references/tasks.md:19
      Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка; строка таблицы в документации)
      | `Mort…IC4` | MIMIC-IV | StageNet-oriented feature preparation |
      детектортаблица
    • низкая Секреты в коде secret-high-entropy-token references/tasks.md:49
      Строка, похожая на токен (может быть id, хеш или секрет) (строка таблицы в документации)
      | `Ches…ion`, `Ches…ion` | One disease versus multi-disease ChestXray14 targets |
      таблица

    Просканировано файлов: 8. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка edit-residue в тексте есть пометки об устаревшем (строки 7): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

    Процессный рейтинг: все десять параметров 43/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
    • 85Шаги. Шагов: 14, расплывчатых формулировок: 1
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1878 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 358 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 14 пунктов
    • +4Есть примеры (2 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (6 из 6)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.