Boîte à outils IA en soins de santé complète pour développer, tester et déployer des modèles d'apprentissage automatique avec des données cliniques. Cette compétence doit être utilisée lors du travail avec des dossiers médicaux électroniques (DME), des tâches de prédiction clinique (mortalité, réadmission, recommandation médicamenteuse), des systèmes de codification médicale (ICD, NDC, ATC), des signaux physiologiques (EEG, ECG), des ensembles de données de soins de santé (MIMIC-III/IV, eICU, OMOP), ou de la mise en œuvre de modèles d'apprentissage profond pour des applications en soins de santé (RETAIN, SafeDrug, Transformer, GNN).
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Générez rapidement des hypothèses testables à partir d'observations initiales pour des expériences
Formuler des hypothèses pour valider des stratégies marketing ou des modifications de produit
Développer des théories mécanistes des profils pathologiques à partir de données cliniques
Formuler des hypothèses sur les effets du climat à partir d'observations écologiques de terrain
GAIN MESURÉ
Avantages prouvés et impact mesurable
Réduire le temps de formulation d'hypothèses de quelques jours à quelques heures
Augmentez les taux de réussite des expériences avec des hypothèses mieux formulées
Réduire le gaspillage de ressources sur les expériences mal conçues
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Cette compétence doit être utilisée lors du travail avec des matrices de données annotées en Python, en particulier pour l'analyse génomique à cellule unique, la gestion des mesures expérimentales avec des métadonnées, ou le traitement de jeux de données biologiques à grande échelle. Utilisez-la lors de tâches impliquant des objets AnnData, des fichiers h5ad, des données de RNA-seq à cellule unique ou une intégration avec les outils scanpy/scverse.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés
Générez et maintenez les fichiers AGENTS.md conformément à la convention publique agents.md. Utilisez-le lors de la création de documentation pour les flux de travail des agents IA, les guides d’intégration ou lors de la standardisation des modèles d’interaction des agents à travers les projets.