YAIB
Uma estrutura holística para padronizar experimentos de modelos de predição clínica em dados de UTI e prontuários eletrônicos (EHR).
Padronize experimentos de aprendizado de máquina clínico em múltiplos conjuntos de dados de UTI e tarefas de predição.
O YAIB (Yet Another ICU Benchmark) é uma estrutura em Python projetada para padronizar experimentos de aprendizado de máquina clínico usando dados de Unidade de Terapia Intensiva e Prontuários Eletrônicos. Ele é adequado para pesquisadores e cientistas de dados que trabalham com modelagem preditiva em conjuntos de dados multicêntricos como MIMIC, eICU, HiRID e AUMCdb.
O que é
A estrutura oferece suporte nativo para os principais bancos de dados de UTI e cinco tarefas clínicas padrão, incluindo mortalidade na UTI, lesão renal aguda, sepse, função renal e tempo de internação. Ela opera em arquivos parquet pré-processados e se integra ao PyTorch e PyTorch Lightning para fluxos de trabalho de aprendizado profundo.
Para quem
É adequado para pesquisadores de aprendizado de máquina e cientistas de dados clínicos que precisam de um pipeline unificado para avaliar modelos preditivos em diferentes bancos de dados internacionais de UTI. Não é adequado para médicos sem experiência em programação ou para quem procura um software de suporte à decisão clínica pronto para uso.
Recursos principais
Suporte a Múltiplos Bancos de Dados
Compatibilidade nativa com os bancos de dados MIMIC-III, MIMIC-IV, eICU-CRD, HiRID e AUMCdb.
Tarefas Clínicas Padrão
Inclui cinco tarefas padrão que cobrem classificação binária e endpoints de regressão, como mortalidade e sepse.
Pipeline Baseado em Parquet
Projetado para operar de forma eficiente em arquivos parquet pré-processados, com geração e carregamento de cache integrados.
Integração com PyTorch
Construído sobre o PyTorch 2.0+ e Lightning 2.0+ para aprendizado profundo escalável e experimentação de modelos.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Padroniza a avaliação em bancos de dados de UTI internacionais distintos
- Inclui conjuntos de dados de demonstração pré-configurados para testes imediatos do pipeline
- Suporta tanto modelos clássicos de aprendizado de máquina quanto aprendizado profundo
- Fornece repositórios complementares modulares para coortes, modelos e pré-processamento
Onde deixa a desejar
- Requer habilidades técnicas em Python, ferramentas de CLI e gerenciadores de pacotes como uv
- Depende da obtenção de acesso com credenciais a bancos de dados externos do PhysioNet para uso completo
- Executar experimentos pesados de aprendizado profundo multicêntrico exige recursos significativos de computação em GPU
- Os pipelines de pré-processamento de dados exigem configuração manual substancial antes da ingestão
Preços & licença
Gratuito sob a licença MIT, sem opções hospedadas pagas disponíveis. O único custo é executá-lo por conta própria e adquirir a infraestrutura de hardware necessária para o treinamento de modelos.
Vagas para quem fala português
874 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$170 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.
Use, ou deixe que a gente configure
FAQ
Quais conjuntos de dados são suportados nativamente?
O YAIB suporta os conjuntos de dados MIMIC-III, MIMIC-IV, eICU-CRD, HiRID e AUMCdb.
Posso adicionar conjuntos de dados e tarefas personalizados?
Sim, a estrutura foi projetada para permitir que você forneça conjuntos de dados, coortes, tarefas de predição e endpoints personalizados.
Preciso de acesso a dados reais de UTI para testar o YAIB?
Não, o repositório inclui conjuntos de dados de demonstração processados do eICU e MIMIC para que você possa testar os comandos de treinamento imediatamente.
