Menú
Pipeline padrao de ML para projetos de saude. Data loading, preprocessing, train, eval com metricas clinicas. Triggers on /ml-pipeline.
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Basado en la clasificación ocupacional SOC
Simula revisao por pares de um manuscrito cientifico proprio, como se fosse um revisor anonimo de journal. Avalia 8 dimensoes (Titulo/Abstract, Introducao, Metodos, Resultados, Discussao, Conclusoes, Referencias, Escrita), atribui nota 1-5 a cada uma, lista revisoes prioritarias e emite decisao editorial (Aceito / Revisoes menores / Revisoes maiores / Rejeitar). Diferente de paper-review, que le artigos externos: peer-review e para voce revisar o seu proprio manuscrito antes de submeter. Triggers on /peer-review, "faz peer review do meu artigo", "revisa meu manuscrito como revisor", "simula revisao editorial", "o que um revisor diria do meu paper", "avalia meu manuscrito para submissao".
Adiciona um novo desfecho preditivo ao pipeline datasus-ai-prediction do LABDAPS. Cria a subclasse de OutcomeConfig em core/outcomes/, registra no __init__ e segue o padrao dos desfechos existentes (SIH, SIM, SINASC, SINAN). Triggers on /datasus-outcome, "novo desfecho", "adiciona um outcome", "criar um desfecho no datasus", "modelar X no datasus".
Gera relatorio de avaliacao de modelo ML com metricas, graficos e comparacao. Triggers on /ml-eval-report.
Reune evidencias cientificas e escreve artigos academicos em IA medica e saude com rigor metodologico. Aplica reporting guidelines (TRIPOD+AI, STROBE, PRISMA, CONSORT, STARD, ARRIVE, CARE, GRADE), estrutura IMRaD, citacoes Vancouver/AMA, e remove padroes de escrita gerados por IA. Pipeline em 7 fases: scoping, evidence gathering, methods design, drafting, anti-IA polish, peer-review interno, submission package. Triggers on /artigo, "escreve um paper sobre", "monta o manuscrito", "estrutura artigo cientifico", "redige um artigo", "reune evidencias para artigo", "prepara submissao".
Setup de modelos de series temporais para saude. Skforecast, ARIMA, LSTM, Prophet. Triggers on /ml-timeseries.
Leitura critica de artigo cientifico. Resume, avalia metodologia, pontos fortes/fracos e relevancia. Triggers on /paper-review.
| name | ml-pipeline |
| description | Pipeline padrao de ML para projetos de saude. Data loading, preprocessing, train, eval com metricas clinicas. Triggers on /ml-pipeline. |
Cria ou modifica pipeline de Machine Learning para projetos de saude.
data/
raw/ # dados brutos
processed/ # dados processados
src/
data/ # loading e preprocessing
features/ # feature engineering
models/ # treinamento e avaliacao
utils/ # helpers
notebooks/ # exploracaao e analise
configs/ # hiperparametros
Algoritmos preferidos (ordem):
Cross-validation: StratifiedKFold (k=5 ou k=10) Balanceamento: SMOTE ou class_weight='balanced'
Metricas obrigatorias para classificacao binaria:
Graficos: ROC curve, PR curve, calibration plot, feature importance.
O pipeline de referencia do laboratorio e o datasus-ai-prediction. Ao escrever codigo que vai conviver com ele, siga estas convencoes em vez do esqueleto generico acima.
core/outcomes/ - cada desfecho e uma subclasse de OutcomeConfig (ver skill datasus-outcome).core/features/cohort.py - CohortBuilder(outcome).build(raw) -> cohort, depois .get_Xy(cohort) -> (X, y) e .split(...).core/models/pipeline.py - treino e calibracao.core/models/evaluation.py - graficos Plotly (ver skill ml-eval-report).core/data/ - downloaders por sistema (SIH, SIM, SINASC, SINAN) e linker.py para record linkage.from core.models.pipeline import train_cv, calibrate_model
res = train_cv(
X, y,
algorithm="lgbm", # lgbm | xgb | catboost | rf | logreg
n_folds=5, # StratifiedKFold(shuffle=True, random_state=42)
balancing="none", # none | smote_over | class_weight
)
# res traz: fold_metrics, mean_metrics, oof_probs, feature_importances, model, X_columns
Pontos-chave do padrao do lab:
oof_probs (predicao de cada fold no seu hold-out), nao predicao no treino. Evita vazamento e da estimativa honesta.class_weight so no treino de cada fold, nunca antes do split.SentinelReplacer) troca por NaN antes de imputar.cal = calibrate_model(model, X, y, method="sigmoid") # sigmoid (Platt) | isotonic
# cal traz: brier_before, brier_after, brier_delta, cal_model
Modelo de risco clinico precisa de probabilidade calibrada, nao so de bom AUROC. Reporte o Brier antes e depois.
Todo desfecho define observation_window_days (look-back das features) e prediction_window_days (look-ahead do desfecho). Garanta que nenhuma feature use informacao posterior ao fim da janela de observacao (sem leakage temporal).