Kit completo de IA para atención médica para desarrollar, probar y implementar modelos de aprendizaje automático con datos clínicos. Esta habilidad debe usarse al trabajar con registros electrónicos de salud (EHR por sus siglas en inglés), tareas de predicción clínica (mortalidad, reingreso, recomendación de fármacos), sistemas de codificación médica (ICD, NDC, ATC), señales fisiológicas (EEG, ECG), conjuntos de datos de atención médica (MIMIC-III/IV, eICU, OMOP) o al implementar modelos de aprendizaje profundo para aplicaciones en atención médica (RETAIN, SafeDrug, Transformer, GNN).
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Genera rápidamente hipótesis comprobables a partir de observaciones iniciales para experimentos
Formular hipótesis para validar estrategias de marketing o cambios de producto
Desarrollar teorías mecanicistas sobre patrones de enfermedades a partir de datos clínicos
Crear hipótesis sobre los efectos climáticos utilizando observaciones de campo ecológico
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reduzca el tiempo de formulación de hipótesis de días a horas
Aumenta las tasas de éxito de los experimentos con hipótesis mejor elaboradas
Reducir el desperdicio de recursos en experimentos mal diseñados
QUÉ INCLUYE
Archivos, etiquetas y la instalación en tres pasos
Consejo: Lee la documentación y el código antes del primer uso para saber qué hace y qué permisos necesita.
SIGUIENTES GUIONES
Recomendado según etiquetas y categoría
Esta habilidad se debe usar cuando se trabaja con matrices de datos anotados en Python, especialmente para análisis de genómica de células individuales, gestión de mediciones experimentales con metadatos o manejo de conjuntos de datos biológicos a gran escala. Usarla cuando las tareas involucren objetos AnnData, archivos h5ad, datos de RNA-seq de células individuales o integración con herramientas scanpy/scverse.
Esta habilidad debería usarse para tareas de aprendizaje automático de series temporales que incluyen clasificación, regresión, agrupamiento, pronóstico, detección de anomalías, segmentación y búsqueda de similitud. Usarla al trabajar con datos temporales, patrones secuenciales o observaciones indexadas en el tiempo que requieren algoritmos especializados más allá de los enfoques de ML estándar. Especialmente adecuada para análisis de series temporales univariadas y multivariadas con APIs compatibles con scikit-learn.
Sistema de generación de agentes de código Claude que crea agentes personalizados y subagentes con frontmatter YAML mejorado, patrones de acceso a herramientas y soporte para integración MCP siguiendo patrones de producción probados
Generar y mantener archivos AGENTS.md siguiendo la convención pública agents.md. Usar cuando se cree documentación para flujos de trabajo de agentes AI, guías de incorporación o cuando se estandaricen patrones de interacción de agentes en proyectos.