AMR-UTI 尿路感染抗菌药耐药数据集

AMR-UTI 是波士顿两家医院十年尿培养数据与同期经验性处方的对照集：2007 至 2016 年，8 万余名尿路感染患者的每一份送检标本，都同时带着实验室事后测出的耐药结果和医生在结果回报前做出的用药选择。它要回答的是一个每天都发生在门诊的问题——在还不知道耐药与否的那 72 小时里，该开哪种抗生素。

数据的核心结构是"决策—结果"配对：四种药物的耐药标签是结果的真相，经验性处方是当时的决策，两者通过同一份标本关联。这个结构让它不只服务于耐药预测，还能支撑策略学习与因果推断——药敏结果天然充当不同处方下反事实结局的代理。

获取门槛不低：PhysioNet 凭证访问，需完成 CITI 培训并签署数据使用协议，部分地区的下载界面还会因政策限制而不可用。许可为 PhysioNet Credentialed Health Data License 1.5.0，不是开放许可。它适合做方法研究与离线评估，不适合需要真实时序、需要跨地区外推、或无法走凭证流程的场景。

---

§1 它是什么：把经验性用药变成可计算问题

1.1 临床困境的形状

尿路感染是最常见的门诊感染之一，也是抗生素过度使用的重灾区。常规路径是：患者就诊，留尿送检，医生凭经验开药，微生物实验室在 48 至 72 小时后回报药敏结果。这段空窗期决定了治疗效果，也决定了耐药选择压力往哪个方向走。

医生的两难是结构性的。开窄谱一线药，可能撞上耐药菌，导致治疗失败、患者复诊；开广谱二线药，治疗成功率上去了，但每一次"以防万一"都在为下一代耐药菌投票。指南给出了推荐顺序，现实中的处方却大量偏离指南。

AMR-UTI 把这个两难变成了一个可以量化的问题：给定一份标本在送检时已知的全部信息（患者特征、既往微生物史、既往用药、定植压力），能否在结果回报之前预测四种药物的耐药概率，并据此推荐"最窄的、预测仍然有效的"那一种？

1.2 数据的三个组成

每条观测对应一份送检标本，包含三块内容：

第一块是金标准标签。 实验室测定的四种抗生素耐药结果，从纸片扩散或 MIC 测定按 CLSI 折点判读，归为敏感（S）、中介（I）、耐药（R）三类，其中 I 与 R 合并视为耐药。这是"事后知道"的真相。

第二块是决策。 医生在不知道结果的情况下实际开出的抗生素。这是"当时的选择"，也是策略评估要比较的对象。

第三块是特征。 患者人口学、合并症、既往微生物学历史、既往抗生素暴露、定植压力、标本类型与送检科室等，都是结果回报之前可获得的变量。

三块内容缺一不可。只有标签是普通预测任务；只有决策是处方行为研究；两者配对，才构成"决策是否恰当"的判断基础。

1.3 它与其他 AMR 数据集的分工

抗微生物耐药领域的数据资源大体分三类，AMR-UTI 属于第二类里最"决策导向"的一个。

类型	代表	关注点	与 AMR-UTI 的差别
国家/区域监测	各类耐药监测网	菌株耐药率的时间与地区趋势	无个体级处方对照，不能做决策评估
医院级决策数据集	AMR-UTI	单次经验性用药决策是否恰当	有处方—药敏配对，可做策略学习
大网络多院区资源	ARMD 系列	跨机构、长跨度的菌株与药敏谱	覆盖面更广，但不直接编码处方决策

这个定位决定了它的使用方式：不是用来画耐药率曲线，而是用来问"在这个时点、这份标本上，换成另一种开法会不会更好"。

1.4 为什么是尿路感染

抗微生物耐药研究有很多切入点，选尿路感染并不是因为它最重要，而是因为它最适合做方法验证。原因有四条。

发生频率足够高。 论文引用美国门诊数据指出，女性一生中约有一半会经历一次单纯性尿路感染。如此高的发生率意味着样本量充足，也意味着处方行为的微小改善会被放大成可观的绝对数量。

决策时点足够清晰。 尿培养的药敏结果有明确回报时间，医生必须在结果到达前做决定。这个"信息盲区"是其他感染场景不一定具备的——有些感染可以等培养结果再调整，尿路感染的门诊场景往往不行。

结局足够可测。 药敏试验给出的是二元的敏感/耐药判定，比"临床治愈"更容易客观测量。这让"决策是否恰当"变成一个可直接判定的是非题，而不是需要随访的模糊判断。

药物谱足够窄。 单纯性 UTI 的一线与二线用药加起来只有四种主选，决策空间小，策略评估因此可行。放到重症感染，可选药物组合爆炸，离线评估的难度会成倍上升。

这四条合起来解释了为什么这套数据的名字里写的是"尿路感染"而不是更宏大的"抗微生物耐药"：它是一个为了把问题讲清楚而刻意收窄的研究场景。

1.5 数据的两个用户群

这套数据同时服务两类差异很大的用户，理解这一点能避免很多误用。

第一类是临床与方法研究者。 他们关心的是"这个决策框架对不对、反事实假设站不站得住、离线评估的偏差有多大"。对他们来说，数据是论据，代码是工具，结论的可推广性靠方法本身保证。

第二类是工程与产品团队。 他们关心的是"能不能做一个原型，展示预测耐药并按最窄有效原则推荐"。对他们来说，数据是素材，需要的是字段清晰、样例可跑、坑点有清单。

这两类用户对数据的要求部分冲突：研究者希望数据保留原始的模糊性（缺失机制、测量误差），产品团队希望数据干净可直接用。这套数据没有为此做取舍，它选择了保留模糊，把清洗工作留给使用者。这也是为什么 §4 的坑点清单值得先读一遍再动手。

---

§2 数据构成：8 万患者、两段年份、四个文件

2.1 规模与队列切分

口径	患者数	年份	说明
全体训练集	55,078	2007–2013	全部送检标本的患者
全体测试集	26,807	2014–2016	全部送检标本的患者
单纯性 UTI 训练集	10,053	2007–2013	符合单纯性 UTI 纳入标准者
单纯性 UTI 测试集	3,629	2014–2016	论文主结果所用队列

两段年份切分而非随机切分，是这套数据设计上最值得肯定的一点：随机切分会让同一个患者的多次就诊分散到训练与测试两侧，指标虚高；按年份切分模拟的是"用过去的数据训练、预测未来的就诊"，更接近真实部署。官方同时确认，单纯性 UTI 队列中没有患者同时出现在两个集合里。

2.2 文件清单

数据以三个 CSV 加一个数据字典发布：

文件	内容	使用注意
all_uti_resist_labels.csv	四种抗生素（NIT/SXT/CIP/LVX）的耐药标签，覆盖全部标本	全体队列与单纯性队列共用
all_prescriptions.csv	经验性处方选择	仅含单纯性 UTI 队列，不含其他标本的处方
all_uti_features.csv	构建好的特征 + 训练/测试标记 + 单纯性队列标记	做预测模型的主表
data_dictionary.csv	数据字典，五列：file / column / description / from / until	含每个字段的取值区间说明

第二个文件的覆盖范围是第一个坑：处方表只覆盖单纯性 UTI 队列，若把它与全体标本的耐药表做连接，会得到大量看似"未开药"的空值，实际是"不在采集范围内"。

2.3 四种抗生素与判读标准

四种药物构成一个清晰的两级结构：

级别	药物	缩写	临床位置
一线	呋喃妥因	NIT	单纯性膀胱炎首选之一
一线	复方磺胺甲噁唑	SXT	单纯性膀胱炎首选之一，耐药率高时降级
二线	环丙沙星	CIP	氟喹诺酮类，广谱，指南建议保留
二线	左氧氟沙星	LVX	氟喹诺酮类，同上

判读标准为 2017 年 CLSI 临床折点，三分类 S/I/R，其中 I 与 R 均归为耐药。这一点在复现时需要注意：中介被判为耐药意味着模型被要求"在中介菌株上也别用这个药"，比只判 R 更保守。

需要区分的是，数据里还有一套 25 种抗生素的用药记录，那是用于计算定植压力的暴露变量，不是耐药标签。把两者混淆会得出"数据集覆盖 25 种抗生素药敏"的错误结论。

2.4 特征体系

特征按来源可分四组：

患者层面：年龄（>89 统一记 90）、性别、合并症负担。

既往微生物学历史：过去一段时间内该患者分离出的病原体、以及这些病原体的耐药表型。这是预测个体耐药最有信息量的一组变量。

既往抗生素暴露：过去一段时间内的用药记录，构成选择压力的直接度量。

环境层面：定植压力，即在三个位置层级（医院、病区、病房）上，同一空间内其他患者正在使用的抗生素对目标菌的选择压力，覆盖 25 种抗生素，取值四舍五入到 0.01。

另外还有标本层面信息：送检科室、标本类型、就诊类型等。

2.5 泄漏防护窗口

这套数据在特征构造时设了三道时间窗，防止把"未来信息"泄漏进特征：

特征类别	排除窗口	含义
既往耐药	7 天内	太近的耐药记录可能与本标本同源
既往用药	2 天内	太近的用药可能仍在影响本次培养
既往病原体	7 天内	同上

设置窗口的理由是：这些"近期"记录本身可能就是本次感染的组成部分，而不是独立的历史信息。用它们做特征会让模型看起来很强，实则是在用答案的一部分预测答案。

窗口设置的代价也很直接：越是需要长期病史才能判断的耐药模式，可用特征越少。这是数据设计与任务难度之间的一次硬取舍。

2.6 单纯性 UTI 队列的纳入与排除

单纯性 UTI 是论文的主战场，其队列定义比"尿培养阳性"严格得多。排除项包括：过去 90 天内有过手术、中心静脉导管、机械通气、肠外营养或血液透析的患者。

这条排除规则的连带效应值得留意：数据里有一个 procedure 180 特征，本意是"过去 180 天内的操作史"，但在单纯性队列中，由于 90 天内的操作已被排除，这个特征实际只反映 91 至 180 天这个窗口。若按字面理解把它当完整 180 天使用，会误读特征含义。

此外，同部位 14 天内的重复标本被排除，同日同部位的标本可能被合并，因此单条"标本"记录可能含多个科室或部位的信息。

2.7 时间窗口的三重代价

三个泄漏窗口（7 / 2 / 7 天）读起来像三条技术细节，实际是这套数据最关键的建模约束，值得单独说清它们的代价。

代价一：可用信号被砍掉。 耐药性有很强的个体延续性——一个患者上个月分离出耐药大肠埃希菌，这个月大概率仍是耐药。但 7 天窗口意味着"上个月"的记录在特征里可能仍保留，而"三天前"那条被排除了。这条被排除的记录往往信息量最高，因为它离本次感染最近。结果是：模型拿到的不是"最相关的历史"，而是"足够久远以至于可以算独立历史"的那部分。

代价二：近期用药的正负两种解释被合并。 2 天窗口排除近期用药，理由是可能仍在影响本次培养。但"近期用过某药"本身是有意义的信息：它既可能意味着该药已经失败（提示耐药），也可能意味着该药正在起效（提示敏感）。窗口把它排除后，模型失去了这条双向线索，只能从更早的用药史里推断。这在临床逻辑上是一种损失，但在方法学上是必要的——不排除就无法保证特征与结局的时间顺序干净。

代价三：不同特征的时间尺度不一致。 耐药 7 天、用药 2 天、病原体 7 天，三个窗口不同，意味着最终特征表里每个变量的"回顾期"都不一样。这在解释模型时会造成困难：某个特征重要，到底是因为它本身有信息，还是因为它回顾期更长、包含更多事件？做特征重要性分析时如果不意识到这一点，很容易把"回顾期长度"误读为"临床重要性"。

这三个代价指向同一个结论：拿到这套数据后，理解窗口设置比调模型更重要。省下这一步的团队，通常会在解释结果时卡住。

2.8 队列规模的两重含义

8 万余名患者听起来是一个很大的数字，但实际可用的样本量取决于你问什么问题。

做全体队列的耐药预测，训练集有 5.5 万名患者，样本充足。做单纯性 UTI 的处方策略评估，训练集降到 1 万名患者，仍然够用但不是宽裕。若再往下细分——比如按年龄组、按科室、按是否合并糖尿病——某些格子里的样本会迅速变小，此时模型性能的置信区间会明显变宽。

这意味着一个实用判断：这套数据适合做"整体策略"层面的结论，不适合做"亚组策略"层面的结论。想做亚组，需要更大或更专门的数据，或者接受较高的不确定性。数据本身含合并症字段，技术上支持亚组分析，但样本量是否撑得住是另一回事。

这也解释了为什么论文主结果报告的是全队列的 67% 与 18%，而不是逐亚组的效果——不是不想报，是分母不够。

---

§3 怎么拿到：凭证访问与一条地区限制

3.1 获取通道

项目	内容
主渠道	PhysioNet antimicrobial-resistance-uti v1.0.0
版本 DOI	10.13026/se6w-f455
最新版 DOI	10.13026/hdza-eh80
访问类型	Database Credentialed Access
许可	PhysioNet Credentialed Health Data License 1.5.0
数据使用协议	PhysioNet Credentialed Health Data Use Agreement 1.5.0
前置条件	完成 CITI “Data or Specimens Only Research” 培训
发布日期	2020-11-04

"凭证访问"不是填个表就能下载。它要求申请者具备可核验的研究身份、完成伦理培训、签署具法律约束力的使用协议，并承诺不尝试重新识别个体。这一整套流程本身就是数据治理的一部分——它把"谁能看"从技术问题变成了制度问题。

3.2 地区不可用提示

PhysioNet 的部分数据集文件区会对不合规地区显示 “Data is not available in your region due to legal or policy restrictions”。这是访问端的地理与政策限制，与数据集本身的许可无关。

对检索者的实际含义是：资料页（描述、版本、DOI、引用格式）全球可见，但文件下载可能不可得。因此"能不能读到这份数据的完整文档"和"能不能用到这份数据"是两个独立问题，评估可复现性时应当分开陈述。第三方镜像或转载若声称提供该数据集文件，其合法性需自行核实——原始许可不允许绕过凭证流程再分发。

3.3 复现路径

论文与代码在两个仓库公开：clinicalml/amr-uti-stm 对应 Science Translational Medicine 主论文，clinicalml/amr-uti-kdd 对应 KDD 2020 的多目标策略学习论文。代码开源而数据凭证化，这个组合意味着：方法可以完整复现，结果数字不能在没有数据访问权的情况下独立重算。

引用时分两层：使用数据引用 PhysioNet 条目（含版本 DOI）；引用方法或结果引用 Science Translational Medicine 论文（DOI 10.1126/scitranslmed.aay5067）。只引论文不引数据集条目，在数据治理日趋严格的今天会被视为不完整引用。

---

§4 质量与已知问题：六个坑与一份诚实的局限清单

4.1 六个坑

坑 1：把 0 当阴性。 多数二元特征中 0 同时表示"确认阴性"与"数据缺失"。官方在局限里明说了这一点。若直接把 0 当阴性输入模型，会系统性地把"不知道"当成"没有"，在既往用药、既往耐药这类关键特征上尤其危险。

坑 2：以为有日期可做时序。 全部日期与时间已被移除，只保留随机 example_id。训练/测试的年份切分信息以标记形式存在，但标本之间的真实时间间隔不可恢复。任何声称"在这套数据上做了时间序列建模"的说法都需要核对它到底用了什么时间信号。

坑 3：处方表当全队列用。 all_prescriptions.csv 只覆盖单纯性 UTI 队列。与全体耐药表连接后出现的空值不是"医生没开药"，而是"不在采集范围"。

坑 4：把 25 种抗生素当药敏标签。 25 是定植压力计算用到的用药种类数，不是耐药标签数。耐药标签只有四种。

坑 5：procedure 180 当完整 180 天。 单纯性队列排除了 90 天内的操作，该特征实际只覆盖 91–180 天。字面理解会误判特征语义。

坑 6：忽略药敏作为反事实代理的误差。 体外药敏不等于体内疗效。用它作为"换一种药会不会有效"的代理，隐含了"体外敏感即临床有效"的假设，这个假设在部分药物与部位上并不成立。论文把它作为方法学前提陈述，而非已验证事实。

4.2 官方局限清单

这套数据的优点之一是官方把局限写得相当具体，可以直接转述而不必推测：

局限	具体内容	影响
处方覆盖有限	处方数据仅含单纯性 UTI 队列	无法研究其他标本类型的用药决策
缺失编码歧义	多数二元特征 0 = 阴性或缺失	需显式建模缺失机制
反事实代理	药敏作为不同处方结局的代理	策略评估带测量误差
人群代表性	两家波士顿三级医院	跨地区外推需谨慎
时间异质性	2007–2016 十年间实践与平台变化	检出率变化可能被误读为耐药趋势
年龄截断	>89 岁记 90	高龄亚组分析受限
稀有特征删除	阳性样本来自 <20 名患者的二元特征被删	罕见暴露无法研究

最后一项是隐私保护与信息保留之间的直接交换：为了保护少数患者不被重新识别，牺牲了对罕见暴露的研究能力。这是凭证访问类数据集的通用取舍，不是本数据集的特有缺陷。

4.3 隐私保护的具体手法

去标识化做法可直接核对：

• 每个标本分配随机生成的唯一 example_id，用于跨文件连接；
• 移除全部日期与时间；
• 年龄大于 89 岁统一记为 90；
• 若某二元特征的全部阳性样本来自少于 20 名唯一患者，该特征整体删除；
• 定植压力特征四舍五入到 0.01。

这套手法针对的是 EHR 数据最常见的两类重识别路径：日期加人口学特征的组合推断，以及稀有诊断标记的个体指认。删特征这一条最激进，也最有效——它直接放弃了统计上无法保护的那部分信息。

伦理层面，数据经 MGH 机构审查委员会批准并豁免知情同意，理由是回顾性研究且风险最小化。这是美国回顾性 EHR 研究的常见路径，与欧洲 GDPR 下的处理方式不同，做跨国比较时需注意。

4.4 数据质量的另一面：哪些地方做得扎实

坑点讲完，也该说清这套数据在哪些方面确实做得比同期资源好，否则评估会失衡。

训练/测试按年份切分。 这一点在临床数据集里并不普遍。很多数据集为了省事做随机切分，结果是同一个患者的多次就诊被分到两侧，模型学到"这个患者上次耐药，这次大概也耐药"，指标虚高。AMR-UTI 按年份切，且确认单纯性队列中无患者跨集，直接堵住了这条泄漏路径。

泄漏窗口显式声明。 7 天、2 天、7 天三个窗口写在文档里，而不是埋在代码里。这意味着使用者能判断"我的特征是不是也踩了同样的坑"，而不是只能信任作者的实现。多数数据集不做这个披露。

局限清单具体到可核对。 官方列出的局限包括处方覆盖范围、缺失编码歧义、反事实代理、人群代表性、时间异质性、年龄截断、稀有特征删除。每一条都能落到具体字段或具体数字上，不是"本研究存在局限"这类通用免责。

去标识化手法可审计。 随机 ID、移除日期、年龄截断、稀有二值特征删除，四条措施各自对应一种重识别路径，且删除阈值写明了是 20 名患者。这种透明度让使用者能自行评估残余风险，而不必依赖发布方的承诺。

这四点合起来，构成了一套"可被批评"的数据集——它的边界是明示的，批评者可以针对明示的边界提出具体意见，而不是只能泛泛质疑。这在医学数据资源里属于少数。

4.5 与凭证访问相关的一个现实问题

凭证访问保护了数据，但也带来一个结构性后果：可复现性的分层。

对持有凭证的研究者，方法可以完整复现，数字可以独立重算。对没有凭证的读者，只能读到论文里的数字与代码里的逻辑，无法验证任何一步。这意味着一篇基于该数据集的论文，其可信度对多数读者而言依赖于作者声誉而非独立核验。

这个后果不是缺陷，是选择。它的代价换来的是数据能被发布而不是只能内部使用。评估这类资源时，比较务实的做法是：把"文档是否完备"与"结果是否可独立复现"分开打分，前者可以很高，后者对无凭证者必然受限。把两者混成一个"可复现性"分数，会低估文档质量、也高估实际可得性。

---

§5 能做什么：从耐药预测到策略评估

5.1 四类可用任务

任务一：耐药预测。 给定送检时已知的特征，预测四种药物的耐药概率。这是最直接的任务，评测用 AUROC 与校准曲线。难点在于既往耐药史的信息量最大，但恰恰最受 7 天窗口限制。

任务二：经验性用药推荐。 在预测概率之上加一层决策规则：从预测仍有效的药物中选最窄的那一个。这一步把预测任务变成了策略任务，评价指标也从 AUROC 变成"二线用药比例"与"不合理治疗比例"。

任务三：离线策略评估。 用历史数据评估一个新策略若当年实施会怎样。这是这套数据最有方法学价值的部分，也是风险最高的部分——它依赖反事实可识别性假设，假设不成立时评估结果无效。

任务四：多目标权衡。 同一个决策同时要看"尽量窄谱"与"尽量不要无效"两个目标，二者冲突。KDD 2020 那篇论文专门处理这个多目标设定，是策略学习方向的入门材料。

5.2 论文给出的量化结果

论文的核心数字可以直接拿来当基准锚点：

指标	数值	口径
测试队列	3,629 名患者	2014–2016 单纯性 UTI
二线抗生素使用降幅	67%	相对临床医生的实际处方
不合理治疗降幅	18%	不合理定义为用了耐药药物
医生选二线、算法选一线时的正确率	92%（1,066 / 1,157）	事后药敏证实一线有效
医生选错一线、算法纠正的比例	47%（183 / 392）	算法改为另一种一线药且有效

这组数字的读法需要小心。67% 的降幅是相对同一批医生的实际处方，不是相对指南；18% 的降幅是"不合理治疗"比例，不是"治疗失败率"。1,066/1,157 与 183/392 是条件正确率，分母是特定子集，不能直接与整体准确率比较。

5.3 为什么 92% 与 47% 差这么多

这两个数字放在一起，恰好说明了任务的难度分布在哪儿。

92% 的场景是"医生已经在用二线药，算法建议退回一线"。这类病例往往本来就不复杂——医生可能出于习惯而非判断用了广谱药，退回一线风险低。

47% 的场景是"医生选了错的一线药，算法要挑另一种一线药"。这时可用的一线选项只剩一到两个，且患者很可能已有耐药史，猜对的概率自然低。

含义是：降阶梯容易，纠错难。任何声称"用算法优化抗菌药使用"的工作，都应当把这两类场景分开报告，合成一个数字会掩盖真正的困难所在。

5.4 复现骨架

import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import roc_auc_score

feat = pd.read_csv("all_uti_features.csv")
lab = pd.read_csv("all_uti_resist_labels.csv")

df = feat.merge(lab, on="example_id", how="inner")
-- 只取单纯性 UTI 队列，处方表也只覆盖这一队列
df = df[df["uncomplicated_uti"] == 1]

train = df[df["split"] == "train"]
test = df[df["split"] == "test"]

features = [c for c in feat.columns
            if c not in ("example_id", "split", "uncomplicated_uti")]

for abx in ["NIT", "SXT", "CIP", "LVX"]:
    y_tr = train[f"resistant_{abx}"]
    y_te = test[f"resistant_{abx}"]
    mask = y_te.notna()
    clf = GradientBoostingClassifier(random_state=0)
    clf.fit(train[features].fillna(0), y_tr)
    auc = roc_auc_score(y_te[mask], clf.predict_proba(test.loc[mask, features].fillna(0))[:, 1])
    print(abx, round(auc, 4))

三点提醒：fillna(0) 只是占位，真实处理必须面对"0 即阴性也即缺失"的歧义；列名以实际数据字典为准，上面的字段名是示意；单纯性队列的标记字段名需按 data_dictionary.csv 核对，不同版本可能不同。

5.5 不适合用它做的事

做真实时序建模。 没有日期。

做全国耐药率推断。 两家波士顿医院不代表全国，论文自己也把"在更多样人群中训练"列为后续工作。

直接把离线评估结果当临床效果。 离线策略评估依赖反事实假设，且药敏是代理结局。把它当"实施后能降 67%"是过度解读。

做跨病种外推。 四种药物是 UTI 特异的，定植压力的构造也与尿培养场景绑定，换到血流感染或肺炎需要重做特征体系。

5.6 特征工程的实际操作

拿到特征表之后，真正花时间的不是建模，而是决定怎么处理三类特殊变量。下面把这套数据里最容易出错的几个处理写清楚。

第一类：既往耐药史。 这是信息量最大的一组特征，也是最需要小心的一组。它的编码通常形如"过去 N 天内是否分离出对某药耐药的菌株"。问题在于，当患者过去没有培养记录时，这个值是 0 还是缺失？按官方说明，多数情况下 0 同时代表"确认为阴性"与"缺失"。处理办法有两种：一是把"是否有既往培养记录"单独做成一个指示变量，让模型能区分这两种 0；二是采用缺失指示加中位数填充的两列表示法。前者更贴近语义，后者更省心，选择取决于你是否要让模型显式学到"没有记录"本身就是信息。

第二类：定植压力。 这是连续变量，取值已四舍五入到 0.01。它衡量的是同一空间内他人用药形成的选择压力。使用时需要注意：定植压力是随时间与空间变化的动态量，而数据里没有时间戳，所以每个标本上的定植压力值是"该标本送检时点"的快照，不是可回溯的序列。这意味着它只能作为静态特征使用，不能用来做"定植压力上升会不会先于耐药出现"这类时序推断。

第三类：既往用药。 与既往耐药类似，问题是窗口很短（2 天）。2 天这个窗口只排除"可能仍在影响本次培养"的用药，不排除更早的暴露。因此这个特征捕捉的是"近期是否在用药"，不是"累计暴露剂量"。若要做累积暴露，需要自己按药品类别做加权计数，而数据里没有剂量与疗程信息，只能退化为计数。

三类变量处理完，剩下的合并症、人口学、科室、标本类型都比较直白，常规编码即可。

5.7 一个常见的评估错误

在离线策略评估里，最容易犯的错误是把"模型预测的耐药概率"直接当作"策略的好坏"来比较。这两件事不是一回事。

预测得好，意味着模型的概率估计接近真实耐药率，评价指标是 AUROC 与校准。策略好，意味着按这个策略开药能同时降低广谱使用与不合理治疗，评价指标是两个比例。一个校准不佳但排序正确的模型，可能在推荐任务上表现不错；一个 AUROC 很高但概率被系统性高估的模型，可能在策略上过度保守、开药过宽。

正确做法是分两步评估：先看预测质量（AUROC、校准曲线、Brier 分数），再看策略质量（二线用药比例、不合理治疗比例、以及两者的权衡曲线）。论文报告的是后者的结果，但前提是前者已经足够好。若只报策略指标不报预测质量，读者无从判断策略优势究竟来自预测能力还是来自决策规则的保守设定。

另一个相关错误是忽略子集差异。前面提到的 92% 与 47% 就是典型：同一个模型在两个不同子集上表现差异极大，合成一个数字会误导。论文把它们分开报告，是值得效仿的做法。

5.9 DAIMS 24 项检查

#	检查项	状态	说明
1	宽格式	是	三张主表均为每行一条观测的宽表
2	唯一标识	是	example_id 随机生成，跨文件可连接
3	特殊字符	是	字段名与取值均为常规 ASCII 或数值
4	重复行	部分	同日同部位标本可能被合并，单行可含多科室信息
5	缺失编码	否	多数二元特征 0 兼表阴性，缺失不可区分
6	标签标识	是	四种药物各自的耐药标签列，命名明确
7	罕见类分组	部分	阳性样本少于 20 名患者的二元特征已整体删除
8	偏倚评估	是	官方列明人群代表性、时间异质性两项偏倚
9	数据字典	是	data_dictionary.csv 五列，含取值区间
10	信息性缺失解释	部分	官方说明 0 的歧义，但未给逐字段缺失率
11	设备记录	部分	无检验设备型号，但记录折点版本（2017 CLSI）
12	共线性	部分	既往耐药与既往用药高度相关，需自行诊断
13	编码映射	是	药物用标准缩写，判读用 CLSI S/I/R
14	时间戳处理	否	全部日期时间移除，无法还原时序
15	划分建议	是	按年份切分，且给出 train/test 标记
16	泄漏讨论	是	三类泄漏窗口（7/2/7 天）显式声明
17	标签分布	部分	论文给出耐药率随时间变化的图，未给逐字段分布表
18	测量偏倚	是	明示药敏作反事实代理的测量误差
19	外部验证建议	是	作者将"更多样人群"列为后续工作
20	版本记录	是	v1.0.0，含版本 DOI 与最新版 DOI
21	预处理脚本	是	两个 GitHub 仓库提供完整实现
22	合规要求	是	Credentialed License 1.5.0 + DUA + CITI 培训
23	多模态对齐	是	三表通过 example_id 严格对齐
24	去标识化	是	四条手法均披露，含删除阈值

计分：是 15 项 ×1 + 部分 7 项 ×0.5 + 否 2 项 ×0 = 18.5 / 24。

分数落在"文档透明、结构清晰，但需自行补工程"的区间。加分主要来自泄漏窗口的显式声明、按年份切分的划分设计、以及可审计的去标识化；扣分集中在两处硬伤——日期全移除导致时序分析不可行，以及缺失编码歧义导致必须自行建模缺失机制。这两点都不是疏忽，而是隐私保护与可用性之间的取舍结果。

5.8 与前瞻验证的距离

离线评估之后还差什么？至少三步。

第一步是外部验证。 在另一家医院、另一个年份段的数据上重跑，看策略收益是否保持。两家波士顿医院的模型迁移到社区医院，人群与耐药谱都可能变化，收益未必保得住。

第二步是前瞻研究。 让医生在真实诊疗中看到算法建议，观察实际处方行为是否改变、患者结局是否受影响。这一步会引入离线评估里不存在的因素：医生对建议的信任度、工作流适配、警报疲劳。

第三步是效果与安全性评估。 前瞻研究还要回答"减少二线用药是否带来治疗失败增加"。论文的离线结果显示不合理治疗同时下降，这降低了风险，但不能替代真实结局数据。

论文本身对这三步的态度是明确的：把泛化性列为后续工作，没有声称已经完成临床验证。这一点在引用时应予保留。

---

§6 常见误读问答

Q1：AMR-UTI 全称是什么？
Antimicrobial Resistance in Urinary Tract Infections，即尿路感染中的抗微生物药物耐药。

Q2：谁做的？
MIT Clinical Machine Learning Group 与 Mass General Brigham 合作，主要作者为 Michael Oberst、Sooraj Boominathan、Helen Zhou、Sanjat Kanjilal、David Sontag。

Q3：多少患者？
8 万余名。训练集来自 55,078 名患者（2007–2013），测试集来自 26,807 名（2014–2016）；单纯性 UTI 子集训练 10,053 名、测试 3,629 名。

Q4：多少家医院？
两家，都在波士顿：Massachusetts General Hospital 与 Brigham & Women’s Hospital。

Q5：时间范围？
2007 至 2016 年，训练集与测试集按年份切分而非随机切分。

Q6：有哪些耐药标签？
四种：呋喃妥因（NIT）、复方磺胺甲噁唑（SXT）、环丙沙星（CIP）、左氧氟沙星（LVX）。

Q7：为什么只有四种，不是 55 种？
55 种是 ARMD（另一个 AMR 数据集）的抗生素覆盖数，不是 AMR-UTI。AMR-UTI 的耐药标签只针对单纯性 UTI 的一线与二线核心用药，四种是任务定义决定的。此外 AMR-UTI 里还有一个 25 种抗生素的集合，那是计算定植压力用的用药记录，不是药敏标签。

Q8：判读标准是什么？
2017 年 CLSI 临床折点，三分类 S/I/R，其中 I 与 R 合并视为耐药。

Q9：数据里有几个文件？
三个 CSV 加一个数据字典：耐药标签、处方、特征表、data_dictionary.csv。

Q10：为什么处方表不能和全体耐药表连接？
处方表只覆盖单纯性 UTI 队列。连接全体标本会产生大量空值，这些空值表示"不在采集范围"，不是"未开药"。

Q11：0 代表什么？
多数二元特征里 0 同时代表确认阴性与数据缺失。这是官方明示的局限，建模时必须显式处理。

Q12：能还原时间顺序吗？
不能。全部日期与时间已移除，只保留随机 example_id。仅有训练/测试的年份段信息。

Q13：为什么年龄 89 岁以上都记 90？
这是 HIPAA 去标识化的常见做法（Safe Harbor 规则要求 89 岁以上不细分）。代价是高龄亚组无法分析。

Q14：为什么有些特征被删掉了？
若某二元特征的阳性样本来自少于 20 名唯一患者，该特征整体删除，目的是防止通过稀有标记重新识别个体。

Q15：定植压力是什么？
同一空间（医院、病区、病房三个层级）内其他患者正在使用的抗生素对目标菌形成的选择压力，覆盖 25 种抗生素，取值四舍五入到 0.01。

Q16：泄漏防护窗口怎么设的？
既往耐药排除 7 天内，既往用药排除 2 天内，既往病原体排除 7 天内。目的是避免把本次感染自身的组成部分当历史特征。

Q17：procedure 180 是完整 180 天吗？
在单纯性 UTI 队列中不是。该队列排除了 90 天内的操作，所以这个特征实际只覆盖 91 至 180 天。

Q18：论文的主要结果是什么？
在 3,629 名患者的测试队列上，算法相对临床医生把二线抗生素使用降低 67%，把不合理治疗降低 18%。医生选二线而算法选一线的病例中，92%（1,066/1,157）事后证实一线有效；医生选错一线而算法纠正的病例中，47%（183/392）选对。

Q19：92% 和 47% 为什么差这么多？
场景不同。92% 是"从二线退回一线"，病例本身通常不复杂；47% 是"在剩余一线选项里改选"，空间小且多涉及耐药史，难度更高。

Q20：能说"实施后能降 67%"吗？
不能。这是离线策略评估结果，依赖反事实可识别性假设，且以体外药敏作为疗效代理。真实临床效果需前瞻验证。

Q21：药敏等于临床有效吗？
不等同。体外敏感与体内疗效之间存在差距，尤其在某些药物与感染部位上。数据的反事实代理属性建立在"药敏可近似疗效"这一假设上，是方法学前提而非已证结论。

Q22：怎么拿数据？
PhysioNet 凭证访问：完成 CITI 培训、签署 Credentialed Health Data Use Agreement 1.5.0，并在允许访问的地区。部分地区文件区会显示政策限制不可用。

Q23：许可是什么？
PhysioNet Credentialed Health Data License 1.5.0，不是开放许可。数据不可再分发。

Q24：有代码吗？
有。clinicalml/amr-uti-stm 对应 Science Translational Medicine 主论文，clinicalml/amr-uti-kdd 对应 KDD 2020 的多目标策略学习论文。

Q25：代码开源，数据凭证化，意味着什么？
方法可以完整复现，但结果数字在无数据访问权时不能独立重算。评估可复现性时应把这两件事分开陈述。

Q26：能和 ARMD 系列一起用吗？
概念上互补，实操上要注意两者 schema 不同、许可不同、访问路径不同。AMR-UTI 有处方配对，ARMD 系列覆盖面更广但无决策编码。做跨库研究需先对齐字段语义。

Q27：能做全国耐药监测吗？
不能。两家波士顿三级医院不代表全国人群，作者本人把"在更多样人群中训练以改善泛化"列为后续工作。

Q28：能用于其他感染部位吗？
不能直接迁移。四种药物与定植压力的构造都绑定尿培养场景，换到血流感染或肺炎需重建特征体系与药物集合。

---

§7 在生态中的位置：决策数据集与监测数据集的分界

7.1 两类 AMR 资源

抗微生物耐药领域的数据资源长期存在一条分界：一边是监测型资源，回答"耐药率有多高、在怎么变"；一边是决策型资源，回答"这一次该开什么药"。AMR-UTI 明确站在后者。

这条分界不是学术趣味，而是用途决定的。监测数据要覆盖广、跨时长、菌株代表性好，因此通常来自多中心网络、以菌株为单位、不含处方；决策数据要"决策—结果"配对，因此必须限定在单次就诊、单一标本、可关联处方的场景，覆盖面必然受限。

理解了这一点，就不会拿 AMR-UTI 去画耐药率曲线，也不会指望监测数据集给出"最优处方"。

7.2 与 ARMD 系列的关系

ARMD 系列（包括 Stanford 与 Mass General Brigham 两个站点）是近年出现的大规模 AMR 资源，特点是跨机构、长跨度、药敏面板宽（ARMD 论文口径为 55 种抗生素）、字段细致到检测方法与折点版本。

AMR-UTI 与它的差别可以概括为三点：AMR-UTI 有处方配对，ARMD 系列没有；ARMD 系列覆盖抗生素更多、机构更多，AMR-UTI 只覆盖四种药物与两家医院；AMR-UTI 时间更早（2007–2016），是这条线上的先行者。

两者互补而非替代。要做"处方优化"用 AMR-UTI；要做"耐药谱刻画"或"跨机构基准"用 ARMD 系列。

7.3 在方法演进中的位置

AMR-UTI 2020 年发布，恰好卡在两个方法潮流的交汇处：一边是因果推断在临床决策中的落地，一边是策略学习从推荐系统迁入医疗。它的贡献不只是数据，还包括把"药敏作为反事实代理"这件事讲清楚，并给出一个可操作的评估框架。

这个框架后来被反复借用。它的价值在于提出了一个可证伪的结构：如果你不同意"药敏作代理"，你可以指出误差方向；如果你不同意离线评估，你可以设计前瞻验证。相比那些只给数字不给假设的工作，这更有用。

7.4 库内互链点

条目	关系
mimic-iv-clinical-database	同为美国大型 EHR 资源，均含微生物与用药字段，可作方法迁移对照
eicu-crd	多中心 ICU 数据库，定植压力类特征的构造可借鉴
armd-mgb	同属 AMR 领域，覆盖更广但无处方配对
aact	临床试验注册库，可查 UTI 相关抗生素试验
all-of-us	大型人群队列，含用药与检验数据
meddec	MIMIC 出院小结的医疗决策标注，决策抽取方法可对照

7.5 一句话定位

如果只能用一句话把它放进坐标系：AMR-UTI 是把"经验性用药"从临床经验变成可计算决策问题的那份数据——它不告诉你耐药率有多高，它问你在结果还不知道的时候，这一张处方开得对不对。

7.6 一份可复用的评估清单

不管是评 AMR-UTI 还是评其他决策型临床数据集，都可以按下面这张清单走一遍。它来自这套数据的设计特点，也能迁移到同类资源。

检查项	要问的问题	AMR-UTI 的答案
决策—结局是否配对	有没有记录"当时怎么做的"与"事后什么结果"	有，处方与药敏通过 example_id 关联
切分是否按时间	随机切分还是按年份	按年份（2007–2013 / 2014–2016）
是否跨患者无重叠	同一患者能否出现在两侧	单纯性队列已确认无重叠
泄漏窗口是否声明	特征构造排除了多近的信息	7 / 2 / 7 天，明示
缺失是否有歧义	0 代表阴性还是缺失	多数二元特征中二者不可区分
结局是否为代理	观测结局是否等于关心的真实结局	药敏是临床疗效的代理
局限是否可核对	局限是否落到具体字段或数字	是，七条均可核对
去标识化是否可审计	手法是否披露到可判断残余风险	是，含 20 名患者删除阈值
访问是否可控	开放还是凭证	凭证访问，含地区限制
代码是否可用	有无公开实现	两个 GitHub 仓库

这张表的价值不在于给 AMR-UTI 打分，而在于提供一套提问方式。多数数据集评估的失败不是判断错，而是根本没问这些问题——拿到数据就建模，做完才发现不知道怎么解释。

7.7 对国内同类工作的参照意义

这套数据的设计对国内做抗微生物耐药与临床决策支持的团队有几点直接参照价值。

第一，处方—检验配对是稀缺资源。 国内医院信息系统普遍同时存有医嘱与检验数据，但两者往往分属不同厂商、字段不对齐、时间戳精度不一致。AMR-UTI 示范的是配对后的形态：以标本为单位、把处方与药敏挂到同一个 key 上。这个结构本身值得作为建库目标。

第二，按年份切分比随机切分更诚实。 国内不少医学 AI 论文仍在用随机切分报告高分。按时间切分会让指标下降，但下降后的数字才接近部署真实水平。

第三，泄漏窗口必须显式。 这一点在中文文献里披露得很少。把"排除了多近的信息"写进方法节，成本极低，收益是让同行能判断你的结果是否可信。

第四，地区限制与凭证访问是常态。 国内团队若要用 PhysioNet 凭证数据集，需提前评估取数可行性，不要把方案建立在"下载即用"的假设上。

这四点不需要照搬，但值得在建库或写方法节时过一遍。

---

§8 总结：一份决策数据集的用法与边界

三句话总结：AMR-UTI 是波士顿两家医院 2007–2016 年 8 万余名 UTI 患者的尿培养药敏与经验性处方对照集，四种药物耐药标签加三层泄漏防护窗口；它的核心价值是"决策—结果"配对，支撑耐药预测、用药推荐与离线策略评估；它是凭证访问的研究资源，不是开放语料。

适合的人：做抗菌药管理算法与离线策略评估的研究者；研究因果推断与反事实评估的方法学者；需要真实处方—药敏配对数据做临床决策支持原型的团队；公共卫生 AMR 方向需要个体级用药证据的分析者。

不适合的人：需要真实时间序列的建模者（无日期）；需要开放下载的复现者（凭证访问，部分地区不可得）；需要跨地区外推的监测团队（两家医院）；需要其他感染部位数据的研究者（四种药物绑定 UTI）。

你的需求	是否合适	理由
耐药预测建模	是	四类药物标签 + 完整特征体系
经验性用药推荐	非常适合	处方与药敏配对
离线策略评估	是（需接受反事实假设）	药敏作反事实代理
多目标权衡研究	是	窄谱与有效性天然冲突
耐药率时间趋势	否	无日期，且仅两家医院
跨地区外推	否	单一城市三级医院
开放数据复现	否	凭证访问
血流感染/肺炎用药	否	药物与特征绑定尿培养

---

§9 术语与口径速查

术语	英文	释义
抗菌药耐药	antimicrobial resistance (AMR)	微生物对抗菌药物不再敏感
尿路感染	urinary tract infection (UTI)	泌尿道感染的总称
单纯性尿路感染	uncomplicated UTI	无结构异常或基础病的膀胱炎，本数据主队列
复杂性尿路感染	complicated UTI	伴结构或功能异常、或特定高危人群
经验性治疗	empiric therapy	检验结果回报前的经验性用药
药敏试验	antimicrobial susceptibility testing (AST)	测定菌株对药物的敏感性
折点	breakpoint	判读 S/I/R 的浓度界限
CLSI	Clinical and Laboratory Standards Institute	美国临床实验室标准机构，发布折点文件
敏感 / 中介 / 耐药	S / I / R	药敏三分类，本数据将 I 与 R 合并为耐药
MIC	minimum inhibitory concentration	最低抑菌浓度
纸片扩散法	disk diffusion	以抑菌圈直径判读药敏的方法
定植压力	colonization pressure	环境中他人用药形成的选择压力
抗菌药管理	antimicrobial stewardship	优化抗菌药使用的系统性干预
策略学习	policy learning	从数据中学习决策规则的方法
反事实	counterfactual	未实际发生但可推断的结局
离线策略评估	off-policy evaluation	用历史数据评估新策略的方法
可识别性	identifiability	反事实能否由观测数据唯一确定的性质
泄漏窗口	leakage window	特征构造时排除近期信息的时间范围
凭证访问	credentialed access	需身份核验与协议签署的访问方式
DUA	data use agreement	数据使用协议
HIPAA Safe Harbor	—	美国去标识化标准之一，含 89 岁以上年龄处理规则

口径提醒三条：耐药标签是四种药物，25 种是定植压力的用药种类；训练/测试按年份切分，不是随机切分；92% 与 47% 是条件正确率，分母是特定子集。

---

§10 事实清单与附录

10.1 事实清单

1. 全称：AMR-UTI: Antimicrobial Resistance in Urinary Tract Infections。
2. 版本 1.0.0，发布于 2020-11-04。
3. 数据 DOI（v1.0.0）：10.13026/se6w-f455；最新版 10.13026/hdza-eh80。
4. RRID：SCR_007345。
5. 机构：Massachusetts General Hospital 与 Brigham & Women’s Hospital，波士顿。
6. 时间范围 2007–2016，训练 2007–2013、测试 2014–2016。
7. 患者总数 8 万余名；训练集 55,078、测试集 26,807。
8. 单纯性 UTI 训练集 10,053 名唯一患者，测试集 3,629 名。
9. 四种耐药标签：NIT、SXT、CIP、LVX。
10. 判读标准：2017 CLSI 折点，S/I/R 三分类，I 与 R 合并为耐药。
11. 定植压力覆盖 25 种抗生素，三个位置层级，四舍五入到 0.01。
12. 文件：3 个 CSV（耐药标签、处方、特征）+ 1 个数据字典。
13. 处方表仅覆盖单纯性 UTI 队列。
14. 泄漏窗口：既往耐药 7 天、既往用药 2 天、既往病原体 7 天。
15. 去标识化：随机 example_id、移除全部日期时间、年龄 >89 记 90、阳性样本 <20 患者的二元特征删除。
16. 伦理：经 MGH IRB 批准，豁免知情同意。
17. 许可：PhysioNet Credentialed Health Data License 1.5.0。
18. 访问：Database Credentialed Access，需 CITI Data or Specimens Only Research 培训。
19. 主论文：Kanjilal S, Oberst M, Boominathan S, Zhou H, Hooper DC, Sontag D. Science Translational Medicine 12(568):eaay5067, 2020-11-04。
20. 论文 DOI：10.1126/scitranslmed.aay5067。
21. 主结果：二线用药降低 67%，不合理治疗降低 18%（3,629 名测试患者）。
22. 条件结果：医生二线→算法一线 1,066/1,157 = 92%；医生错一线→算法改对 183/392 = 47%。
23. 配套论文：Boominathan 等，KDD 2020，多目标设定下的治疗策略学习。
24. 代码仓库：clinicalml/amr-uti-stm、clinicalml/amr-uti-kdd。
25. 单纯性 UTI 排除：90 天内手术、中心静脉导管、机械通气、肠外营养、血液透析。

10.2 附录 A：判断某个用法是否成立

你想做的事	前置判断	结论
建耐药预测模型	特征是否全在结果回报前可得	成立，注意 0 的歧义
评估新处方策略	是否接受药敏作反事实代理	有条件成立
画耐药率年度曲线	是否有日期	不成立，日期已移除
研究高龄亚组	年龄是否细分	不成立，>89 记 90
研究罕见暴露	该特征是否被删	先查是否 <20 患者
跨省市外推	人群是否可比	需外部验证

10.3 附录 B：字段语义的三处易错点

字段/概念	字面理解	实际含义
二元特征的 0	阴性	阴性或缺失，二者不可区分
procedure 180	过去 180 天操作	单纯性队列中实为 91–180 天
25 种抗生素	25 种药敏标签	25 种用药记录，用于定植压力

10.4 附录 C：逐项证据链

事实	证据源
8 万余名患者、2007–2016	PhysioNet 条目描述页原文
55,078 / 26,807 / 10,053 / 3,629	PhysioNet 条目描述页
四种药物与 CLSI 2017 折点	PhysioNet 条目描述页与 data dictionary
25 种抗生素定植压力	PhysioNet 条目描述页
三个 CSV + 字典	PhysioNet Files 区
泄漏窗口 7/2/7 天	PhysioNet 条目描述页局限节
去标识化四手法	PhysioNet 条目描述页
许可与访问类型	PhysioNet 条目页与 License 页
67% / 18% / 1,066 / 183	Science Translational Medicine 摘要
3,629 名测试患者	同上
KDD 多目标论文	MIT Clinical ML 数据集页引用列表

10.5 附录 D：引用格式

Oberst, M., Boominathan, S., Zhou, H., Kanjilal, S., & Sontag, D. (2020).
AMR-UTI: Antimicrobial Resistance in Urinary Tract Infections (version 1.0.0).
PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/se6w-f455

Kanjilal, S., Oberst, M., Boominathan, S., Zhou, H., Hooper, D. C., & Sontag, D. (2020).
A decision algorithm to promote outpatient antimicrobial stewardship for
uncomplicated urinary tract infection. Science Translational Medicine,
12(568), eaay5067. https://doi.org/10.1126/scitranslmed.aay5067

---

编辑说明

核验时点：2026-10-18。规模、字段、许可、访问条件与主结果均回读 PhysioNet 条目页与 Science Translational Medicine 摘要。

核验方式：患者数、训练/测试切分、四种药物、CLSI 折点、定植压力的 25 种抗生素、三个 CSV 文件、泄漏窗口、去标识化四手法、许可与访问类型，均以 PhysioNet 条目描述页与 Files 区原文为准；67% 与 18% 的降幅、3,629 名测试患者、1,066/1,157 与 183/392 两组条件结果，取自主论文摘要原文；配套 KDD 论文与代码仓库路径取自 MIT Clinical ML 数据集页的引用列表。

口径边界：四种耐药标签与 25 种定植压力用药不合并表述；训练/测试按年份切分而非随机切分，正文明确写出；92% 与 47% 标明为条件正确率并给出分母；ARMD 系列的 55 种抗生素覆盖数不与 AMR-UTI 的四种混淆。

未覆盖内容：数据总体积官方未公布，本文不给估算；标本级总条数与菌株分离数在条目页未给出精确值，本文不推算；各文件的逐字段取值分布未在条目页公开，附录 B 只列语义易错点，不列分布；定植压力三层次的具体算法细节需查论文方法节，本文只述其定义与粒度。

体例说明：本页按 v4 体例撰写，章节编号 §1–§10 连续，术语与口径集中在 §9，事实清单与附录集中在 §10。本页由「千方病案医数集」编辑部撰写，最终以数据库记录为准。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• armd-mgb — 共享标签：电子健康记录 / 公共卫生与流行病学 / 真实世界数据 / 疾病监测 / 评测基准
• mends — 共享标签：电子健康记录 / 公共卫生与流行病学 / 真实世界数据 / 疾病监测
• oecd-health — 共享标签：电子健康记录 / 公共卫生与流行病学 / 评测基准
• ucdp — 共享标签：电子健康记录 / 公共卫生与流行病学 / 评测基准
• face-oral-temp-data — 共享标签：公共卫生与流行病学 / 真实世界数据 / 疾病监测
• maternal-ultrasound-nutrition — 共享标签：电子健康记录 / 公共卫生与流行病学 / 真实世界数据
• ehrshot — 共享标签：电子健康记录 / 医学问答与基准 / 评测基准
• openfda — 共享标签：电子健康记录 / 公共卫生与流行病学 / 真实世界数据
• world-bank-open-data — 共享标签：电子健康记录 / 公共卫生与流行病学 / 评测基准
• gemini — 共享标签：电子健康记录 / 公共卫生与流行病学 / 真实世界数据

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。