软件下载帮助文档新闻资讯

Skill UI

浏览并发现 15857+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索 OpenMed ，共找到 29 条记录

默认排序最新上传最多下载

基因变异注释与HGVS规范化

annotating-variants

maziyarpanahi/openmed

该技能用于将原始基因组变异标识符（如VCF、HGVS、rsID）转化为富含注释、可预测后果的记录。它集成了Ensembl VEP和gnomAD等开源工具，用于预测变异后果、映射基因组坐标并附加人群等位基因频率。同时，它能将分子发现与OpenMed提取的临床和表型上下文关联，构建完整的科研报告。

模型亚组公平性审计

auditing-subgroup-fairness

maziyarpanahi/openmed

该技能用于审计OpenMed的NER或去标识化模型，以检测不同人口子群组（如性别、年龄、种族）之间的性能差异。它计算了每个子群组的召回率和泄露率差异，帮助用户在部署前发现“欠保护”现象，确保AI系统的公平性和可治理性。

临床AI模型卡片生成

authoring-model-cards

maziyarpanahi/openmed

用于为OpenMed临床NER或去识别化模型生成结构化的模型卡片。该功能能够整合复杂的评估结果（如性能指标、数据泄露率、子群公平性等），自动生成包含预期用途、局限性、详细指标和医疗设备免责声明的治理文档，确保临床AI的文档化和合规性。

连接OpenMed与主流NLP生态系统

bridging-presidio-and-spacy

maziyarpanahi/openmed

本模块提供了一个延迟适配器注册中心，旨在将OpenMed的临床PII检测能力无缝集成到Microsoft Presidio、spaCy和LangChain等主流NLP框架中。用户可以通过此能力，在不重写整个工作流程的情况下，利用OpenMed增强PII召回、合并实体跨度或实现设备端PHI脱敏保护层。

构建黄金标准标注语料库

building-gold-corpus

maziyarpanahi/openmed

本技能用于构建用于评估临床命名实体识别和去标识化模型的黄金标准语料库。它指导用户完成整个标注流程，包括定义标签模式、撰写标注指南、配置标注工具和生成合成临床文本。最终目标是创建结构化、无数据泄露的训练/开发/测试数据集，确保评估的科学性和可重复性。

OpenMed医疗生物医学NLP开发指南

building-with-openmed

maziyarpanahi/openmed

本技能是使用OpenMed构建临床和生物医学NLP管线的综合指南。OpenMed是一个本地优先的Python库，用于执行实体识别（NER）、受保护的健康信息（PHI）脱敏和FHIR导出，所有操作均在设备本地运行，无需网络调用。当您开始新的临床文本项目，需要选择合适的OpenMed能力（如零样本NER、审计或FHIR转换），或需要核心功能入口时，请使用本指南。

发现和选择 OpenMed 模型注册表

choosing-openmed-models

maziyarpanahi/openmed

本技能用于程序化地发现、过滤和检查整个 OpenMed 模型注册表。它允许用户为特定临床任务（如疾病、肿瘤学、PII检测）查找正确的模型密钥，并能按语言、大小或任务进行过滤，在加载模型前检查元数据。使用后可与 `loading-openmed-models` 配合使用。

ICD-10编码辅助建议系统

maziyarpanahi/openmed

该系统为医疗编码人员提供决策支持，负责将OpenMed提取的诊断和手术过程实体，映射到标准的ICD-10-CM和ICD-10-PCS编码。它能提供候选代码和详细的临床推理，帮助编码人员缩小搜索范围，预填病历，但最终的编码确认必须由专业人工审核。

临床数据文本去标识化

deidentify-a-dataset

maziyarpanahi/openmed

该工具用于对本地的结构化数据集（如CSV, JSONL, Parquet）中的自由文本列进行去标识化处理。它利用OpenMed模型移除个人健康信息（PHI），生成一个完全脱敏的数据集和一个不含PHI的聚合摘要，从而实现数据的安全共享和分析，同时确保源数据的隐私不泄露。

OpenMed MCP服务器工具部署

deploying-openmed-mcp

maziyarpanahi/openmed

该技能部署了OpenMed模型上下文协议（MCP）服务器，将临床NLP工具（如命名实体识别、PII提取和去标识化）封装为可调用的工具。它允许AI智能体和聊天客户端通过工具调用来使用OpenMed功能，并在本地设备上安全运行，确保用户数据隐私。

NLP事实到OMOP数据模型转换

etl-to-omop-cdm

maziyarpanahi/openmed

本技能负责执行核心的ETL流程，将OpenMed从文本中提取并编码的临床事实（如疾病、药物、测量值）映射到OMOP通用数据模型（CDM）v5.4。它用于在实体提取和源代码编码之后，将非结构化的NLP发现转换为标准化的、符合OMOP规范的记录，供OHDSI进行深度分析。

批量导出FHIR数据用于分析

exporting-bulk-fhir

maziyarpanahi/openmed

用于从电子病历系统或FHIR数据仓库批量提取大规模（群体级）的临床文本记录。通过FHIR Bulk Data Access执行异步导出，获取NDJSON格式的数据流。该数据流设计用于分批传输给OpenMed进行脱敏处理和命名实体识别（NER）分析，是数据分析流程的起点。

语言