信息速览

数据集名称ANZICS APD — 澳新 ICU 成人质控注册数据库 AI-Ready Wikipedia | 千方病案医数集

数据类型350 万+ 次住院发作,约 19.9 万成人次/年（FY2022/23）,季度提交,受控申请获取,CSV/Excel 定制提取

规模350 万+ 次 ICU 住院发作（成人，截至 2026-09 官方口径）

接入方式澳大利亚与新西兰重症监护学会成果与资源评估中心（ANZICS CORE） url: https://www.anzics.org/advocacy/core-icu-registries/registry-datasets/adult-patient-database

AI 就绪度

数据集封面

ANZICS APD — 澳新 ICU 成人质控注册数据库 AI-Ready Wikipedia

INFOBOX

字段	内容
数据集名称	ANZICS Adult Patient Database（ANZICS-APD）
英文全称	Australian and New Zealand Intensive Care Society Adult Patient Database
别名/简称	ANZICS APD；APD；澳新 ICU 成人患者数据库
疾病分类（ICD-11）	1G40 脓毒症；1G41 感染性休克；BA41 急性心肌梗死；GB60 急性肾损伤；RA01 COVID-19（覆盖全病种成人 ICU 人群）
SNOMED CT	10001005（Sepsis）；22298006（Acute myocardial infarction）；35455006（Acute kidney failure）；840539006（COVID-19）
数据模态	ICU 注册登记数据（成人入院、诊断、治疗、结局）
AI 任务类型	院内死亡率预测；风险调整 SMR 基准；资源利用与 ICU 负荷建模；长程生存链接研究
样本总数	350 万+ 次 ICU 住院发作（截至 2026-09，官方页面）
数据大小	定制研究提取交付，未公开固定总量
数据格式	CSV/Excel 定制提取 + 数据字典（PDF/Excel）+ COMET 采集模板
许可证	ANZICS CORE 数据访问与出版政策（受控访问，数据不属于公共领域）
访问级别	申请审核（Data Request Form → 委员会评审 → 数据使用协议）
DUO 标签	GRU（通用研究使用）；IRB（需伦理批准）；PUB（须公开发表并经 CORE 审批）
语言	English（数据字典与字段标签）
首发日期	1992
最后更新	持续更新（季度提交；截至 2026-09）
发布机构	澳大利亚与新西兰重症监护学会成果与资源评估中心（ANZICS CORE）
官方主页	anzics.org APD 页面
下载地址	无公开下载；经 CORE Data Request Form 申请（anzics.core@anzics.org）
引用次数	核心应用论文（Kaukonen 2014, JAMA）1,200+（Scopus，截至 2026-09）
AI 就绪度评分	⭐⭐（2/5）— 数据字典完备、结局标注质控严格，但受控获取、无官方划分与公开预处理脚本，跨年份字典变更需人工对齐
页面状态	published

§0 E-E-A-T 审核与免责

医学审核者：[千方病案医学编辑部] 交叉审核：§2 医学背景（ICD-11/SNOMED CT 映射、脓毒症与心脏骤停流行病学）、§7 偏倚分析。
数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。ANZICS APD 数据属于 ANZICS CORE 与贡献 ICU，不在公共领域；研究者须经 ANZICS CORE Data Request Form 申请、通过委员会评审并签署数据使用协议，发表与演示须获 CORE 批准。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ ANZICS APD（Australian and New Zealand Intensive Care Society Adult Patient Database）是澳大利亚与新西兰重症监护学会运营的国家级 ICU 成人患者注册数据库。澳大利亚与新西兰超过 97% 的 ICU 每季度把每一次成人 ICU 入院的诊断、严重程度评分、治疗与结局上报到中央数据库，累计已超过 350 万次住院发作。

为什么重要？ 它是全世界历史最长、覆盖最完整的 ICU 质控注册体系之一：自 1992 年运行至今超过 30 年，被澳大利亚医疗安全与质量委员会认定为临床质量注册库（Clinical Quality Registry）。用它做的风险调整死亡率基准（SMR）和 outlier 管理程序，被认为是澳新 ICU 死亡率长期领先全球的重要制度因素之一。

我能用它做什么？ 前提是通过 ANZICS CORE 的数据申请流程获得受控提取。之后可以做：院内死亡率预测建模（与 ANZROD/APACHE III-j 基线对比）、大跨度流行病学与长期趋势分析、ICU 资源利用与负荷研究、跨国家结局比较。它不是公开下载包，检索式"一条命令下载数据"对它不适用。

§1.1 摘要

APD 采用"单位采集 + 集中验证"的注册库架构：各 ICU 用标准化工具 COMET 或经校验的临床信息系统按统一数据字典录入每次成人 ICU 入院的患者水平数据，每季度经 CORE Portal 提交，系统自动产出验证报告（重复入院、重叠区间、缺失字段、格式错误、关键 SMR 字段缺失超过 20% 即拒绝文件），单位更正或确认后入库。数据字段覆盖人口学（中位年龄 65 岁）、入院来源与类型、APACHE III-j 及其前 24 小时最差生理组分、诊断编码、有创通气、肾替代治疗等干预、自 2007 年起的四分类治疗目标、自 2017 年起的衰弱评分，以及 ICU/总住院时长、院内死亡与再入院结局。风险调整使用本地开发的 ANZROD 模型（验证 AUROC 0.902），替代美制 APACHE III-j 成为基准主干。研究者按政策申请定制去标识化提取。本章其余各节（横向对比、版本时间轴、应用场景）为该架构导出的可比较事实。

§1.2 战略价值

质控级标注质量。与多数研究型 ICU 数据库不同，APD 的每一行数据都经过"提交 → 验证报告 → 单位更正/确认"的闭环，且提交端有硬性拒绝规则；结局变量（院内死亡）来自常规行政收集而非回溯标注，标注偏差远小于研究数据库。对需要"可信标签"的死亡率预测研究，这是稀缺属性。

双国 30 年时间纵深。1992 年至今、覆盖近 99% 澳大利亚 ICU 入院与 80%+ 新西兰 ICU 入院的连续数据流，支持单一数据库难以完成的时间趋势与政策评估研究。Kaukonen 等基于 APD 的脓毒症死亡率时间趋势（JAMA 2014）与 SIRS 标准再审视（NEJM 2015）两篇论文合计被引超过 2,100 次，直接影响了 Sepsis-3 定义的重写。

制度化的基准生态。ANZROD/APACHE III-j + SMR 漏斗图 + outlier 治理构成完整评测协议，任何新模型的"增益"都可以在同一风险调整框架下量化（如 Nanayakkara 2018 的机器学习集成模型将心脏骤停队列 AUROC 从 0.81 提升到 0.87）。

政策与疫情响应的可信底座。注册体系被用于 COVID-19 期间的国家 ICU 容量监控（2020 年 CHRIS 系统实现每日床位与重症患者实时上报）、与 SPRINT-SARI 协作产出疫情报告，并被澳大利亚联邦与州卫生部门用于疫情规划。对 AI 研究者，这意味着 casemix 与资源字段经历过真实公共卫生场景的检验，字段语义稳定、可支撑政策级分析。

四维价值合起来指向一个定位：APD 不是"最容易上手的 ICU 数据"，而是"结论最容易被临床与政策界接受的 ICU 数据"——代价是获取周期与工程自助成本。

§1.3 同类数据集横向对比

数据集	规模	模态	标注	与 APD 的差异化
ANZICS APD	350 万+ 次住院发作（1992 至今）	ICU 注册登记（成人， episod 级）	质控闭环结局 + APACHE III-j/ANZROD 评分	受控申请；双国人口全覆盖；质控级结局；无高频波形/检验
MIMIC-III/IV	4 万+ / 约 6.5 万 ICU 入院	单中心 EHR（波形+检验+用药+文本）	研究者自标注（脓毒症等表型）	公开（培训后）；数据粒度细但外推性弱，无质控注册闭环
eICU-CRD	20 万+ 次入院	美国多中心远程 ICU EHR	研究用抽提	公开；美国 casemix 与流程差异大，适合与 APD 做跨系统验证
ANZPIC Registry	每年约 1.2 万儿科入院	ICU 注册登记（儿科）	同一 CORE 质控体系	APD 的姊妹库；成人/儿科不可混用

对比表的读法：APD 的规模与时间是所有行中最大的，但数据粒度是最粗的——选库的本质是"要全人群外推性还是要细粒度时序"，两者目前不可兼得。

§1.4 版本时间轴

年份	事件
1991-1992	ANZICS Computer Interest Group 成立，APD 开始多中心汇聚数据
1992	APD 正式建立（Stow 等记载的基准年）
2003	注册数据首篇科学发表
2007-01	治疗目标四分类字段上线（积极治疗/限治/姑息/潜在器官捐献）
2013	ANZROD 风险调整模型发布（2004-2009 数据训练验证）
2017	衰弱评分变量加入；ANZROD0 入院版模型发布
2019	与澳大利亚健康与福利研究院（AIHW）建立持久国家死亡索引链接；ECMO 数据集启动
2020	CHRIS 实时资源系统上线，支撑 COVID-19 应对
2023	注册体系 30 周年；云端 COMET 覆盖 90%+ 单位；超 200 篇同行评审论文
2025-2026	季度提交节奏持续（Q4 2025 批次于 2026-02-01 提交），数据字典年度/半年度发版

时间轴的两个结构性断点对建模最重要：2007（治疗目标字段起点）与 2017（衰弱变量起点）；2007 年之前的分析一律视这两个维度为"不存在"而非"缺失"。

版本信息的一句话总结：APD 没有传统意义上的"v1/v2 数据集版本号"——它是一条持续流动的数据河，"版本"由字典发布年份 + 提取季度共同定义，引用时写明两者即可精确定位。

§1.5 典型应用场景

风险调整死亡率基准：单位级 SMR + 漏斗图 outlier 识别（Paul 2016；CORE 治理程序）。
死亡率预测建模：以 ANZROD/APACHE III-j 为基线，训练梯度提升或神经网络模型（Nanayakkara 2018）。
脓毒症流行病学与定义研究：跨 13 年的时间趋势与 SIRS 标准再评估（Kaukonen 2014、2015）。
临终决策与器官捐献研究：利用 2007 年起的四分类治疗目标字段分析姑息入院与潜在捐献入院（Crit Care Med 2018）。
卫生服务与 ICU 负荷研究：ICU 负荷指数与死亡率、延迟出院、再入院的关系（Pilcher 2023，Crit Care Med）。
跨系统模型验证：把在 MIMIC/eICU 上训练的 ICU 模型放回澳新全人群 casemix 检验校准，回答"换一个医疗系统还成立吗"。
疫情与 surge 规划：结合 CCR 资源调查与 CHRIS 容量数据，模拟疫情情景下 ICU 承载与结局。

§2 医学背景

§2.1 ICD-11 编码映射表

APD 的诊断字段按 APACHE III 诊断目录编码，研究时可按下表映射到 ICD-11 章节做跨库比较。映射为"目录级"而非"细目级"：APACHE 目录约数十个主诊断组，无法逐条对应 ICD-11 细目，跨库比较应在诊断组层面进行。

标签（中文）	ICD-11 编码	术语（英文）	说明
脓毒症	1G40	Sepsis	APD 收治诊断中占比高；新西兰第二常见收治诊断
感染性休克	1G41	Septic shock	Kaukonen 2014 队列的核心结局载体
急性心肌梗死	BA41	Acute myocardial infarction	缺血性心脏病收治主诊断代表
急性肾损伤	GB60	Acute kidney failure	与 RRT 干预字段联动分析
COVID-19	RA01	COVID-19	2020 年起注册体系专项上报（CHRIS/SPRINT-SARI 协同）

§2.1b SNOMED CT 映射表

SNOMED CT 列仅收录编码高置信的概念；其余 APACHE 诊断组建议经术语服务（如专门的映射工具与本地术语服务）对齐，避免手工映射引入错误。

标签（中文）	SNOMED CT 码	术语（英文）	说明
脓毒症	10001005	Sepsis (disorder)	常用于跨注册库的疾病概念对齐
急性心肌梗死	22298006	Acute myocardial infarction (disorder)	与 ICD-11 BA41 对应
急性肾损伤	35455006	Acute kidney failure (disorder)	与 GB60 对应
COVID-19	840539006	COVID-19 (disease)	与 RA01 对应

§2.2 疾病简介与流行病学

APD 覆盖的是"全病种成人 ICU 人群"而非单一疾病队列。按 FY2022/23 统计，澳新每年约 19.9 万成人进入 ICU，中位年龄 65 岁，男女比例 57%/43%，38% 为择期手术后计划入住；入院来源中手术室/复苏室占 52%、急诊 26%、普通病房 16%、外院转院 6%。澳大利亚最常见的 ICU 收治诊断已由骨科手术变为冠脉搭桥（CABG），新西兰最常见诊断同为 CABG，脓毒症升至第二位。

在结局端：全人群院内死亡率约 9.5%-11.3%（依队列年份与排除标准不同，见 ANZROD0 与 ANZROD 开发队列）；院外心脏骤停后入 ICU 人群死亡率高达 45.5%（2006-2016，39,566 例）；严重脓毒症与感染性休克死亡率在 2000-2012 年间呈持续下降（Kaukonen 2014），且约八分之一严重脓毒症患者不满足 SIRS 标准、其死亡率与 SIRS 阳性者相近（Kaukonen 2015），这两项发现直接推动了 Sepsis-3 定义的修订。

流行病学细节对建模有直接含义：择期术后占 38% 意味着近四成 episode 的死亡风险基线极低、评分区分度主要由急诊人群贡献；CABG 与脓毒症分列收治诊断前两位意味着诊断编码目录中"心血管"与"感染"两大类承载了最大的样本量，少数类诊断组的合并策略（§4.1 DAIMS 第 7 项）必须在建模前定案；中位 ICU 住院仅 1.8 天说明 APD 的典型 episode 是"短住 + 低强度干预"，长住机械通气人群是小而重要的尾部。

§2.3 临床任务定义

任务类型	输入窗口	标签	官方/社区基线	主要评估指标
院内死亡预测（预后）	入院 + 前 24h 最差生理值	hospital_mortality	APACHE III-j；ANZROD	AUROC、Brier、Hosmer-Lemeshow
入院时点死亡预测	仅入院信息	hospital_mortality	ANZROD0	AUROC 0.853（Paul 2017）
风险调整质量基准	全队列	SMR = 观测/预测	ANZROD + 漏斗图 99.8% 控制限	SMR、过离散度
ICU 负荷/效率建模	时期汇总	死亡率、延迟出院、再入院	Activity Index（Pilcher 2023）	事件率比值
长程生存	死亡索引链接	出院后 1-3 年死亡	Cox / 生存分析	生存曲线、HR

预后预测：以入院早期变量预测院内死亡。APD 的"金标准"基线是 APACHE III-j（仅入院信息+前 24 小时最差生理值）与 ANZROD（APACHE 组分 + 入院来源 + lead time + 通气状态 + 治疗限制）。
风险调整质量基准：单位级 SMR = 观测死亡 / ANZROD 预测死亡，配合漏斗图 99.8% 控制限识别 outlier（Paul 2016）。
资源与流程任务：ICU 住院时长、延迟出院、再入院（4.3%）、ICU 负荷指数建模。
长程生存：2019 年起与国家死亡索引链接，支持 3 年及以上生存分析（CORE 2020 报告）。

§2.4 患者人群表

维度	内容
来源	澳大利亚与新西兰 97%+ 成人 ICU（近 99% 澳洲 / 80%+ 新西兰入院覆盖率）
时间	1992 年至今连续收集；常用研究窗口 2000 年以后
年龄	中位 65 岁（成人库；16 岁以下进 ANZPICR）
性别	男 57% / 女 43%（FY2022/23）
种族	含原住民（First Nations）数据，受 Indigenous Data Sovereignty 政策约束
就医类型	择期术后 38%；急诊来源为主其余；再入院 4.3%（同住院期间）

人群口径提醒：APD 记录的是"ICU 入院发作"而非"人"——一名患者一年内多次入住会计多次。报告"患者数"还是"发作数"必须在方法节写明，两者不可混用；同住院再入院（4.3%）只是其中一部分差异。

§2.5 临床价值

APD 把"重症监护质量"变成可审计的数字：CORE 的 outlier 管理程序是国际公认的临床质量注册成功案例，2020 年官方报告估算每投入 1 澳元即通过 outlier 项目为医疗系统节省约 4 澳元。对 AI 研究者，其价值在于提供了一个"全人群、低选择偏倚、结局可信"的参照系：任何在单中心 EHR（如 MIMIC）上训练的 ICU 模型，都应回答"在澳新全人群 casemix 下表现如何"，APD 提供的 casemix 分布与 ANZROD 基线是回答该问题的锚点。

对临床指南制定者，APD 的 30 年序列还提供了"干预推广前后"的天然对照：标准化采集工具、限治政策与脓毒症 bundle 的推广效果都可在同一风险调整框架下评估，这是碎片化单中心数据无法提供的能力。

§2.6 金标准表

维度	内容
划分	无官方训练/测试划分；传统建模用 2/3 训练 + 1/3 验证（ANZROD 2013），机器学习研究用 90:10（Nanayakkara 2018）
标注方式	结局（院内死亡）为行政常规收集；诊断按 APACHE III 诊断目录由受训收集员人工编码；评分由算法自动计算
标注者	各 ICU 受训数据收集员（COMET 培训体系）+ 中央验证报告 + 年度数据质量培训
性质	质控级注册数据（quality registry），非研究标注队列；无独立盲法二标注

金标准的含义：APD 的"金标准"是结局与风险调整的制度可信性，而非像素级人工标注。深度学习任务若需要富标注（病灶分割、影像分期），此库不提供；它提供的是"结局 = 行政真相、人群 = 全覆盖"这一在 ML 评测中同样稀缺的基准属性。

§3 数据集规格

§3.0 版本抉择矩阵

你的需求	推荐版本/口径	大小	理由
最新建模研究（含衰弱、长程生存）	2017 年及以后字典版本的定制提取	按申请	衰弱变量 2017 年加入；死亡索引链接 2019 年可用
复现 ANZROD/经典论文	2004-2015 历史提取 + 对应年份字典	按申请	ANZROD 开发窗口 2004-2009；ANZROD0 窗口 2006-2015；须复刻同套排除
长期趋势/政策评估	1992 至今全序列	按申请	须处理 2007 治疗目标字段起点、字典年度修订与 COMET 上线断点

矩阵补充：无论选择哪一行，申请时都应注明所需字典版本与时间窗，CORE 交付会据此裁剪；三行口径不可在一次分析中混用。

§3.1 模态详情

APD 是纯"登记型结构化表格"模态：每次成人 ICU 入院一行（episode 级），字段分六组：

字段组	代表字段	说明
人口学与入院	年龄、性别、入院日期、入院来源、入院类型	episode 的静态描述
严重程度	APACHE III-j 组分与总分	前 24 小时最差值合成
诊断	APACHE III 主诊断目录码、慢性合并症	人工按目录编码
治疗	有创通气 24h 状态、RRT、血管活性等干预标志	定义窗口内二值记录
决策	四分类治疗目标（2007+）、衰弱评分（2017+）	临终决策与老年校正
结局	ICU 时长、总住院时长、院内死亡、出院去向、再入院	行政结局

字段组说明：不含波形、影像、自由文本或逐小时检验序列；需要细粒度时序的研究应改用 MIMIC-III/IV 等库并将 APD 用作外部验证靶人群。

§3.2 按子集样本数表（已验证研究队列）

子集	时间窗	样本	来源
ANZROD 开发/验证队列	2004-2009	456,605 例（死亡率 11.3%）	Paul 2013, J Crit Care
ANZROD0 入院版队列	2006-2015	1,097,416 例（死亡率 9.5%）	Paul 2017, Anaesth Intensive Care
治疗目标研究队列	2007-2016	1,205,153 例 / 179 ICU	Crit Care Med 2018
心脏骤停 ML 队列	2006-2016	39,566 例 / 186 ICU（死亡率 45.5%）	Nanayakkara 2018, PLoS Med
固定效应模型队列	2009-2010	首次入住分医院队列	PLoS One 2014
年度全库流入	FY2022/23	约 19.9 万成人次	ANZICS CORE / ICU Foundation

读表注意：各研究队列差异不仅来自时间窗，也来自"行"的定义——ANZROD 队列以"对某医院的首次 ICU 入院"为单位（PLoS One 2014 口径），治疗目标研究剔除无治疗目标记录的行，心脏骤停队列再叠加"入院前 24h 内骤停"的条件。申请提取时按自己选定的锚点研究写清行定义。

§3.3 格式表

形态	格式	说明
研究提取	CSV/表格数据（依申请变量裁剪）	去标识化，随附变量级说明
数据字典	PDF/Excel（APD Data Dictionary、Programmer’s Dictionary）	定义、值域、诊断码、修订记录
采集模板	COMET 工具 / APD Data Collection Form（Word/PDF）	单位端录入标准
提交规范	APD Minimum Dataset + Submission Format（Excel）	季度提交的最小字段集
采集端工具	COMET（云端标准工具）	90%+ 单位使用；内置字段级校验
提交界面	CORE Portal	季度提交、验证报告、基准报告的一体化入口

格式要点：COMET 与 CIS 直传两条采集路径产出同一字典口径的字段；提交文件以年度为单位切割（超过 12 个月的数据会被拒绝），因此跨年研究提取天然按年分片。

§3.4 存储大小

官方未公开全库固定总量；350 万+ 行 episode 级记录、约 100-200 个字段量级，全库 CSV 形态估计在数 GB 级（此为依据行数与字段数量级的工程推断，非官方数字）。单次研究提取通常远小于全库（如心脏骤停队列 39,566 例提取仅数十 MB）。工程实践建议：单年全字段提取（约 20 万行 × 150 列）以 pandas 8-16 GB 内存即可处理；20 年全序列合并建议采用分年读取 + 列裁剪策略，避免一次性装载。

§3.5 标注方式

结局与暴露均为登记式自动/半自动产生：院内死亡来自医院行政结局记录；APACHE 评分由录入的最差生理值按算法自动计算；诊断与合并症由收集员按目录人工编码；治疗干预为定义明确的二值标志（如 RRT）。没有"模型标注"或"弱监督"成分——所有标签链路都可追溯到录入与验证事件，这是其相对弱监督数据集的本质优势。

§3.6 标注者资质与一致性

数据收集员经 COMET 培训体系与年度数据质量培训认证；每次提交后中央验证报告强制更正/确认；CORE 配有数据质量与教育项目（workshops），儿科库另有年度独立审计、成人库曾于 2006 年试点独立审计。注册库不发布标注者间 kappa，质量以提交拒绝率与验证往返记录间接保证。官方标准化采集工具研究（COMET vs 临床信息系统直接抽取）表明，标准化工具产出更可信的合规数据——这对 AI 使用者的含义是：同一字段在"COMET 单位"与"CIS 直传单位"间的录入质量可能不同，稳健性分析宜按采集方式分层。

§3.7 采集周期

季度提交（按 ICU 入院日期归属季度）：Q4 2025 批次提交截止 2026-02-01，Q1 2026 截止 2026-05-01，Q2 2026 截止 2026-08-01，Q3 2026 截止 2026-11-01。文件超过 12 个月数据、含重复/重叠入院、缺失字段或格式错误会被拒绝。对时间敏感的研究，最新完整年度通常滞后 1-2 个季度；数据年度报告以财政年为口径（7 月至次年 6 月）。

§3.8 地域覆盖

澳大利亚六个州与两个领地 + 新西兰全部成人 ICU（含公立与私立、都会/区域/农村、三级/地方各层级，Paul 2016 按 rural/metropolitan/tertiary/private 四类分层基准）。2019-2021 年扩展死亡索引链接：澳大利亚国家死亡索引（AIHW）持久链接，新西兰死亡索引链接 2021 年完成。地理覆盖的另一面是地理偏倚：AU、NZ 人口分布极广（澳洲约 770 万平方公里、新西兰 27 万平方公里），偏远单位（如北领地）样本小而 casemix 特殊，亚组分析时按医院类型分层是标准动作。

§3.9 设备规格

无设备级数据。呼吸机、血滤机等仅以"是否在定义窗口内接受该干预"的二值标志存在；无设备型号、参数或波形。设备相关 ML 任务（如通气策略、血流动力学轨迹）不适用本库。若任务确实需要设备层数据，可组合方案是：APD 提供队列骨架与结局，向参与站点申请前瞻性补充采集（NCCR 平台支持在注册库之上叠加新变量的前瞻收集）。

§3.10 深度溯源链

完整溯源链路共八环，每一环均有政策文件与审计痕迹：

ICU 数据收集员按字典定义从病历与床旁系统采集；
COMET 工具内置字段级校验（合法值域、必填、逻辑一致性）；
单位本地复核；
CORE Portal 季度提交（附最小数据集校验）；
中央自动验证（重复/重叠/缺失/格式/SMR 关键字段）；
验证报告返回单位，强制更正或确认后重报；
入库至 ANZICS 中央数据仓库；
产出 CORE 基准报告（SMR/漏斗图/EWMA/COMET 仪表盘）与研究者定制提取。

这属于医疗数据中少见的长链路溯源设计：任何一行研究数据都能回答"谁录入、何时提交、经过哪轮校验"，是 APD 标签可信度的制度根基。

§4 数据结构

§4.0 目录树

APD 无公开下载包，研究者收到的是按申请裁剪的定制提取。以下为典型交付形态的目录树预览（实际文件名随 CORE 交付批次而定）：

anzics_apd_extract/
├── apd_episodes_2004_2015.csv        # episode 级主表：每次成人 ICU 入院一行
├── apd_dictionary_current.pdf        # 当前版 APD 数据字典（定义/值域/修订记录）
├── apd_min_dataset_2026.xlsx         # 最小数据集与提交格式（字段核对用）
├── apache_iii_diagnosis_codes.csv    # APACHE III 诊断目录编码表
├── value_ranges.txt                  # 各变量合法值域（验证规则摘要）
└── data_use_agreement.pdf            # 签署后的数据使用协议存档

目录树说明：APD 交付不含训练/验证子目录——划分由研究者自理（§5）；诊断码表与值域文件务必与提取批次同版使用，混用其他年份的码表是跨版本错误的最常见来源。

§4.1 DAIMS 字段字典（核心字段 14 项）

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
episode_id	Integer	一次 ICU 入院发作唯一标识（去标识化后）	1048576	主键/去重	极低（中央校验重复）	不适用	正整数
hospital_unit_id	Integer	贡献 ICU 编码（研究提取中通常匿名化）	37	分组 CV/医院随机效应	低	不适用	编码表
admission_date	Date	ICU 入院日期	2014-03-17	时间分层/漂移监测	低（季度归属以此为准）	不允许缺失	1992 至今
age	Float	入院年龄（岁）	67.3	核心协变量	低	需插补指示	≥16（成人库）
sex	Categorical	性别	M	协变量/公平性分析	低	类别缺失码	M/F/其他
admission_source	Categorical	入院来源（手术室/急诊/病房/他院）	Emergency Dept	ANZROD 组分	中（跨字典版本口径变）	类别缺失码	字典枚举
elective_flag	Binary	是否择期术后计划入住	1	casemix 分层	低	不允许缺失	0/1
apache_iii_score	Integer	APACHE III-j 总分（前 24h 最差值合成）	63	严重程度/基线模型	中（依赖完整最差值）	正常值替代惯例（见坑点 2）	0-299
apache_diag_code	Categorical	APACHE III 主诊断目录码	Cardiovascular 12	诊断分层/罕见类分组	中（人工编码）	需编码表回查	目录枚举
treatment_goal	Categorical	治疗目标四分类（2007 起）	Full active management	临终决策研究/分层	中（主观判断）	2007 前结构性缺失	4 类枚举
invasive_vent_24h	Binary	入 ICU 时或前 24h 内有创机械通气	1	ANZROD 组分/干预标志	低	需指示变量	0/1（仅 24h 窗口）
renal_replacement	Binary	本次住院发作是否接受 RRT	0	器官支持分析	低	需指示变量	0/1
frailty_score	Float	改良衰弱评分（2017 起，入院前 2 个月）	4	老年人群校正	中（评估者间差异）	2017 前结构性缺失	字典定义量表
hospital_mortality	Binary	院内死亡结局（标签）	0	监督标签	低（行政结局）	结局未知需剔除	0/1
icu_los_hours / hosp_los_days	Float	ICU/总住院时长	51.2 / 12.4	效率与负荷任务	低	需指示变量	≥0
readmission_flag	Binary	同一住院期间 ICU 再入院	0	结局/流程质量任务	低	需指示变量	0/1（全库率 4.3%）
discharge_destination	Categorical	出院去向（回家/康复/他院等）	Home	事后分析/功能结局代理	中	类别缺失码	字典枚举

字典使用须知：上表"示例值"为语义示意，实际编码与枚举文本以对应年度字典为准；discharge_destination 与时长类字段属结局邻近变量，禁止进入预测特征集（§6.1）。

§4.2 标签分布

标签为 episode 级院内死亡（0/1）。已验证队列的阳性率：

队列	时间窗	阳性率	来源
ANZROD 开发队列	2004-2009	11.3%	Paul 2013
ANZROD0 队列	2006-2015	9.5%	Paul 2017
心脏骤停子队列	2006-2016	45.5%	Nanayakkara 2018
全库近年	按年度	约 9%-10% 量级	注册年报

全库阳性率随 casemix 与限治比例缓慢变化——任何子研究都应报告自己的阳性率而非沿用全库数字。类别失衡约 9:1 到 11:1，推荐 BCEWithLogitsLoss 的 pos_weight 或重加权，而非 SMOTE 式过采样（§6.6）。

§4.3 关键统计

统计量	数值	截至口径
累计住院发作	350 万+	2026-09，官方页面
年度成人入院	约 19.9 万次	FY2022/23
中位 ICU 住院时长	1.8 天	FY2022/23
择期术后入院占比	38%	FY2022/23
同住院再入院率	4.3%	FY2022/23
ICU 数量	226 个（含儿科），成人库贡献 97%+	FY2022/23
ICU 总床位	2,655 张（澳 9.03 / 新 5.44 张每 10 万人口）	FY2022/23
入院来源结构	手术室/复苏 52%、ED 26%、病房 16%、他院 6%	FY2022/23
最常见收治诊断	澳：CABG；新：CABG，脓毒症第二	ICU Foundation

统计口径提醒：FY 为澳新财政年（7 月至次年 6 月）；"226 个 ICU"为 CCR 资源调查口径（含儿科与混合单元），与"成人库贡献 97%+"的 APD 口径不同，引用时勿混用。

§4.4 数据层级

层级为：医院 → ICU（unit）→ 住院发作（hospital episode）→ ICU 入院（ICU admission episode，主表一行）。与影像数据集的"患者 → 检查 → 序列 → 切片"四级结构不同，APD 的层级止步于 episode 级——没有逐小时时序层，这决定了它适合"结局回归/分类"而非"序列建模"。同一患者可有多次住院发作与再入院（4.3%），研究提取若含同一患者多行，需按患者标识（如可提供）聚合做分层抽样，避免同患者跨集泄漏；医院与 ICU 簇结构（226 个单位、四类医院类型）则要求聚类稳健标准误或分组交叉验证。

§4.5 缺失值与信息性缺失

机制	表现	处理
APACHE 正常值替代惯例	生理变量缺失时按"正常值替代并加权"计分 → 缺失拉低评分	建缺失指示变量；不要把缺失当作"病情稳定"
GCS 分量不完整	三分量缺失的行在严格研究被整体剔除（PLoS One 2014 惯例）	复现研究须同规则排除
结构性缺失	治疗目标 2007 前无；衰弱 2017 前无	按时间窗切分，勿跨缺补
结局未知	少数住院发作无医院结局	主流研究剔除该行
提交端保护	>20% 关键 SMR 字段缺失的批次被拒绝	提取到手后仍需自查字段完整率

操作建议：拿到提取后先跑一张"字段 × 年份"的缺失率热力表，结构性缺失（治疗目标 2007 前、衰弱 2017 前）与采集路径差异（COMET vs CIS）会一目了然；把这张表存进项目文档，它是后续一切插补决策的依据。

§5 数据划分与使用建议

官方划分：无。APD 是质控注册库，不提供训练/测试划分。这不是缺陷而是定位——注册库的全部行都是"现实"，任何划分都只是研究者的评测设计而非数据的内在结构。

社区惯例划分：

风险调整建模传统：随机 2/3 训练 + 1/3 验证（ANZROD 2013；ANZROD0 2017 同构）。
机器学习研究：随机 90:10（Nanayakkara 2018，心脏骤停队列）。
基准评测：不做随机划分，而是报告全队列校准（SMR、Hosmer-Lemeshow、Brier），与注册库的质控用途一致。

划分策略建议：优先按时间划分（如 2006-2013 训练、2014-2015 测试）以模拟前瞻部署；按医院分组交叉验证（GroupKFold by hospital_unit_id）评估跨中心泛化；casemix 分层（择期/急诊、四类医院类型）用于亚组报告。若研究目标是"下一季度表现"，时间外推划分（train on past, test on next quarter）比随机划分更接近真实部署误差，且能顺带暴露字典修订与治疗文化漂移的影响。

泄漏风险（重点）：

同一患者多次入院跨训练/测试集——按患者聚合划分。
ANZROD 预测概率本身含 lead time、通气状态、治疗限制等入院后 24 小时信息，把它当作特征预测死亡会造成标签泄漏与循环论证（见坑点 7）。
择期手术占比、医院类型等簇结构导致随机划分低估不确定性。
特征中的"结局邻近变量"（出院去向、总住院时长）只能用于事后分析，绝不能进入预测特征集——这看似显然，但在效率研究中最常被忽略。

交叉验证建议：外层按医院 GroupKFold（5 折），内层时间切分做早停；报告折间 AUROC 方差。若样本量允许，重复两次随机种子取均值。

外部验证建议：美国 eICU-CRD（casemix 与流程差异大）、单中心 MIMIC-IV；或等待 ANZPICR 之外的本地新年度数据做真前瞻验证。跨库验证时须重校准（recalibration）而非仅报告 AUROC：APD 的 ANZROD 校准 intercept/slope 应随目标人群重新拟合，这是注册库模型外推的标准动作。

最后一层稳健性：把全部划分策略下"最好"与"最差"的差距当作模型复杂度的选择依据——差距越大，越应退回更简单的模型；APD 全人群的 0.902 基线就是简单模型的边界参照。

时间划分的一个最小实现（供 §6.3 预处理之后直接使用）：

def temporal_split(df: pd.DataFrame, cut: str = "2014-01-01"):
    """按入院日期做时间外推划分：过去训练、未来测试。"""
    df = df.sort_values("admission_date")
    train = df[df["admission_date"] < cut]
    test  = df[df["admission_date"] >= cut]
    return train, test

# 建议同时报告三套划分的结果：随机 90:10 / 2:3-1:3 / 时间外推，
# 三者差距本身就是模型稳健性的诊断信号。

§6 AI 就绪指南

§6.0 云端快速启动

APD 不提供公开托管副本（Kaggle/HuggingFace/PhysioNet 均无），云端"一键运行"不适用。可行路径有三：

获批提取 + 受控云环境：把 CORE 交付的提取放入协议允许的安全分析环境（医院/大学受控对象存储或隔离工作区），环境访问权限需在数据使用协议中列明。
ANZICS 年度 Datathon：使用大会提供的脱敏数据在数天内完成端到端练习，是验证研究思路可行性、建立 CORE 联系的最低成本入口（CICM 指南推荐将其作为正式申请前的热身）。
NCCR 平台：在 National Critical Care Research Platform 上设计基于 APD 的回顾性研究，由平台协调站点与数据。

本章代码均假设提取已就位；列名按公开字典的语义命名，实际以交付批次的字典为准。

§6.1 快速上手

下面的代码假设获批提取已解压为 anzics_apd_extract/（结构见 §4.0），DATA_ROOT 为该目录的父路径；apd_episodes_*.csv 为主表，最小可用子集为"年龄 + APACHE III 总分 + 院内死亡"三列即可跑通基线。

import pandas as pd
from pathlib import Path

DATA_ROOT = Path("anzics_apd_extract")          # 提取目录
episodes = pd.read_csv(DATA_ROOT / "apd_episodes_2004_2015.csv", low_memory=False)

# 最小可用子集：三列基线队列
df = episodes[["age", "apache_iii_score", "hospital_mortality"]].dropna()
df["hospital_mortality"] = df["hospital_mortality"].astype(int)
print(df.shape, df["hospital_mortality"].mean())   # 例如 (456,605 行规模, ~0.11)

两条硬约束先于一切建模：其一，episode_id 必须保留至划分完成之后（用于查重与分组）；其二，任何"结局邻近"字段（出院去向、总住院时长、再入院标志）立即从特征候选中剔除，只允许作为事后分析变量。APACHE 组分列（心率/血压/体温/氧合/肾脏/血液/GCS 的最差值）与总分列同时保留——组分用于特征工程，总分用于基线对比，两者不可混入同一模型后宣称"超越 APACHE"。

新手最常见的三个起步错误：把 CSV 全部列一股脑丢进模型（诊断码、去向等泄漏列混入）；用 fillna(0) 处理生理缺失（与 APACHE"正常值替代"语义完全相反）；忽略 hospital_unit_id 直接随机划分（低估跨中心误差）。§6.3 与 §6.4 的代码骨架已按正确姿势处理这三点，建议在其基础上改而不是从零写。

§6.2 数据获取

步骤	内容	要点
1 可行性确认	邮件联系 anzics.core@anzics.org 描述问题与变量需求	先联系再走伦理，CORE 会确认可行并指向类似工作
2 伦理	本机构 Low/Negligible Risk 伦理通常足够	数据链接类研究更复杂，需专门经费
3 正式申请	提交 ANZICS CORE Data Request Form（目的/设计/变量/安全/伦理/产出）	委员会评审
4 协议签署	签署数据使用协议（Data Use Agreement）	数据产权属 CORE 与贡献 ICU
5 接收与分析	收取定制去标识化提取	发表与演示须先获 CORE 批准

获取入口：Data Requests and Research；数据字典与工具：Data Collection Tools。

时间预期（CICM 指南口径）：可行性确认数周；委员会评审与协议签署以月计，全流程"比多数人预期的更久"；死亡索引等链接研究显著更复杂且通常需要专门经费。因此把"数据到手日"而非"立项日"作为项目计划的关键路径起点。

申请材料的写法建议：变量清单按"研究问题必须 → 强烈建议 → 顺带"分三档，委员会对最小化申请的好感远高于全字段索取；数据安全段写清存储环境、访问名单与销毁计划，能显著缩短往返轮次。

§6.3 预处理全流程

格式转换（CSV → 分析表）→ 清洗（去重、结局未知剔除、队列排除对齐）→ 标准化（APACHE 惯例缺失处理 + 指示变量）→ 分层。超过 30 行，折叠如下：

<details>
<summary>预处理 Pipeline（点击展开）</summary>

import numpy as np
import pandas as pd
from sklearn.model_selection import GroupShuffleSplit

APACHE_NORMAL = {          # APACHE 惯例“正常范围替代值”（示意，按字典版本校准）
    "heart_rate_hi": 120, "heart_rate_lo": 60,
    "mean_bp_hi": 110,   "mean_bp_lo": 70,
    "temp_hi": 38.0,     "temp_lo": 36.0,
    "fio2": 0.21, "po2": 90.0, "ph": 7.4,
    "creatinine": 80.0, "hematocrit": 0.40, "wbc": 8.0,
}

def load_queue(episodes: pd.DataFrame,
               start: str = "2004-01-01",
               end:   str = "2015-12-31") -> pd.DataFrame:
    """复现主流研究队列口径：排除 ICU LOS<4h、年龄<16、结局未知。"""
    df = episodes.copy()
    df["admission_date"] = pd.to_datetime(df["admission_date"])
    df = df[(df["admission_date"] >= start) & (df["admission_date"] <= end)]
    df = df[df["icu_los_hours"] >= 4]                 # 与 PLoS One 2014 口径对齐
    df = df[df["age"] >= 16]
    df = df[df["hospital_mortality"].notna()]          # 结局未知剔除
    return df

def apache_style_impute(df: pd.DataFrame) -> pd.DataFrame:
    """缺失生理值 → 缺失指示变量 + 正常值替代（保留信息性缺失）。"""
    for col, normal in APACHE_NORMAL.items():
        if col in df.columns:
            df[f"{col}_missing"] = df[col].isna().astype(int)
            df[col] = df[col].fillna(normal)
    if "gcs_eye" in df.columns:                        # GCS 三分量须完整
        gcs_cols = ["gcs_eye", "gcs_verbal", "gcs_motor"]
        df = df[df[gcs_cols].notna().all(axis=1)]
    return df

df = load_queue(episodes)
df = apache_style_impute(df)
y = df.pop("hospital_mortality").astype(int).values

split = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(split.split(df, groups=df["hospital_unit_id"]))
X_train, X_test, y_train, y_test = df.iloc[train_idx], df.iloc[test_idx], y[train_idx], y[test_idx]

</details>

在此之上，ANZROD 风格的特征构造是进入基准比较的门票（超 30 行，折叠）：

<details>
<summary>ANZROD 风格特征工程（点击展开）</summary>

def build_anzrod_style_features(df: pd.DataFrame) -> pd.DataFrame:
    """按 ANZROD 2013 论文的预测因子家族构造特征（非官方实现，
    仅用于研究对照；官方系数以 CORE 发布为准）。

    特征家族：APACHE III 组分（前 24h 最差值）、入院来源、
    lead time、择期手术、通气状态、治疗限制、APACHE 诊断组。
    """
    out = pd.DataFrame(index=df.index)

    # 1. 人口学
    out["age10"] = df["age"] / 10.0                      # 每 10 岁刻度
    out["chronic_flag"] = df.get("chronic_health", 0)    # 慢性合并症标志

    # 2. APACHE 组分：保留缺失指示 + 替代值（坑点 2）
    physio = [c for c in df.columns if c.endswith(("_hi", "_lo")) or
              c in ("fio2", "po2", "ph", "creatinine", "hematocrit", "wbc")]
    for c in physio:
        out[f"{c}_missing"] = df[c].isna().astype(int)
        out[c] = df[c].fillna(APACHE_NORMAL.get(c, 0))

    # 3. 入院路径与 lead time
    out["lead_time_log1p"] = np.log1p(df.get("lead_time_hours", 0))
    out["elective"] = df["elective_flag"].astype(int)
    out["source_ed"] = (df["admission_source"] == "Emergency Dept").astype(int)
    out["source_ot"] = df["admission_source"].isin(
        ["Operating Theatre", "Recovery"]).astype(int)

    # 4. 治疗状态（入院 24h 窗口内）
    out["invasive_vent"] = df["invasive_vent_24h"].astype(int)
    if "treatment_goal" in df.columns:
        out["treatment_limited"] = df["treatment_goal"].isin(
            ["Treatment limitation order",
             "Palliative care of a dying patient"]).astype(int)

    # 5. 诊断组（APACHE 目录 → 大类 one-hot）
    diag_family = df["apache_diag_code"].astype(str).str.split().str[0]
    out = pd.concat([out, pd.get_dummies(diag_family, prefix="dx")], axis=1)
    return out

要点：treatment_limited 只用于敏感性分析场景（坑点 3）；lead_time 在"入院时点"任务中必须置 0 对齐 ANZROD0 口径。

</details>

运行前检查三件事：APACHE_NORMAL 的数值须按所持字典版本核对；one-hot 列按训练集拟合后在测试集补齐缺失列（DataFrame.reindex(columns=...)）；dx_ 前缀列在极端小诊断组上做合并（§4.1 DAIMS 第 7 项）。

§6.4 PyTorch DataLoader

<details>
<summary>PyTorch Dataset 完整代码（点击展开）</summary>

import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
from sklearn.preprocessing import StandardScaler

class ApdMortalityDataset(Dataset):
    """episode 级院内死亡预测数据集。

    预期输入：预处理后的 DataFrame（§6.3 输出）+ 标签数组。
    数值列标准化；类别列已在预处理中 one-hot。data_root 不参与
    拼接——APD 为受控提取，DataFrame 已在内存中。
    """
    def __init__(self, frame: pd.DataFrame, labels: np.ndarray,
                 numeric_cols: list[str], train: bool = True,
                 scaler: StandardScaler | None = None):
        self.numeric_cols = numeric_cols
        if train or scaler is None:
            self.scaler = StandardScaler().fit(frame[numeric_cols])
        else:
            self.scaler = scaler
        X = self.scaler.transform(frame[numeric_cols]).astype(np.float32)
        self.X = torch.from_numpy(X)
        self.y = torch.from_numpy(labels.astype(np.float32))

    def __len__(self) -> int:
        return len(self.y)

    def __getitem__(self, idx: int):
        return self.X[idx], self.y[idx]

def make_loaders(X_train, y_train, X_test, y_test,
                 numeric_cols: list[str], batch_size: int = 1024):
    train_ds = ApdMortalityDataset(X_train, y_train, numeric_cols, train=True)
    test_ds  = ApdMortalityDataset(X_test, y_test, numeric_cols,
                                   train=False, scaler=train_ds.scaler)
    train_dl = DataLoader(train_ds, batch_size=batch_size, shuffle=True,
                          num_workers=2, pin_memory=True)
    test_dl  = DataLoader(test_ds, batch_size=batch_size, shuffle=False,
                          num_workers=2, pin_memory=True)
    return train_dl, test_dl

# 训练骨架：9:1 阳性失衡用 pos_weight 而非粗暴上采样
model = torch.nn.Linear(len(numeric_cols), 1)
loss_fn = torch.nn.BCEWithLogitsLoss(
    pos_weight=torch.tensor((len(y_train) - y_train.sum()) / y_train.sum()))

使用要点：Dataset 假设特征已 one-hot（§6.3 输出）；pin_memory 仅在 CUDA 环境有效；百万行级数据下 batch_size 1024 足够，进一步加大对收敛无益。

</details>

§6.5 坑点 8 个

⚠️ 坑点 1：跨年份字典版本漂移（分类：预处理陷阱）

问题：数据字典按年度/半年度修订，变量定义、合法值域、诊断码会变更（官方政策明文允许" Amendments to definitions, value ranges, diagnosis codes and the addition of new data variables"），跨 10 年合并提取时同一列名可能不是同一含义。
症状：合并多年份数据后某变量分布出现结构性跳变；模型在同一特征上表现随年份系统性漂移；抽样核对发现取值集不同。
解决：

简单方法：按字典版本分年读取，逐列核对值域后再 concat，冲突列降级为年份内特征。

进阶方法：建立"字段 × 版本"映射表，仅保留跨版本定义不变的稳定特征集建模：
stable = [c for c in cols if version_map[c].nunique() == 1]  # 定义未变的列
SOTA 方法：把版本/年份作为分层固定效应或用因果森林类方法估计字典变更前后的处理效应，敏感性分析报告两种口径。
参考：ANZICS Data Requests & Research（字典修订条款）

⚠️ 坑点 2：APACHE"缺失即正常值替代"造成信息性缺失（分类：预处理陷阱 / 标签理解）

问题：APACHE III 计分惯例是缺失生理变量按正常范围替代并加权，导致"缺失"本身携带病情信息（未被记录 ≠ 生理正常），直接用评分或替代后数值会引入偏倚。
症状：缺失多的记录 APACHE 评分系统性偏低；加入"缺失计数"特征后模型 AUROC 明显上升，说明缺失在泄漏病情信息。
解决：

简单方法：为每个生理变量建二元缺失指示列，与替代值一起入模。

进阶方法：对评分做"已观测变量重算版"（drop-in missingness aware score），并比较与官方评分的 SMR 差异：
df["n_missing"] = df[[c for c in physio_cols]].isna().sum(axis=1)
SOTA 方法：用模式混合（pattern-mixture）或多重插补对缺失机制建模，报告"仅完整 GCS 行"（主流研究口径）与全样本两种结果。
参考：Fixed Effects Modelling on ANZICS APD（PLoS One 2014，PMC4100889）

⚠️ 坑点 3：限治与姑息患者混入死亡率分析（分类：标签理解 / 偏倚陷阱）

问题：自 2007 年起 APD 记录四分类治疗目标（积极治疗/治疗限制/姑息/潜在器官捐献），限治与姑息患者的死亡是"决策内生"的，把其与积极治疗患者混合训练会学到"谁被放弃"而非疾病规律。
症状：模型最重要的特征竟是治疗目标或入院类型而非生理指标；全人群校准曲线在高危端系统性抬高。
解决：

简单方法：主分析限定 treatment_goal = 积极治疗，其余作敏感性分析。

进阶方法：分目标分层建模 + 报告各层校准；或把治疗目标作为处理变量做倾向评分调整。

SOTA 方法：在联邦式 hospital-level 混合效应框架下同时估计治疗目标决策强度与患者风险，区分"选择效应"与"治疗效应"。
参考：Crit Care Med 2018（DOI 10.1097/CCM.0000000000002655）

⚠️ 坑点 4：队列排除口径不一致导致数字不可比（分类：评估误用）

问题：主流研究各有隐含排除——ICU 时长 <4h、年龄 <16、结局未知、GCS 分量不全——不同论文口径不同，直接对比"同一数据集上的 AUROC"会误判方法优劣。
症状：复现论文基线时数字对不上（如 11.3% vs 9.5% 的全因死亡率差异主要是窗口与口径不同）。
解决：

简单方法：在结果表逐行标注排除规则与队列窗口。

进阶方法：写一个统一的 load_queue()（见 §6.3）把排除规则参数化，一键切换口径做敏感性分析。

SOTA 方法：发布复现脚本与配置文件（如 Nanayakkara 2018 开源了其分析代码），供他人在同一口径下复核。
参考：PMC4100889 方法节；IntelliHQ/CardiacArrestMortality_ANZICS

⚠️ 坑点 5：同一患者多次入院与重叠发作（分类：工程陷阱 / 数据泄漏）

问题：APD 单位提交端会拒绝重复/重叠入院文件，但研究提取中同一患者仍可有多次合法住院发作与再入院（同住院再入院率 4.3%）；随机划分会让"同一人"同时出现在训练与测试集。
症状：测试集 AUROC 虚高；按患者聚合后性能下降明显。
解决：

简单方法：若有患者级链接键，按患者划分；没有则至少按 hospital_unit_id 分组划分。

进阶方法：GroupKFold + 组内时间排序，报告组间方差：
from sklearn.model_selection import GroupKFold
cv = GroupKFold(n_splits=5)   # groups=patient_id 或 hospital_unit_id
SOTA 方法：对再入院事件建模时用生存分析框架（联合脆弱模型）同时处理簇内相关。
参考：ANZICS APD 提交规则

⚠️ 坑点 6：把"前 24h 通气标志"当作全程通气状态（分类：标签理解）

问题：ventilation 字段仅记录"入 ICU 时或前 24 小时内"的有创机械通气（PLoS One 2014 方法节明文），用它推算"通气天数"或"全程通气"会系统性低估且窗口错位。
症状：与文献报告的通气率/通气时长对不上；以"通气"为中介的因果分析方向错误。
解决：

简单方法：变量改名并注释为 invasive_vent_24h，在论文方法节写明窗口。

进阶方法：若研究需要全程通气，申请叠加 CMIO/床旁系统的补充变量，或换用含时序的数据库（MIMIC-IV）做主分析、APD 做外推验证。

SOTA 方法：把 24h 通气作为"入院严重程度代理"进入 ANZROD 型模型，而非干预暴露，并做负对照（neg对照）检验。
参考：PMC4100889

⚠️ 坑点 7：用 ANZROD 预测概率当特征造成循环泄漏（分类：数据泄漏 / 评估误用）

问题：ANZROD 的输入包含 lead time（入院前时长）、通气状态、治疗限制、APACHE 组分——这些与标签强相关且部分在入院后才确定；把 ANZROD 输出作为机器学习特征再预测同一标签，等于把"准标签"喂给模型。
症状：加入 ANZROD 后 AUROC"暴涨"且新特征几乎无增量贡献；SHAP 显示 ANZROD 一项独占绝大部分贡献。
解决：

简单方法：只对比、不融合——把 ANZROD/APACHE III-j 作为独立基线列在排行榜，不进特征集。

进阶方法：若必须融合（如残差学习），只允许用"入院时可得"的 ANZROD0 版本，并做时间划分验证：
features = [c for c in X.columns if c != "anzrod_prediction"]  # 基线单列对比
SOTA 方法：报告模型与 ANZROD 的净重分类改善（NRI）与校准斜率，而非仅 AUROC，避免把风险调整信息误读为模型增益。
参考：ANZROD 开发论文（DOI 10.1016/j.jcrc.2013.07.058）

⚠️ 坑点 8：数据不可公开共享导致复现断链（分类：工程陷阱）

问题：APD 数据产权属 ANZICS CORE 与贡献 ICU，“不在公共领域”，第三方无法下载你论文的原始数据；发表与演示还须 CORE 审批，未提前规划会导致审稿人要求提供数据时断链。
症状：审稿意见"请提供可复现数据"；或想加入 Datathon 复现他人结果却无从下手。
解决：

简单方法：论文附"数据可得性声明"指向 CORE 申请流程与变量清单，开源全部分析代码（先例：Nanayakkara 2018）。

进阶方法：申请阶段即把"输出可发布统计表"写进协议，用合成数据或汇总统计支撑二次复现。

SOTA 方法：参加 ANZICS 年度 Datathon 或 NCCR 平台，在 CORE 认可的协作框架内共享代码与分析计划。
参考：ANZICS Data Access and Publication Policy（经 Data Requests 页引用）；CICM Research Guide

§6.6 数据增强

策略	安全性	说明
特征级抖动（生理值加高斯噪声）	✅ 安全（小幅 σ≤1 个标准差/10）	提升鲁棒性，不改变标签
缺失指示随机置零	⚠️ 谨慎	会破坏 APACHE 惯例的缺失语义，需重训评估
按医院 SMR 重加权	✅ 安全	缓解 casemix/簇偏倚
SMOTE 式阳性过采样	❌ 危险	制造临床上不存在的"合成患者"，校准即崩
跨国家直推（美国 casemix 直接入模）	❌ 危险	入院流程与编码差异大，先重校准

增强的原则性提醒：APD 是"一次入院一行"的静态表格，不存在时序增强（如时间扭曲）的空间；所有增强都应保持"行 = 真实住院发作"的语义，验证集永远不增强。若担心小诊断组欠拟合，优先用类权重与诊断组合并，而不是合成样本。

§6.7 模型推荐表

模型	适用任务	理由	基线参照
逻辑回归（ANZROD 风格）	死亡率预测/基准	可解释、可入注册体系	AUROC 0.902（2004-2009 验证）
梯度提升（XGBoost/LightGBM）	表格死亡预测	表格数据强基线	心脏骤停队列 GBM AUROC 0.87
随机森林/集成	同上	稳健、对缺失指示友好	集成 Brier 降 22%（Nanayakkara 2018）
混合效应逻辑回归	医院基准/outlier	显式处理 ICU 簇结构	Paul 2016 固定/随机效应对比
深度表格网络	大样本细化	仅在特征工程穷尽后考虑	尚无公开 SOTA 证据优于 GBM

选型顺序建议：逻辑回归 → GBM → 混合效应，每一步都要在前一步基线上证明有校准意义上的改善；APD 350 万行的规模意味着统计功效永远不是瓶颈，模型复杂度只需对齐特征信息量。

§6.8 硬件需求表

阶段	最低配置	推荐
提取清洗（pandas）	8 GB 内存笔记本	32 GB 内存（百万行级全表）
LR/GBM 训练	4 核 CPU	16 核 CPU，GPU 非必需
深度表格/大窗口	1 张入门 GPU	1 张 A 级 GPU 即可，瓶颈在数据而非算力

瓶颈判断：APD 的表格宽度（约 100-200 列）与 episode 数量在单机可扩展范围内，绝大多数研究不会触及算力上限；先把内存与磁盘 I/O 规划好（分年 Parquet 缓存），比追求 GPU 更有效。

§6.9 评估指标代码

import numpy as np
from sklearn.metrics import roc_auc_score, brier_score_loss

def smr_with_ci(y_true, y_pred_prob, z: float = 1.96):
    """标准化死亡率 SMR = 观测/预测 及其近似 95% CI（Byar 近似）。"""
    o, e = y_true.sum(), y_pred_prob.sum()
    smr = o / e
    lo = (o + z**2 / 2) / (e * (1 + z**2 / (4 * o))) - z**2 / (2 * e)
    hi = (o + z**2 / 2) * (1 + z**2 / (4 * o)) / e - z**2 / (2 * e)
    return smr, lo, hi

def hosmer_lemeshow(y_true, y_pred_prob, bins: int = 10):
    """H-L 检验统计量（大样本下近似卡方，自由度 bins-2）。"""
    order = np.argsort(y_pred_prob)
    y_p, y_t = y_pred_prob[order], y_true[order]
    chunks = np.array_split(np.arange(len(y_p)), bins)
    stat = sum(
        (g_t.sum() - g_p.sum())**2 /
        max(g_p.sum() * (1 - g_p.mean()), 1e-9)
        for g in chunks
        for g_p, g_t in [(y_p[g], y_t[g])]
    )
    return stat

# 汇总：AUROC + Brier + SMR（注册库基准三件套）
auc = roc_auc_score(y_test, p_test)
bri = brier_score_loss(y_test, p_test)
print(f"AUROC={auc:.3f}  Brier={bri:.4f}  SMR={smr_with_ci(y_test, p_test)}")

校准是注册库的第二生命线——报告校准截距与斜率（理想值 0 与 1）：

import statsmodels.api as sm

def calibration_slope_intercept(y_true, y_pred_prob):
    """以 logit(p) 为唯一自变量重拟合，报告斜率（<1 过度自信）与截距。"""
    eps = 1e-6
    logits = np.log((y_pred_prob + eps) / (1 - y_pred_prob + eps))
    model = sm.Logit(y_true, sm.add_constant(logits)).fit(disp=0)
    return model.params[0], model.params[1]   # (intercept, slope)

# 与官方口径对齐的报告顺序：AUROC → Brier → SMR(95% CI) →
# H-L 统计量 → 校准斜率/截距；亚组按医院类型与择期/急诊分层重复。

阈值选择的注记：注册库场景通常不设固定决策阈值（SMR 用期望值而非分类），机器学习研究若必须报告敏感度/特异度，应给出约登指数阈值并在全部亚组上重算，避免"全人群最优阈值"在低危择期人群中失真。

§6.10 MLOps 笔记

数据版本：把字典版本号与提取批次 ID 写入实验追踪（如 dict_version=2026.1, batch=Q1-2026），任何指标不可跨版本混读。
获取续期：数据使用协议到期需续签；发表前给 CORE 审批留出时间（政策硬要求），并把审批周期写进项目甘特图。
漂移监控：以季度为窗口监控 casemix（择期占比、APACHE 分布）与标签率漂移；ANZROD 系数需按 CORE 节奏重校准——CORE 自身的 EWMA 与漏斗图就是官方漂移监控，可直接对齐。
权限边界：提取数据仅存放于协议允许的安全环境，禁止上传公共云盘或代码仓库——这是与公开数据集工程实践的最大差异。
复现策略：开源代码 + 开源合成数据/汇总统计（先例：Nanayakkara 2018 公开分析代码），弥补原始数据不可共享的复现缺口。
再训练节律：与注册库季度提交对齐，每年一次全量重训 + 重校准即可，无需更高频。
文档资产：把字段映射表、队列定义函数、字典版本说明做成随代码版本管理的"数据 README"，比模型权重更有长期价值。

§7 质量评估与局限性

§7.1 已知偏倚表

偏倚类型	描述	严重程度	缓解
选择偏倚（国家间）	澳洲覆盖率近 99%、新西兰 80%+，新西兰农村单位可能低估	中	按国家分层报告；敏感性分析
Casemix 偏倚	择期术后占 38%，CABG 为最常见收治诊断，重症内科患者占比低于教学医院单中心库	中	与 MIMIC 等库比较时按诊断组分层
信息性缺失	APACHE"正常值替代"惯例使缺失携带病情信息	高	缺失指示变量；仅完整 GCS 行敏感性分析
治疗目标混杂	限治/姑息入院使死亡"决策内生"	高	按 2007+ 治疗目标字段分层
测量偏倚	人工编码诊断、衰弱评估者间差异	中	报告字典版本；培训与验证体系缓冲
时序偏倚	2017 前无衰弱、2007 前无治疗目标	低	时间窗切分
幸存者偏倚	转院与出院后死亡被截断（链接前）	中	2019 起用死亡索引链接补全
报告偏倚	单位端自查更正可能低估录入错误	低	中央验证 + 独立审计缓冲

§7.2 标注质量

结局（院内死亡）来自医院行政记录，非人工回溯标注，错标率低；诊断与合并症人工编码依赖收集员培训与中央验证闭环，注册库不公布 kappa。提交端硬性拒绝规则（重复、重叠、缺失关键字段 >20%）是从源头控制标注质量的设计，这是 APD 相对研究数据库的核心质量优势。两点保留：其一，"行政结局"反映的是医院系统内的死亡登记，跨机构转院患者的终末结局可能被截断——这正是死亡索引链接（2019 起）要补的洞；其二，诊断编码的粒度受 APACHE 目录限制，无法完全对齐 ICD 细目，跨库映射时存在一对多情形。

§7.3 泛化性表

场景	失效风险	证据
直接迁移到美国 casemix	高（流程/编码/限治文化差异）	eICU/MIMIC 与 APD 的 casemix 差异；ANZROD 未在美验证
迁移到儿科 ICU	不可用（应改用 ANZPICR）	注册体系明确分库
时间外推（模型跨 10 年）	中高（字典修订 + 治疗文化变化）	字典年度发版条款；脓毒症死亡率长期下降（Kaukonen 2014）
亚组（老年/衰弱）	中（2017 前无衰弱变量）	Frailty 变量 2017 年加入
实时临床部署	高（注册库无逐小时时序）	模态限制（§3.1）
私立医院小样本单位	中（单位级样本稀疏）	Paul 2016 分层基准；聚类稳健推断

§7.4 伦理

数据由贡献 ICU 去标识后季度提交；研究须经 CORE 委员会评审 + 数据使用协议 + 本机构伦理（Low/Negligible Risk 通常足够）；任何发表或演示须 CORE 事先批准。数据链接（国家死亡索引）由 CORE/AIHW 集中执行，不向研究者开放原始身份信息。伦理上的特殊性在于：患者并非研究同意主体——注册数据收集基于质控目的，二次研究使用依赖"质控 → 研究"的政策授权路径，这要求研究设计严格贴合注册目的（outcome/quality/health services），超出目的的用途（如商业保险建模）通常不予批准。

§7.5 公平性

原住民（澳大利亚 Aboriginal and Torres Strait Islander 与新西兰 Māori）数据受 Indigenous Data Sovereignty 政策保护，该政策经 Indigenous Data Network 认可，要求承认原住民对其数据的收集、拥有与使用主权。AI 研究涉及原住民亚组时应与相应社区治理机制协商，不得默认提取与公开亚组结果。其他公平性维度：性别（57%/43%）、地理（都会/农村）、医院类型（公立/私立）均可直接在提取中分析；APD 无收入、教育等社会决定因素字段，社会经济偏倚需借助死亡索引或行政数据链接间接研究。

§7.6 数据漂移

主要漂移源：字典年度/半年度修订（定义与值域）、COMET 标准化工具普及（2010 年代后期 90%+ 覆盖）改变录入方式、COVID-19 期间 surge 与专项上报（2020 CHRIS）、治疗目标文化演变。跨年建模必须以季度窗口监控 casemix 与标签率，并把 2007（治疗目标）、2017（衰弱）设为结构性断点。

漂移源	类型	可观测信号	缓解
字典修订	突变	变量值域/类别集合变化	版本映射表（坑点 1）
COMET 普及	渐变	按采集方式分层的录入完整率变化	按工具类型分层建模
治疗目标文化	渐变	限治/姑息比例逐年上升	按治疗目标分层报告
COVID-19 surge	冲击	2020-2021 casemix 与容量指标异常	疫情期单独建模或加权
脓毒症死亡率下降	渐变	标签率长期趋势（Kaukonen 2014）	定期重校准

§7.7 DAIMS 24 项检查表

#	检查项	状态	说明
1	宽格式	✅	episode 级一行一入院，表格友好
2	唯一标识	✅	episode 主键 + 单位编码；提交端查重
3	特殊字符	⚠️	类别变量含文本枚举，跨版本编码需清洗
4	重复行	⚠️	提交端拒绝重复/重叠，但研究提取端仍需自查
5	缺失编码	✅	官方"正常值替代"惯例 + 最小数据集约束
6	标签标识	⚠️	院内死亡明确，但存在少量结局未知需剔除
7	罕见类分组	⚠️	APACHE 诊断目录存在小诊断组，需归并
8	偏倚评估	✅	SMR 漏斗图 + overdispersion 分析体系成熟
9	数据字典	✅	公开 PDF/Excel 字典 + Programmer’s Dictionary
10	信息性缺失解释	✅	官方计分惯例文献化（正常值替代并加权）
11	设备记录	⚠️	仅干预二值标志，无设备级数据
12	共线性	⚠️	APACHE 组分与总分、来源字段间共线，需特征选择
13	编码映射	✅	APACHE III 诊断目录可映射 ICD-11/SNOMED
14	时间戳处理	⚠️	日期粒度、季度归属规则需按提交规范理解
15	划分建议	⚠️	无官方划分，社区惯例两套（2/3-1/3 与 90:10）
16	泄漏讨论	✅	ANZROD 输入含 24h 信息，官方与文献均有明确边界
17	标签分布	✅	年度报告 + 论文队列死亡率可核查
18	测量偏倚	⚠️	人工诊断编码与衰弱评估存在评估者差异
19	外部验证建议	✅	ANZROD 系列明示需跨时间/亚组再验证
20	版本记录	✅	字典年度/半年度发版 + 修订委员会流程
21	预处理脚本	❌	无公开官方预处理管线
22	合规要求	✅	申请-协议-审批闭环政策完备
23	多模态对齐	❌	纯结构化登记，无第二模态可对齐
24	去标识化	✅	提交前单位端去标识，集中管理链接

DAIMS 评分：17.5 / 24

评分解读：作为登记型数据库，APD 在"字典、合规、去标识化、泄漏边界"四项治理维度接近满分——这是研究型数据库（如 MIMIC 系列）不具备的制度优势；失分集中在工程可用性：无公开预处理脚本、无官方划分、设备与多模态缺失、跨版本清洗需要人工。它是一个"数据可信但工程自助"的库。与常见研究数据库相比，APD 用 2 分的"工程便利"换来了标签可信与人群代表性，这一交换对质量基准类研究是净收益，对快速原型开发则是净成本。

对你意味着什么：(1) 拿到提取后第一件事不是建模，而是按 §4.5 建缺失指示矩阵并锁定字典版本；(2) 用 §6.3 的统一队列函数固化排除口径，使结果可与他人对比；(3) 把 ANZROD/APACHE III-j 当作基线而非特征（坑点 7）；(4) 计划发表时间时为 CORE 审批预留周期；(5) 若任务需要波形或逐小时检验，把 APD 用作外部验证靶人群而非训练集。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
APD 全库时间窗 2010-2013	ANZICS CORE	ANZROD vs APACHE III-j 基准	SMR 过离散度、AIC/BIC	—	ANZROD 过离散更低、识别 outlier 更一致（Paul 2016）
186 个 ICU 心脏骤停子队列	ANZICS APD（2006-2016）	ML 集成 vs ANZROD	AUROC 0.87 vs 0.81	+0.06	GBM/集成显著提升区分度，Brier 降 22%（Nanayakkara 2018）
入院时点（无 24h 数据）场景	同库 ANZROD0 队列	ANZROD0 vs ANZROD	AUROC 0.853 vs 0.909	−0.056	纯入院信息模型可用但区分度下降（Paul 2017）
国家死亡索引长期生存链接	AIHW（澳）/ 2021 起含新西兰	3 年长程生存	按年龄/衰弱分层	—	注册库+死亡索引支撑长程结局研究（CORE 2020 报告）

矩阵读法：APD 的"外部验证"多为库内跨窗口/跨子队列形态（真正的库外验证受控于访问政策），这意味着泛化结论的置信区间应以"同治理体系内"为限——迁移到澳新之外的医疗系统时，上述全部结果都要重新校准。

§8 基准性能与生态

§8.1 排行榜（同库死亡率预测，注意口径差异不可直接比较）

排名	模型	性能	年份	关键技术	完整引用	代码
1	ML 集成（心脏骤停队列）	AUROC 0.87	2018	GBM/集成 + SHAP 解释	Nanayakkara S, et al., 2018, PLoS Medicine. DOI 10.1371/journal.pmed.1002709	GitHub
2	ANZROD	AUROC 0.902（验证集）	2013	APACHE III 组分 + lead time + 通气/治疗限制	Paul E, Bailey M, Pilcher D, 2013, Journal of Critical Care. DOI 10.1016/j.jcrc.2013.07.058	未公开
3	逻辑回归（心脏骤停队列）	AUROC 0.82	2018	入院 24h 变量	同 Nanayakkara 2018	同上
4	APACHE III-j	AUROC 0.885	2004-2009 校准版	最差生理值计分	Bristow PJ, et al., 2004（APACHE III-j 澳新重校准，经 healthmanagement.org 记载）	未公开
5	ANZROD0（仅入院信息）	AUROC 0.853	2017	纯入院时变量	Paul E, Bailey M, Kasza J, Pilcher DV, 2017, Anaesthesia and Intensive Care. PMID 28486891	未公开

⚠️ 上表各行队列不同（全人群 vs 心脏骤停子队列）、排除口径不同（§6.5 坑点 4），数值不可直接横向比较；排名仅示意"在各自口径下的相对位置"。

读榜三原则：第一，AUROC 只在"同一队列 + 同一划分"内可比，跨行比较没有意义；第二，ANZROD 的 0.902 是注册体系的风险调整标准件，新模型的正确姿态是"校准对比 + 净重分类改善"而非裸 AUROC 竞赛；第三，排行榜上没有公开的"全库 SOTA"——官方治理程序采用 ANZROD 本身，任何挑战者都需要在 CORE 认可的协议下复验。

§8.2 SOTA 总结与选型建议

要"进注册体系/可解释"：选 ANZROD 风格逻辑回归——它是唯一被官方治理程序采纳的模型形态，SMR 基准直接可用。
要"刷表格 SOTA"：LightGBM/XGBoost + 缺失指示特征，报告与 ANZROD 的校准对比而非仅 AUROC；心脏骤停子队列已有公开先例（AUROC 0.87 + 代码）。
要"跨系统外推"：先在 APD 重校准，再谈迁移；美国的 APACHE IV/极模型系数不可直接带入。
要"多任务"：死亡预测 + 时长建模联合训练可行，但时长特征绝不能回流进死亡特征集（结局邻近变量）。
要"公平性审计"：按性别、医院类型、国家三轴分别报告校准，APD 的全人群覆盖使其成为少数能做"全国级公平性基线"的 ICU 库。
总体判断：APD 上"更好模型"的边际收益集中在校准与亚组一致性，而非 AUROC 本身——ANZROD 的 0.902 已接近该信息架构的上限。

§8.3 评测协议

官方评测 = 风险调整 SMR（单位级）+ 漏斗图 99.8% 控制限 + EWMA 过程图 + COMET 仪表盘；研究评测 = 全队列 AUROC/Brier/Hosmer-Lemeshow + 按医院类型分层。提交端要求每批次关键 SMR 字段缺失 ≤20%，保证基准可算。两套协议的关系：前者回答"这个 ICU 表现如何"，后者回答"这个模型表现如何"——用研究协议刷高 AUROC 不等于通过官方协议的校准要求，投稿时应同时报告两套。

常用复现锚点（把论文数字对齐到正确口径）：

想复现的数字	队列窗口	必须对齐的口径
死亡率 11.3%、AUROC 0.902	2004-2009	ANZROD 开发队列排除集 + 2/3-1/3 划分
死亡率 9.5%、AUROC 0.853	2006-2015	ANZROD0 仅入院特征 + 2/3-1/3 划分
死亡率 45.5%、AUROC 0.87	2006-2016	心脏骤停 24h 内子队列 + 90:10 划分
再入院率 4.3%	FY2022/23	同一住院期间口径（非 30 天再入院）

§8.4 相关数据集表

数据集	机构	模态	访问	与 APD 关系
ANZPIC Registry	ANZICS CORE	儿科 ICU 注册	受控申请	姊妹库（1997 起）
MIMIC-III/IV	MIT-LCP / PhysioNet	单中心 EHR 时序	培训后公开	细粒度训练 + APD 外推验证
eICU-CRD	Philips/MIT-LCP	美国多中心远程 ICU	公开（凭证）	跨国 casemix 对照
ANZICS CCR / CLABSI / ECMO	ANZICS CORE	资源/感控/ECMO 注册	CORE 体系	同一治理族，可做资源-结局联动

选型提示：儿科问题→ANZPICR；需要波形/检验时序→MIMIC-IV 训练 + APD 验证；需要美国对照→eICU-CRD；需要资源供给视角（床位/人力）→CCR。四者与 APD 共同构成"训练-验证-外推"的完整链条。

跨库联合分析的次序建议：先各自复刻同一"行定义 + 结局定义"，再对齐 casemix 分层（年龄段 × 诊断组 × 择期/急诊），最后比较风险调整后结局——跳过前两步直接比 AUROC 是跨库研究最常见的翻车点。

§8.5 关键论文 Top 8

阅读顺序建议：先读 Secombe 2023 建立全景，再读 Stow 2006 理解数据生产，然后按研究方向选 ANZROD 系列（基准）或 Kaukonen 系列（疾病学），最后用 Nanayakkara 2018 对齐 ML 工程实践。

Stow PJ, Hart GK, Higlett T, George C, Herkes R, McWilliam D, Bellomo R. Development and implementation of a high-quality clinical database: the ANZICS Adult Patient Database. Crit Care Resusc 2006;8(2):133-141. — 注册库设计与质量框架的奠基论文。
Paul E, Bailey M, Pilcher D. Risk prediction of hospital mortality… ANZROD model. J Crit Care 2013;28(6):935-941. DOI 10.1016/j.jcrc.2013.07.058. — 本地风险调整模型，AUROC 0.902。
Pilcher D, Paul E, Bailey M, Huckson S. The ANZROD model: getting mortality prediction right for ICUs. Crit Care Resusc 2014;16(1):3-4. — 模型定位社论。
Paul E, Bailey M, Kasza J, Pilcher D. The ANZROD model: better benchmarking of ICU outcomes and detection of outliers. Crit Care Resusc 2016;18(1):25-36. — outlier 检测实证。
Kaukonen KM, Bailey M, Suzuki S, Pilcher D, Bellomo R. Mortality related to severe sepsis and septic shock… 2000-2012. JAMA 2014;311(13):1308-1316. DOI 10.1001/jama.2014.2637. — 脓毒症死亡率时间趋势，被引 1,200+（Scopus，截至 2026-09）。
Kaukonen KM, Bailey M, Pilcher D, Cooper DJ, Bellomo R. Systemic inflammatory response syndrome criteria in defining severe sepsis. NEJM 2015;372(17):1629-1638. DOI 10.1056/NEJMoa1415236. — SIRS 标准再审视，被引 907（NEJM 官网，截至 2026-09）。
Nanayakkara S, et al. Characterising risk of in-hospital mortality following cardiac arrest using machine learning… PLoS Med 2018;15(11):e1002709. DOI 10.1371/journal.pmed.1002709. — APD 上 ML vs 传统评分的公开基准 + 代码。
Secombe P, et al. Thirty years of ANZICS CORE: A clinical quality success story. Crit Care Resusc 2023;25(1):43-46. DOI 10.1016/j.ccrj.2023.04.009. — 注册体系 30 年全景（规模、治理、影响）。

补充阅读（按主题延伸）：

Pilcher DV, Hensman T, Bihari S, et al. Measuring the impact of ICU strain on mortality, after-hours discharge, discharge delay, interhospital transfer, and readmission in Australia with the activity index. Crit Care Med 2023;51:1623-1637. — ICU 负荷指数与多重结局。
Paul E, Bailey M, Kasza J, Pilcher DV. Anaesth Intensive Care 2017;45(3):326-343. — ANZROD0 入院版（见 §8.1 排行）。

§8.6 社区活跃度

年度 ANZICS Datathon 提供动手接触数据的入口；NCCR（National Critical Care Research Platform）在 APD 之上支持研究者自设计研究（当前重点脓毒症，接受 18 个月内可完成的项目）；CORE 数据质量 workshops 年度举办；超过 200 篇同行评审论文（截至 2023）。无公开 issue 跟踪或用户论坛——社区以临床学术界为主，GitHub 上仅散见研究复现代码（如 IntelliHQ 系列仓库）。对新人，最短路径是：Datathon 建立联系 → CORE 可行性确认 → 正式申请；CICM 指南特别提醒"先联系再伦理"，避免在不可行项目上消耗伦理审批周期。

§8.7 生态快照表

资源	类型	链接	Star 截至 2026-09	推荐理由
APD 官方页面	官方文档	anzics.org	—	规模、提交规范、字典入口
APD Data Dictionary	官方字典	PDF	—	字段定义与值域的第一参考
Data Requests & Research	官方流程	anzics.org	—	申请、政策、Indigenous Data Sovereignty
CICM Research Guide	实战指南	cicm.org.au	—	获得数据的真实流程与时间预期
CardiacArrestMortality_ANZICS	研究代码	GitHub	—	APD ML 建模可复现范例
CORE 2020 Report	官方年报	PDF	—	治理体系与 COVID 时间线
ICU Statistics（ICU Foundation）	统计汇编	网页	—	FY2022/23 人群与资源速查

Star 列对非 GitHub 资源不适用，以"—"表示；GitHub 行以仓库实际页面为准。

§9 相关资源与引用

§9.1 官方资源

优先级建议：申请前读 Data Requests 页与 CICM 指南（流程与时间预期），获批后先读数据字典与最小数据集（字段口径），建模阶段再回看 CORE 报告（基准与图表解读）。

§9.2 BibTeX 引用块

@article{stow2006development,
  title     = {Development and implementation of a high-quality clinical database:
               the Australian and New Zealand Intensive Care Society Adult Patient Database},
  author    = {Stow, P. J. and Hart, G. K. and Higlett, T. and George, C. and
               Herkes, R. and McWilliam, D. and Bellomo, R.},
  journal   = {Critical Care and Resuscitation},
  year      = {2006},
  volume    = {8},
  number    = {2},
  pages     = {133--141}
}

@article{paul2013risk,
  title     = {Risk prediction of hospital mortality for adult patients admitted to
               Australian and New Zealand intensive care units: Development and
               validation of the Australian and New Zealand Risk of Death model},
  author    = {Paul, Eldho and Bailey, Michael and Pilcher, David},
  journal   = {Journal of Critical Care},
  year      = {2013},
  volume    = {28},
  number    = {6},
  pages     = {935--941},
  doi       = {10.1016/j.jcrc.2013.07.058}
}

@article{paul2016anzrod,
  title     = {The ANZROD model: better benchmarking of ICU outcomes and detection of outliers},
  author    = {Paul, Eldho and Bailey, Michael and Kasza, Jessica and Pilcher, David},
  journal   = {Critical Care and Resuscitation},
  year      = {2016},
  volume    = {18},
  number    = {1},
  pages     = {25--36}
}

@article{kaukonen2014mortality,
  title     = {Mortality related to severe sepsis and septic shock among critically ill
               patients in Australia and New Zealand, 2000-2012},
  author    = {Kaukonen, Kirsi-Maija and Bailey, Michael and Suzuki, Satoshi and
               Pilcher, David and Bellomo, Rinaldo},
  journal   = {JAMA},
  year      = {2014},
  volume    = {311},
  number    = {13},
  pages     = {1308--1316},
  doi       = {10.1001/jama.2014.2637}
}

@article{kaukonen2015systemic,
  title     = {Systemic inflammatory response syndrome criteria in defining severe sepsis},
  author    = {Kaukonen, Kirsi-Maija and Bailey, Michael and Pilcher, David and
               Cooper, D. Jamie and Bellomo, Rinaldo},
  journal   = {New England Journal of Medicine},
  year      = {2015},
  volume    = {372},
  number    = {17},
  pages     = {1629--1638},
  doi       = {10.1056/NEJMoa1415236}
}

@article{nanayakkara2018characterising,
  title     = {Characterising risk of in-hospital mortality following cardiac arrest
               using machine learning: A retrospective international registry study},
  author    = {Nanayakkara, Siobhan and Fogarty, Sam and Trench, David and
               Shiban, Ahmed and Crane, Matthew and Peake, David and
               Pilcher, David and Bailey, Michael and Seneviratna, Aresh and
               Redmond, Caroline and others},
  journal   = {PLoS Medicine},
  year      = {2018},
  volume    = {15},
  number    = {11},
  pages     = {e1002709},
  doi       = {10.1371/journal.pmed.1002709}
}

@article{paul2017assessing,
  title     = {Assessing contemporary intensive care unit outcome: development and
               validation of the Australian and New Zealand Risk of Death admission model},
  author    = {Paul, Eldho and Bailey, Michael and Kasza, Jessica and Pilcher, David V},
  journal   = {Anaesthesia and Intensive Care},
  year      = {2017},
  volume    = {45},
  number    = {3},
  pages     = {326--343}
}

@article{secombe2023thirty,
  title     = {Thirty years of ANZICS CORE: A clinical quality success story},
  author    = {Secombe, Paul and Millar, Johnny and Litton, Edward and Chavan, Shaila and
               Hensman, Tamishta and Hart, Graeme K and Slater, Anthony and
               Herkes, Robert and Huckson, Sue and Pilcher, David V},
  journal   = {Critical Care and Resuscitation},
  year      = {2023},
  volume    = {25},
  number    = {1},
  pages     = {43--46},
  doi       = {10.1016/j.ccrj.2023.04.009}
}

§9.3 引用指南

使用 APD 数据的研究应在正文引用注册库描述论文（Stow 2006）与所用风险调整模型论文（ANZROD/ANZROD0），并在致谢注明数据由贡献 ICU 与 ANZICS CORE 提供；发表前按政策提交 CORE 审批。本页面如被引用，请使用 frontmatter 中的 citeAs 条目。

引用位置惯例：方法节首段引 Stow 2006（数据库）+ ANZROD 论文（风险调整）；结果节报告 SMR 时注明"以 ANZROD 为预测模型"；若使用衰弱或治疗目标字段，注明字段启用年份（2017/2007），让审稿人能核对你的队列窗口与字段可用性是否自洽。

致谢模板（可直接改写）：本研究数据由澳大利亚与新西兰各贡献 ICU 经 ANZICS 成果与资源评估中心（CORE）收集并提供，分析结论由作者独立作出，不代表 ANZICS 或贡献单位的立场。

§10 AI 使用声明卡

§10.1 AI 模型列表

本页面由大型语言模型（LLM）辅助撰写：资料检索、结构组织、初稿生成、表格整理与代码示例起草。

§10.2 AI 参与范围

AI 参与：WebSearch 事实检索、章节草拟、Markdown 排版、代码骨架生成、DAIMS 逐项初评。
AI 不参与：医学与数据工程判断的最终裁定、数字与引用的最终核验、页面发布决策——上述均由人工完成。
人机分工原则：所有"可检索的事实"以检索结果为准；所有"不可检索的判断"（如评分解读、选型建议）标注为编辑观点并由人工复核。

§10.3 输入来源列表

Stow PJ, et al. Crit Care Resusc 2006;8(2):133-141.
Paul E, Bailey M, Pilcher D. J Crit Care 2013;28(6):935-941. DOI 10.1016/j.jcrc.2013.07.058.
Pilcher D, Paul E, Bailey M, Huckson S. Crit Care Resusc 2014;16(1):3-4.
Paul E, Bailey M, Kasza J, Pilcher D. Crit Care Resusc 2016;18(1):25-36.
Kaukonen KM, et al. JAMA 2014;311(13):1308-1316. DOI 10.1001/jama.2014.2637.
Kaukonen KM, et al. NEJM 2015;372(17):1629-1638. DOI 10.1056/NEJMoa1415236.
Paul E, Bailey M, Kasza J, Pilcher DV. Anaesth Intensive Care 2017;45(3):326-343. PMID 28486891.
Nanayakkara S, et al. PLoS Med 2018;15(11):e1002709. DOI 10.1371/journal.pmed.1002709.
Crit Care Med 2018（姑息与器官捐献收治研究）. DOI 10.1097/CCM.0000000000002655.
Secombe P, et al. Crit Care Resusc 2023;25(1):43-46. DOI 10.1016/j.ccrj.2023.04.009.
Fixed Effects Modelling for Provider Mortality Outcomes（PLoS One 2014, PMC4100889）.
ANZICS 官方：APD 主页、Data Requests & Research、Data Collection Tools、提交规范（2026-09 访问）.
ANZICS CORE 2020 Report（PDF，2021-09 上线）.
Intensive Care Foundation ICU Statistics（FY2022/23，数据截至 2024-10-14）.
CICM Research Guide v7（数据申请实战流程）.
HealthManagement.org：Australian and New Zealand IC Databases（2006 年代数据）.

来源使用说明：1-11 为同行评审文献（支撑全部性能与规模数字），12-16 为官方与行业资料（支撑流程、统计与治理描述）；所有 URL 于 2026-09-08 检索核验，引用时以当时在线内容为准。

§10.4 人工校验表

内容模块	审核者	审核方式	审核状态
规模数字与时间轴（§1、§3）	千方病案医学编辑部	对照官方页面与 CORE 报告逐项核对	✅ 已通过/已验证
ICD-11/SNOMED 映射（§2）	千方病案医学编辑部	术语库核对	✅ 已通过/已验证
字段字典与目录树（§4）	医疗 AI 数据工程师	对照公开字典与论文方法节	✅ 已通过/已验证
预处理代码与坑点（§6）	医疗 AI 数据工程师	代码走查 + 论文口径对齐	✅ 已通过/已验证
基准与引用（§8、§9）	千方病案医学编辑部	DOI/PMID 逐一检索确认	✅ 已通过/已验证
声明卡与合规（§0、§10）	千方病案医学编辑部	政策文件核对	✅ 已通过/已验证

§10.5 AI 生成章节标注

全部章节由 AI 起草初稿；§2.1/§2.1b 编码表、§4.1 字段字典示例值、§6 代码示例为 AI 生成内容，均经上表人工审核后发布。
AI 生成内容的第一轮校验重点：数字溯源（每个规模/性能数字可回溯到 §10.3 输入来源之一）、编码准确性（ICD-11/SNOMED）、代码可运行性（语法与依赖核查）、占位符清零（G3 纯净度）。

§10.6 最后人工审核日期

2026-09-05（与 §0 审核日期一致）

页面状态：published（全部内容已完成审核并发布）

返回 AI-Ready 数据集