Agent Skills
› maziyarpanahi/openmed
maziyarpanahi/openmed
GitHub指导基于OpenMed库构建临床NLP项目，涵盖NER、PHI去标识化、FHIR导出及本地部署。用于初始化项目、选择模型、安装依赖或解决医疗文本处理任务。
安装全部 Skills
npx skills add maziyarpanahi/openmed --all -g -y
集合内 Skills (68)
按质量分展示前 50 个（共 68 个），完整列表请用安装命令预览或逐个打开详情。
指导基于OpenMed库构建临床NLP项目，涵盖NER、PHI去标识化、FHIR导出及本地部署。用于初始化项目、选择模型、安装依赖或解决医疗文本处理任务。
提及OpenMed
询问如何安装OpenMed
需要构建临床/医疗文本处理管道
询问适合任务的OpenMed功能或模型
npx skills add maziyarpanahi/openmed --skill building-with-openmed -g -y
加载OpenMed临床NER模型，支持Hugging Face或本地路径。通过ModelLoader复用模型避免重复加载，控制缓存与设备，实现离线运行及高效实体提取。
需要加载OpenMed NER模型
希望复用ModelLoader以避免重复加载权重
需要在离线环境中运行模型
需要指定模型缓存目录或计算设备
npx skills add maziyarpanahi/openmed --skill loading-openmed-models -g -y
用于VCF变体注释和HGVS标准化，利用VEP/SnpEff等工具预测后果、关联gnomAD频率及OpenMed临床表型。适用于变体分析、坐标映射及罕见病/肿瘤上下文整合。
用户需要预测变体后果（如错义、无义突变）
需要将HGVS字符串标准化为基因组坐标或反之
用户希望获取gnomAD群体等位基因频率以评估稀有度
用户要求结合OpenMed提取的表型或肿瘤学背景进行变体分析
npx skills add maziyarpanahi/openmed --skill annotating-variants -g -y
将多个FHIR R4资源组装为有效的事务Bundle，用于POST到EHR。支持确定性URN、自动引用重写及请求块生成，适用于需打包Condition等资源的场景。
用户要求构建或打包 Bundle
需要将多个独立 FHIR 资源 POST 到服务器
提及 transaction、references 或 posting
npx skills add maziyarpanahi/openmed --skill assembling-fhir-bundles -g -y
用于审计去标识化临床文本的残留泄露。通过正则、校验和及模型二次扫描检测SSN等敏感信息，发现即阻断发布，确保数据合规。
验证去标识化效果
证明无PHI/PII泄露
数据集共享前检查
运行第二遍检测器
npx skills add maziyarpanahi/openmed --skill auditing-deid-leakage -g -y
生成不可抵赖的脱敏审计轨迹，用于HIPAA/GDPR合规。返回无PHI的审计报告，包含偏移量、哈希和证据，支持签名验证与完整性校验，确保脱敏过程可追溯且安全。
需要HIPAA或GDPR合规审计证据
验证脱敏决策且需避免暴露明文PHI
检查脱敏结果的完整性和防篡改能力
npx skills add maziyarpanahi/openmed --skill auditing-deidentification-runs -g -y
为OpenMed管道生成符合21 CFR Part 11的审计追踪，提供谁/什么/何时记录、电子签名及防篡改证据。适用于GxP/GCP合规环境，确保数据处理的可追溯性与完整性，辅助CSV验证。
用户需要在受监管环境中运行OpenMed并获取可归因、时间戳记且防篡改的处理记录
需要生成或验证电子签名表现、审计追踪以符合21 CFR Part 11、GxP、GCP或ALCOA数据完整性要求
npx skills add maziyarpanahi/openmed --skill auditing-part11-trails -g -y
验证OpenMed去标识化输出是否符合HIPAA Safe Harbor标准，检查18类标识符覆盖情况。通过映射实体标签与HIPAA类别，识别年龄、地理等潜在重识别风险及遗漏项，辅助确认数据脱敏完整性。
用户要求确认文本符合HIPAA Safe Harbor标准
需要生成去标识化覆盖清单并映射到18个类别
询问掩码是否完整或存在如年龄>89、罕见地名等漏洞
npx skills add maziyarpanahi/openmed --skill auditing-safe-harbor-checklist -g -y
审计OpenMed NER或去标识化模型在人口统计学子群体（性别、年龄、种族）上的性能差异，检测特定群体的泄露风险与召回率不平等。
fairness
subgroup
bias audit
disparity
equalized odds
under-protected group
per-group recall
STANDING Together
npx skills add maziyarpanahi/openmed --skill auditing-subgroup-fairness -g -y
为OpenMed临床NER或去标识化模型生成符合治理要求的Model Card。基于评估输出（发布门控、公平性、错误报告）自动填充预期用途、定量指标、亚组性能及限制，并包含医疗器械免责声明，用于临床AI透明度与合规文档。
model card
intended use
model documentation
governance
limitations section
datasheet
FDA/ONC transparency
npx skills add maziyarpanahi/openmed --skill authoring-model-cards -g -y
用于在本地对大量临床文本进行批量 NER、PII 提取或去标识化。支持分片、断点续传、流式输出及内存优化，适用于数据集处理与大规模文档分析，确保数据不出域且日志无 PHI 泄露。
需要批量处理多个临床笔记
对数据集进行去标识化
运行数千篇文档的 NER 任务
构建可恢复的批处理管道
流式输出结果到 JSONL
npx skills add maziyarpanahi/openmed --skill batch-processing-clinical-text -g -y
用于评估OpenMed临床或生物医学NER模型性能。支持严格与宽松匹配模式，提供实体级精确率、召回率、F1及按标签划分的错误分析，帮助调试模型漏检或误判问题。
evaluate NER
entity-level F1
seqeval
precision recall F1
confusion matrix
error analysis
strict vs partial match
score against gold
npx skills add maziyarpanahi/openmed --skill benchmarking-clinical-ner -g -y
通过OpenMed的惰性适配器注册表，将Presidio、spaCy或LangChain与OpenMed临床NLP集成。支持添加Presidio识别器、在spaCy管道中嵌入PII检测，或将去标识化作为LangChain可运行对象使用。
需要将Presidio识别结果与OpenMed PII实体合并
希望在spaCy管道中集成OpenMed的去标识化组件
需要在LangChain链中对文本进行脱敏处理
npx skills add maziyarpanahi/openmed --skill bridging-presidio-and-spacy -g -y
用于为OpenMed NER和去标识化模型构建合成金标准标注项目。涵盖标签定义、标注指南、工具配置及无泄漏的数据集划分，确保提交物为合成数据以支持CI验证。
gold corpus
annotation project
label schema
annotation guidelines
BRAT
Label Studio
train dev test split
build eval fixtures
npx skills add maziyarpanahi/openmed --skill building-gold-corpus -g -y
基于OpenMed提取的临床事件，在本地构建按时间排序的患者时间线。支持日期归一化、相对时间解析及FHIR格式转换，适用于整理病史或导出图表数据。
构建患者时间线
从临床笔记中按时间顺序排列事件
重建纵向病史
绘制疾病进程图
将分析输出转换为带日期的就诊序列
npx skills add maziyarpanahi/openmed --skill building-patient-timelines -g -y
在部署OpenMed处理受保护健康信息前，运行HIPAA隐私与安全规则检查清单，生成差距报告。用于评估行政、物理和技术保障措施，确定去标识化方法，并验证审计与最小必要控制，辅助合规审查。
即将处理PHI前的合规审查
需要文档化安全保障措施或BAA
选择Safe Harbor或Expert Determination去标识化策略
生成可复现的差距报告供隐私官签署
npx skills add maziyarpanahi/openmed --skill checking-hipaa-compliance -g -y
帮助用户根据临床任务、领域或语言选择正确的OpenMed模型。支持按类别浏览、筛选PII模型、搜索及检查模型元数据，避免硬编码，确保运行时动态适配最新模型库。
询问特定任务（如疾病识别）应使用哪个OpenMed模型
需要查找特定语言的PII/隐私保护模型
希望按大小、任务类型或层级过滤并查看模型元数据
在加载前检查模型的标签和配置信息
npx skills add maziyarpanahi/openmed --skill choosing-openmed-models -g -y
将OpenMed提取的慢性病映射至CMS-HCC V28类别，估算RAF分数并检查MEAT文档支持。用于发现潜在HCC、代码映射及风险评估，为编码员提供决策支持而非自动编码。
用户希望从病历中发现可风险调整的诊断或疑似未记录的HCC
需要将ICD-10-CM代码映射到V28 HCC类别并应用层级规则
需要为患者或群体估算或复核RAF分数
需要检查特定诊断在文档中是否有MEAT（监测、评估、处理）支持
npx skills add maziyarpanahi/openmed --skill coding-hcc-risk-adjustment -g -y
为OpenMed提取的诊疗实体提供ICD-10-CM/PCS编码建议及依据，辅助认证编码员审核。支持按章节路由、ICD-9转ICD-10（GEMs）及预填病历。基于CMS公开数据或FHIR接口，非自动计费工具。
诊断列表编码
将诊断映射到可计费代码
查找正确章节范围
通过GEMs进行ICD-9转换
预填就诊诊断供编码员审核
npx skills add maziyarpanahi/openmed --skill coding-icd10 -g -y
利用 OpenMed 从临床笔记中提取事实，补充结构化数据以改进 eCQM 的分子和排除项捕获。结合 CQL/QDM 逻辑，解决结构化编码遗漏问题，提升质量指标计算准确性。
用户希望计算电子临床质量措施 (eCQM)
评估 CMS/ECQI 质量指标
改善从临床笔记中捕获分子数据
构建 CQL/QDM 措施逻辑
填补结构化代码未覆盖的文档空白
npx skills add maziyarpanahi/openmed --skill computing-ecqms -g -y
指导选择OpenMed七种隐私策略配置文件，支持HIPAA、GDPR等合规场景。涵盖策略映射、Anonymizer配置及自定义代理生成器注册，用于数据去标识化与合规处理。
询问哪种隐私策略适合特定法规（如HIPAA Safe Harbor或GDPR）
需要为deidentify()函数指定policy参数
希望保留准标识符以用于研究目的
需要注册自定义的MRN/姓名/地址代理提供者
npx skills add maziyarpanahi/openmed --skill configuring-privacy-policies -g -y
用于在OMOP CDM上定义可计算表型和患者队列，支持OHDSI ATLAS/CIRCE标准。结合结构化概念集与OpenMed NLP文本特征，增强对非结构化数据的捕捉能力，适用于复用PheKB逻辑或构建复杂临床表型。
定义患者队列
编写可计算表型
复用PheKB或OHDSI逻辑
结合NLP特征增强代码规则
npx skills add maziyarpanahi/openmed --skill defining-cohort-phenotypes -g -y
在本地设备上使用OpenMed对临床自由文本进行去标识化，移除或替换PHI/PII。支持掩码、移除、替换、哈希及日期偏移等方法，提供HIPAA等策略配置及结果映射功能，确保患者隐私安全。
需要去除医疗记录中的患者身份信息
准备共享或分析包含敏感数据的病历文本
需要对出院总结进行匿名化处理
选择特定的去标识化方法如掩码或哈希
npx skills add maziyarpanahi/openmed --skill deidentifying-clinical-text -g -y
在本地对多语言临床文本进行去标识化，支持西、德、法等多种语言。自动选择对应PII模型和正则模式（如各国身份证号），生成符合本地习惯的假名，并处理口音归一化与区域方言变体。
需要去除非英语医疗记录中的个人身份信息
要求生成的替代数据符合特定国家或地区的格式规范
询问OpenMed支持哪些语言的PII检测
npx skills add maziyarpanahi/openmed --skill deidentifying-multilingual-text -g -y
部署OpenMed MCP服务器，使编码代理和聊天客户端能调用临床NER、PII提取及去标识化工具。支持本地运行、stdio/HTTP传输，涵盖7个核心工具、资源、提示词及配置方法。
用户希望将OpenMed集成到Claude Code或Codex等编程代理的MCP配置中
需要为聊天客户端暴露去标识化或命名实体识别（NER）功能
要求在本机部署共享的MCP端点以供团队使用
需要将OpenMed容器化以提供MCP服务
npx skills add maziyarpanahi/openmed --skill deploying-openmed-mcp -g -y
基于FAERS/OpenFDA数据，通过构建2x2列联表计算PRR、ROR、EBGM及IC等指标，挖掘药物-不良反应的异常报告信号。适用于自发报告数据的统计分析、小样本校正及安全性筛查，为假设生成提供依据。
disproportionality
signal detection
PRR
ROR
EBGM
EB05
IC
BCPNN
MGPS
2x2 table
signal of disproportionate reporting
SDR
OpenFDA
FAERS
npx skills add maziyarpanahi/openmed --skill detecting-pv-signals -g -y
为OpenMed部署提供日志和遥测防护，通过Python logging.Filter或OTel处理器在记录发出前自动清洗、屏蔽PHI（受保护健康信息），防止患者数据泄露。
scrub logs
redact PHI from logs
no-PHI logging
logging filter
telemetry redaction
logs leaking patient data
OpenTelemetry redaction
npx skills add maziyarpanahi/openmed --skill enforcing-nophi-logging -g -y
将OpenMed提取并编码的临床事实（疾病、药物、检查）映射至OMOP CDM v5.4标准表。适用于从NLP文本加载数据、构建OHDSI ETL或标准化临床发现，需配合用户提供的词汇表完成源概念到标准概念的转换。
将NLP提取的实体加载到OMOP数据库
构建基于临床笔记的OHDSI ETL流程
从文本中填充condition_occurrence或drug_exposure表
将笔记衍生的发现标准化为OMOP标准概念
npx skills add maziyarpanahi/openmed --skill etl-to-omop-cdm -g -y
用于评估OpenMed去标识化模型是否满足G1a-G8泄漏防护门控标准，基于合成数据集检测残留PHI泄露，决定模型可发布或隔离，并生成合规报告。
release gate
leakage
is this model safe to ship
G1a
G3
quarantine
recall floor
calibration thresholds
npx skills add maziyarpanahi/openmed --skill evaluating-with-leakage-gates -g -y
用于发起FHIR Bulk Data异步导出任务，轮询状态并下载NDJSON文件，将临床文本流式传输至OpenMed进行批量去标识化和命名实体识别，适用于群体规模数据提取。
bulk export
$export
NDJSON
Flat FHIR
cohort de-identification
export all notes
npx skills add maziyarpanahi/openmed --skill exporting-bulk-fhir -g -y
将OpenMed NER提取的临床实体转换为FHIR R4资源（Condition、MedicationStatement、Observation）。利用内置导出器构建CodeableConcept并生成标准JSON，支持EHR互操作。适用于提及FHIR、特定编码或需标准化输出的场景。
用户要求导出为FHIR格式
需要生成Condition、Observation或MedicationStatement资源
涉及RxNorm、LOINC、ICD-10或SNOMED编码映射
提到CodeableConcept构建或EHR数据互操作性
npx skills add maziyarpanahi/openmed --skill exporting-to-fhir -g -y
对医疗文本执行临床实体识别，提取疾病、药物等实体及置信度。支持多种输出格式，可配置阈值与分组，适用于隐私优先管道中的实体抽取阶段。
从病历中提取疾病、药物或基因等生物医学实体
需要带字符偏移和置信度的结构化NER结果
希望将结果保存为JSON、HTML或CSV格式
npx skills add maziyarpanahi/openmed --skill extracting-clinical-entities -g -y
读取DICOM文件头及结构化报告(SR)内容，提取元数据与报告文本，并标记头部中的个人健康信息(PHI)。旨在为OpenMed处理前的影像数据提供去标识化分析和脱敏标签列表。
DICOM
pydicom
DICOM-SR
structured report
PatientName
study metadata
PACS
radiology report
PS3
npx skills add maziyarpanahi/openmed --skill extracting-dicom-metadata -g -y
从PDF、扫描件或图片中检测并提取实验室面板表格，通过OCR解析和PHI去标识化，输出包含测试名称、值、单位及异常标志的结构化行数据，供后续LOINC映射和FHIR转换使用。
用户有CBC、CMP等化验报告扫描件或PDF需要提取结构化数据
需要将CSV/TSV导出的化验表分类列并去除敏感信息
需要为下游临床工具准备机器可读的实验室结果行
npx skills add maziyarpanahi/openmed --skill extracting-lab-tables -g -y
在临床文本中检测PHI/PII实体，返回原文本中的跨度、标签及置信度，不修改原文。用于审计、预览去标识化内容或路由至自定义红actor，区别于直接生成脱敏文本的deidentify工具。
需要查看被识别出的PII实体及其位置偏移量
希望在去标识化前预览将被处理的内容
需要将检测到的实体路由到自定义红actor
需要将模型标签标准化为规范分类法
npx skills add maziyarpanahi/openmed --skill extracting-pii-entities -g -y
从临床文本中提取社会健康决定因素（SDOH），并将其映射到ICD-10-CM Z代码。用于发现未编码的社会风险，支持健康公平分析和决策支持，需先脱敏并运行NER。
用户希望提取社会健康决定因素
需要Z代码建议
进行健康公平分析
恢复自由文本中未编码的SDOH信息
npx skills add maziyarpanahi/openmed --skill extracting-sdoh -g -y
从FHIR R4服务器获取并分页拉取Patient等临床资源，解码base64附件提取文本，配合OpenMed进行去标识化和NLP分析，支持EHR接口对接。
需要解析EHR FHIR API中的临床文档或报告
处理base64编码的附件以提取非结构化文本
使用DocumentReference或DiagnosticReport资源
npx skills add maziyarpanahi/openmed --skill fetching-fhir-resources -g -y
在CI中集成OpenMed去标识化模型的门控检查，确保PHI召回率不低于阈值且关键信息零泄露。通过pytest或CLI实现构建失败机制，阻止弱化隐私保护的合并。
CI gate
fail the build
regression test
de-id recall threshold
block the merge
exit nonzero
leakage check in CI
npx skills add maziyarpanahi/openmed --skill gating-deid-leakage -g -y
使用MITRE Synthea生成零真实PHI的合成患者数据（FHIR、C-CDA、CSV），用于OpenMed开发、CI测试及去标识化泄漏检测，确保数据安全与可重现性。
需要合成患者数据
生成FHIR或C-CDA测试数据
构建CI固定测试用例
演示无隐私风险数据
Synthea
fake patients
npx skills add maziyarpanahi/openmed --skill generating-synthea-data -g -y
将临床文本中的受保护健康信息替换为逼真的伪造值，保持文本可读性和NLP兼容性。支持一致性替换、自定义生成器及本地化配置，适用于训练数据准备和演示场景。
用户希望用真实感数据替换PHI而非简单掩码
需要跨文档或单次调用中实体的一致性映射
需自定义特定格式（如医院MRN）的替代值生成规则
下游任务依赖自然语言分布以进行NLP处理
npx skills add maziyarpanahi/openmed --skill generating-synthetic-surrogates -g -y
将扫描传真、图像及CSV/CDA等临床文档转换为清洗后的文本，支持本地OCR与结构化提取。作为预处理阶段，为后续去标识化和NER提供标准化输入，确保数据不出设备。
用户有扫描的临床笔记需要OCR识别
处理CSV/TSV患者导出数据的列感知解析
将C-CDA XML扁平化为文本
构建 feeding 去标识化或实体抽取的前置摄入流程
询问关于Tesseract/PaddleOCR引擎或多模态摄入细节
npx skills add maziyarpanahi/openmed --skill ingesting-clinical-documents -g -y
将OpenMed提取的实体链接至UMLS CUI，实现跨词汇表归一化、同义词解析及语义类型过滤。基于用户自有UTS API密钥调用NLM UTS REST API，不缓存或捆绑任何元库数据。
UMLS
CUI
Metathesaurus
UTS API key
semantic type
TUI
MetaMap
QuickUMLS
concept normalization
cross-vocabulary
npx skills add maziyarpanahi/openmed --skill linking-umls-concepts -g -y
将实验室和临床观察名称映射为LOINC代码，支持通过FHIR术语API解析成分、属性、时间、系统、标度和方法六轴模型。适用于获取UCUM单位、构建US Core实验室结果及区分面板与检测项，需配合OpenMed NER使用。
需要为实验室测试或生命体征分配LOINC代码
根据标本和方法解析LOINC部分模型代码
获取UCUM单位或构建US Core实验室结果观察
区分实验室面板与其单个分析物
npx skills add maziyarpanahi/openmed --skill mapping-loinc -g -y
将OpenMed提取的临床概念映射到SNOMED CT。通过用户提供的术语服务器（如Ontoserver、Snowstorm）执行SCTID查找、ECL查询及代码转换，严禁捆绑任何受版权保护的词汇数据。
SNOMED CT
SNOMED concept id
ECL
ConceptMap
$translate
$lookup
Ontoserver
Snowstorm
SCTID
post-coordination
terminology server
npx skills add maziyarpanahi/openmed --skill mapping-to-snomed -g -y
通过NCBI E-utilities检索PubMed和PMC文献，支持MeSH搜索、摘要获取及构建生物医学语料库。常与OpenMed配合进行NER分析或证据挖掘。
需要特定疾病或药物的文献引用
获取摘要用于总结或生物医学NER分析
基于MeSH标签的可复现文献检索
用户提及PubMed, PMC, NCBI, MeSH, PMID等关键词
npx skills add maziyarpanahi/openmed --skill mining-pubmed-literature -g -y
将OpenMed提取的药物名称标准化为RxNorm RxCUI，支持去重、品牌/通用名解析及NDC关联。利用免费RxNav API，适用于医疗数据编码与互操作性场景。
用户需要将药物名称标准化或编码为RxCUI
需要区分成分与具体药品（SCD/SBD）
需要获取NDC代码或构建US Core Medication资源
使用关键词如RxNorm, RxCUI, RxNav, drug normalization
npx skills add maziyarpanahi/openmed --skill normalizing-rxnorm -g -y
解析C-CDA/CCD XML临床文档，按LOINC代码提取各章节的叙事文本。适用于EHR导出的出院小结等文档，在OpenMed处理前进行去标识化和NLP分析，支持XML安全的去标识化。
C-CDA
CCD
CDA
clinical document
templateId
LOINC section
narrative block
discharge summary XML
ClinicalDocument
npx skills add maziyarpanahi/openmed --skill parsing-ccda-documents -g -y
解析HL7 v2.x消息，提取OBX-5和NTE-3中的临床文本，支持去标识化和分析。适用于从接口引擎或实验室系统接收数据时，需挖掘嵌入的笔记或结果文本的场景。
接收HL7 v2消息（如ADT、ORU、MDM）
需要从OBX/NTE字段提取临床叙述文本
对HL7数据进行去标识化及NLP分析
npx skills add maziyarpanahi/openmed --skill parsing-hl7v2-messages -g -y
解析临床文本中的实验室数值及参考范围，判定结果为低、正常、高或危急。支持多种格式（如区间、不等式），优先尊重原实验室标记，返回结构化异常标志，用于辅助解读化验单。
用户需要解读化验结果
请求解析参考范围并标记异常
将提取的实体转化为高低危急信号
npx skills add maziyarpanahi/openmed --skill parsing-lab-values -g -y
将临床试验自由文本 eligibility 解析为结构化规则，并与 OpenMed 提取的患者数据进行匹配。用于判断患者是否符合入排标准，生成可解释的决策支持结果，而非自动执行入组。
eligibility criteria
inclusion
exclusion
trial matching
patient screening
criteria parsing
eligibilityModule
age/sex gates
npx skills add maziyarpanahi/openmed --skill parsing-trial-eligibility -g -y
