ARMD-MGB 抗菌药耐药微生物学数据集

ARMD-MGB 是 Mass General Brigham 于 2025 年 12 月经 PhysioNet 发布的一套临床微生物学数据集，覆盖其新英格兰地区 12 家学术与社区医院 2015 至 2024 年的检验结果。规模上以患者计为 22.5 万余名成人，以送检次数计为 97 万余次微生物培养，以就诊计约 49.7 万次。数据以十张 CSV 表给出，把培养、菌种、药敏测定值、折点判读、耐药酶基因与抗菌药物用药记录拆成互相可连接的层级。

抗菌药耐药研究长期卡在一个不对称上：耐药基因库与机制本体做得很细，比如 CARD 一类资源能把一个基因归到 ARO 本体下的精确节点，但真实世界里「这个病人这次感染，实验室报了什么、医生看到什么、之前用过什么药」这层信息几乎没有公开数据。只有表型、没有背景，模型学到的是实验室差异；只有背景、没有表型，模型无从验证。ARMD-MGB 补的正是中间那一段：同一次培养上同时挂着测定值、两套判读、耐药机制与患者用药史。

第一次上手建议先做三件事：把 CLSI_2022_pheno 与 AST_pheno 的不一致率算出来，这决定了后续所有建模该用哪一列；把 anon_id 的去重计数跑一遍，确认自己理解的是患者级还是送检级；把耐药酶字段的缺失率按医院与年份分组画出来，看清哪些是真实耐药、哪些只是没做确证检测。三件事各半小时以内可以完成，但跳过任何一件，后面的结论都会偏。

§1 它是什么：把检验流水账整理成可连接的层级

1.1 一句话定义与三条边界

ARMD-MGB 是一套以微生物培养为记录单位的观察性数据集。三个限定词都要留住，因为它们各自划掉了一批用法。

「以培养为记录单位」意味着主键不是患者、不是住院、不是感染事件，而是 order_proc_id_coded 这一列代表的送检单。一次住院可能对应十几次培养，一个患者十年内可能对应上百次。做任何患者级指标之前，聚合是必须动作，不是可选项。

「观察性」意味着没有干预、没有随机化、没有预设的随访终点。数据记录的是临床实际做了什么，因此它天然带着送检门槛、检测可得性与医生习惯的印记。想从里面读出「某药更有效」这类因果结论，需要额外的设计。

「微生物学」意味着边界停在实验室报告这一侧。数据不含影像、不含病理、不含出院诊断编码的完整集合，也不含费用与转归终点。它是一段，不是全病程。

1.2 数据的五个层级

整套表可以按粒度排成五层，理解这个层级关系比记住文件名更有用。

层级	粒度	关键字段	一行代表什么
患者层	一人一行	anon_id	一个去标识化的成人
就诊层	一次就诊一行	就诊标识（1–497,096）	一次住院或门诊接触
培养层	一次送检一行	order_proc_id_coded	一份标本的一次培养
药敏层	培养×药物	AST_code、AST_val1/2、AST_pheno、CLSI_2022_pheno	一种药的测定与判读
机制层	培养×酶	enzyme_class、enzyme	一条耐药机制的标注

层级之间是一对多关系，且越往下越稀疏。培养层基本齐全，药敏层覆盖大部分培养但有缺角，机制层只在做过确证试验或分子检测的标本上才有值。这种稀疏不是数据质量问题，是临床流程的自然投影，但会直接决定建模时的样本量。

1.3 与 amr-uti 的分工

库内另一条 AMR 条目 AMR-UTI 与这一份常被拿来对比，两者的设计目标不同。

维度	AMR-UTI	ARMD-MGB
年份	2007–2016	2015–2024
医院数	2（MGH、BWH）	12（含社区医院）
患者数	8 万余名	22.5 万余名
标本类型	仅尿	尿、血、呼吸道
药敏药物	4 种一线药	覆盖更广，随面板
处方配对	有，且明确区分「结果回报前做出的决策」	有用药记录，无决策时点标注
主要用途	治疗策略学习、决策评估	耐药表型建模、机构与时间异质性分析

一句话概括差别：AMR-UTI 是为「决策」设计的，ARMD-MGB 是为「表型与背景」设计的。前者能回答「换个用药策略会怎样」，后者能回答「这批标本的耐药谱长什么样、和什么相关」。硬把后者当前者用，会缺那个决定性的时间戳。

1.4 与 ARMD-Stanford 的配对设计

ARMD-MGB 不是孤立发布。同期发布的 ARMD-Stanford 覆盖加州 Stanford Health Care 1999 至 2024 年的数据，两者共用同一套纳入排除标准与同一套特征工程管线。

这个设计的价值在于外部验证第一次变得便宜。以往做跨机构耐药模型，最难的不是算法而是字段对齐——一边把药名写成「Ceftriaxone」，另一边写成「CRO」，年龄一边是连续值一边是分箱，标本来源一边用 SNOMED 一边用院内码。ARMD 两库把这些在发布时就统一了，使用者拿到的是已经对齐的两份表，可以直接做「训练在波士顿、测试在加州」这种实验。

代价是统一口径必然抹掉机构特有的细节。为了对齐，两库都只保留交集字段，任何一方独有的检验项、独有的话术、独有的流程标记都不会出现。所以 ARMD 适合做机制层面的泛化研究，不适合做某家医院的流程优化。

1.5 一个容易被忽略的发布选择

官方把数据拆成十张表而不是一张宽表，这个选择值得看一眼。

宽表好用但会重复存储：一个患者有二十次培养，人口学字段就要重复二十遍，且一旦患者信息更新就会前后不一致。长表避免了这个问题，但每次分析都要写 join，且 join 键的选择错了会静默产生笛卡尔积。

拆表的另一个后果是缺失被显式化了。宽表里缺失是一列的空值，长表里缺失是「这一层根本没有这行」。后者更难处理，也更接近真相——机制层没有这一行，不是因为填表时漏了，而是因为实验室没做那个检测。理解这一点，才不会把「无记录」误当成「阴性」。

§2 数据构成：十张表、三层粒度、一套折点

2.1 规模与标识取值

官方给出的规模数字以标识符取值的上界形式呈现，这种写法有它的道理也有它的陷阱。

指标	官方表述	含义
成人患者	>225,000（anon_id 1–226,659）	去重后的患者数，上界来自标识符最大值
微生物培养	>970,000（order_proc_id_coded 1–970,165）	送检次数，非病例数
就诊记录	1–497,096	住院与门诊接触次数
时间跨度	2015–2024，整十年	日期已随机平移
医院数	12	学术医院与社区医院混合

为什么用标识符上界而不用精确行数？因为凭证访问下发布方倾向少暴露统计量。上界写法对使用者够用——它给的是量级和主键范围，足以规划存储与分块策略。但要精确知道行数，只能申请到数据后自己 count。

顺带说明一个容易踩的坑：anon_id 从 1 开始连续编号到 226,659，不代表有 226,659 个患者。中间可能有被排除的、被合并的、或因其他原因不存在的编号。同样，order_proc_id_coded 到 970,165 也不代表恰好这么多次培养。

2.2 十张表的分工

条目页摘要段写「8 个 CSV」，Files 区与 File descriptions 段列的是 10 张表。这个差异需要在动手前搞清楚。

表	粒度	主要字段	覆盖度
培养主表	培养	培养标识、anon_id、就诊标识、采集时间、标本来源、培养结果	全量
菌种表	培养	菌种分类（约 36 类）	阳性培养
药敏结果表	培养×药	AST_panel、AST_code、AST_val1、AST_val2、AST_pheno	做过药敏的培养
折点判读表	培养×药	CLSI_2022_pheno	同上
耐药酶类别表	培养×类	enzyme_class（ESBL/PBP/beta-lactamase/carbapenemase）	做过确证或分子检测
耐药酶基因表	培养×基因	enzyme（blaZ/mecA/NDM/KPC/IMP/OXA/VIM）	同上
用药记录表	用药事件	9 个分类代码	住院期间用药
人口学表	患者	年龄分箱（9 档）	全量
就诊表	就诊	就诊标识、就诊类型	全量
数据字典	字段	表名、列名、说明、起始版本、终止版本	全量

口径差异的处理原则与库内其他条目一致：以 Files 区的实际清单为准，摘要数只作参考。写作与脚本设计时按 10 张表规划；下游若发现实际文件数与摘要一致为 8，说明发布方在后续版本做了合并，届时再对齐。

2.3 AST 字段体系

药敏部分是整套数据最核心也最容易读错的地方。字段分四组。

测定组：AST_val1 与 AST_val2。稀释法给出 MIC 值（如 2、4、8 μg/mL），扩散法给出抑菌圈直径（mm）。同一列在不同面板下含义不同，读之前必须先看 AST_panel 判断方法。

标识组：AST_code 是药物代码，AST_panel 是检测面板代号。面板决定了这次测了哪几种药，也决定了浓度梯度范围。

判读组：AST_pheno 与 CLSI_2022_pheno。前者是当年实验室报告的结果，后者是按 CLSI 2022 版折点重算的结果。两者都是 S/I/R 三分类（敏感/中介/耐药），差异来自折点版本变动。

机制组：enzyme_class 与 enzyme，粒度不同，前者是类别、后者是具体基因。具体取值覆盖 ESBL、PBP 改变、beta-lactamase、carbapenemase 四类，基因层面含 blaZ、mecA、NDM、KPC、IMP、OXA、VIM。

把四组混在一起看会犯两个错：把 AST_val 当连续特征直接喂模型（不同药物的量纲完全不同），把 enzyme 缺失当阴性（见 §4）。

2.4 双表型并存的设计意图

同一批测定值给出两套判读，这不是冗余，而是这套数据在方法上的关键安排。

折点在十年间改过多次。CLSI 对肠杆菌目某些药物的敏感折点下调，对碳青霉烯类的判读规则也调整过。如果不做重判，跨年份的耐药率曲线会混杂两类变化：真实的耐药上升，与折点调整导致的分类位移。后者在个别药物上能造成两位数百分点的跳变。

所以 CLSI_2022_pheno 的用途是做时间序列分析时的口径锚。凡是跨年比较，一律用它。而 AST_pheno 的用途是还原当年临床看到的结论——如果研究问题是「医生当时为什么选这个药」，就必须用当年报告值，因为医生看不到未来的折点。

两者不一致的比例本身是有信息量的指标。它近似刻画了折点调整在你这批数据上的实际影响幅度。

2.5 菌种与标本来源

菌种字段约 36 类，具体到种或种复合群级别。这个粒度对大多数建模任务够用，但做不了株水平分析——同一菌种下的不同克隆株在数据里不可区分，而克隆传播恰恰是院内感染研究的核心。

标本来源覆盖尿、血、呼吸道三类。这三类的耐药谱差别很大，混在一起做统计会得到没有解释力的平均值。血培养的标本量少但临床权重高，呼吸道标本污染率高，尿标本量大且以大肠埃希菌为主。合理的做法是按来源分层建模，再讨论层间差异。

2.6 用药记录的九个代码

用药记录里有 9 个分类级代码：CAZ（头孢他啶）、CRO（头孢曲松）、FEP（头孢吡肟）、FOX（头孢西丁）、OXA（苯唑西林）、SAM（氨苄西林-舒巴坦）、SXT（复方磺胺甲噁唑）、TZP（哌拉西林-他唑巴坦）、VAN（万古霉素）。

这里最容易犯的误读是把它当成「药敏被测过的药只有这 9 种」。实际上这 9 个是用药侧的分类代码，用途是刻画既往抗菌药物暴露；药敏侧的覆盖看 AST_code 的取值域，比这 9 个宽得多。

为什么用药侧只保留 9 个分类而不给全部药物？因为这 9 个在住院场景里占主导，且分类级聚合能避开商品名与剂型差异带来的噪声。代价是无法做精确的剂量-反应分析，也无法区分同一类别下不同药物的差异。

2.7 年龄与人口学

年龄以 9 档分箱给出：18-24、25-29、30-34、35-39、40-44、45-49、50-54、55-59……直到 85-89，以及 90 及以上。最高档是开口区间。

分箱带来两个直接后果。第一，无法建连续年龄效应，只能用哑变量，参数数从 1 个变成 8 个，在小样本分层里会显著增加方差。第二，85 岁以上的所有人在数据里都是「90 及以上」或落在最高可见档，高龄亚组的细分分析做不了——而高龄恰恰是耐药风险最高的人群之一。

纳入标准限定 18 岁及以上。儿科被排除的理由在方法上是成立的：标本来源构成、菌种谱、给药剂量、折点适用性四项都与成人不同，混在一起会引入难以控制的混杂。代价是这套数据完全无法回答儿科耐药问题。

2.8 缺失的三种成因

处理缺失之前先分辨成因，这在长表结构下尤其重要。

第一种：没做这个检测。机制层的缺失大多属此类。实验室只对特定情形做 ESBL 确证或碳青霉烯酶分子检测，没做就没有行。这类缺失与「阴性」在语义上完全不同。

第二种：做了但结果不适用。某些药物对某些菌种天然无效，实验室不会报药敏。这类缺失是规则决定的，可以从前一行（菌种）推出来。

第三种：被去标识化删除。发布方对阳性样本少于 20 名患者的二元特征做了删除。这类缺失不会在数据里留下任何痕迹——列直接不存在，使用者甚至不知道曾经有过这个字段。

第三种最危险。前两种可以在数据内识别，第三种只能通过与同级数据集的字段对比去推。判断方法：如果某个常见的临床特征在数据里找不到，先怀疑是阈值删除而不是从来没采过。

§3 怎么拿到：凭证访问与一条地区限制

3.1 获取通道与四道手续

ARMD-MGB 属 PhysioNet Credentialed 访问级别，不是点一下就下载。完整链路上有四个环节。

环节	具体动作	说明
账号注册	PhysioNet 注册并完善个人资料	需真实姓名与所属机构
培训认证	完成 CITI「Data or Specimens Only Research」课程	证书需上传至 PhysioNet
签署 DUA	在线签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0	条款含禁止再识别、禁止试图识别个人
身份核验	由机构或推荐人确认身份	部分通道要求机构邮箱或导师确认

四步都完成后才拿到下载权限。审阅周期官方未承诺，实际取决于培训证书与身份核验的速度。

3.2 地区不可用提示

条目页在部分地区会显示「Data Not Available — Data is not available in your region due to legal or policy restrictions」。

这句话要拆开看。它说的是下载受限，不是页面信息受限。描述、规模、字段清单、许可条款、引用格式在页面上都是公开的，本页所有硬数字也都来自这些公开文本。所以介绍性研究与选型判断不需要凭证；要实际跑数据才需要。

地区限制的成因是访问方所在地的法律或政策，与账号资质无关。已经拿到凭证但看到这句提示的，说明限制发生在网络位置层面，换账号不解决问题。

3.3 与本库的选题立场

库内收录 Credentialed 级数据集有一条明确立场：介绍不以下载为前提。

理由是这类数据集的公开文档密度足够。PhysioNet 条目页给规模、给字段、给许可、给局限、给引用格式，配套数据论文给方法、给验证、给使用案例。这些合起来足以写出一条对研究者有用的介绍——它回答的是「这个数据集值不值得我去申请」，而不是「我已经有数据了怎么分析」。

这条立场也决定了下文的分寸：§4 的问题是从公开文档能读出来的，不是拿到数据后跑出来的；§5 的任务是从字段设计能推出来的，不附带真实数据上的性能数字。凡是需要数据在手才能回答的，明确标注为「需自行核验」。

§4 质量与已知问题：两条官方局限与六个实操坑

4.1 官方局限清单

条目页只列了两条局限，这个克制本身值得注意。

第一条：地理与机构背景受限。数据来自单一医疗系统在新英格兰地区的 12 家医院。学术医院与社区医院的混合缓解了一部分偏倚，但整体仍是一个区域性网络。外推到其他地区、其他支付体系、其他人口构成时，耐药谱与送检习惯都可能不同。

第二条：时间异质性。十年跨度内，检测方法、折点版本、面板构成、临床实践都在变。这条局限的实质是：数据不是一个静态分布，而是十个年度的十个分布的叠加。直接混池训练，模型会学到「年份」这个隐含变量。

两条局限都是方向性的，没有给量化幅度。这是数据描述类论文的常见处理——把边界说清楚，幅度留给使用者自己评估。

4.2 六个实操坑

以下六条是从字段设计与长表结构推出来的，不是数据里跑出来的统计结论。

坑一：把送检次数当病例数。97 万余次培养对应 22.5 万余名患者，比值超过四倍。按送检次数算耐药率，高频复查患者（往往是慢性感染、长期住院、反复失败治疗者）会被反复计入，耐药率会系统性偏高。凡是要说「患者中耐药比例为多少」的句子，必须先按 anon_id 聚合。

坑二：把耐药酶缺失当阴性。机制层字段只在做过确证试验或分子检测的标本上有值。不同医院的确证送检习惯差别很大：有的医院对所有血培养分离的肠杆菌都做碳青霉烯酶筛查，有的只在药敏提示耐药时才做。直接按「有值为阳性、无值为阴性」编码，学到的是检测策略而不是耐药机制。

坑三：用 AST_pheno 做跨年比较。折点在十年间改过，用当年报告值做年度曲线，会把折点调整算进耐药趋势。跨年一律用 CLSI_2022_pheno；要还原临床视角才用 AST_pheno，且必须注明。

坑四：把 AST_val1 当连续特征。稀释法给 MIC（μg/mL，通常以 2 的幂次递增），扩散法给抑菌圈直径（mm）。两者量纲不同且方向相反（MIC 越大越耐药，直径越大越敏感）。不区分方法的直接数值化会让模型学到无意义的模式。正确做法是按 AST_panel 分组，或转成有序类别。

坑五：混池不同标本来源。尿、血、呼吸道三类的菌种谱与耐药谱差异很大。尿以大肠埃希菌为主，血培养里葡萄球菌与肠球菌占比高，呼吸道标本污染率高且常含多种分离株。混池得到的耐药率是个加权平均，权重由标本构成决定，换个医院就变。

坑六：拿平移后的日期做季节分析。日期的年份与月份已失真，只有相对间隔可信。做「上次培养距今多少天」是安全的，做「每年 7 月耐药率是否更高」不成立。

4.3 假设—支持—反对

把几处无法从公开文档直接判定的地方写成三列表，比含糊带过更有用。

假设	支持	反对
12 家医院的字段填写口径一致	官方称两库共用同一特征工程管线，说明有统一流程	社区医院与学术医院的实验室信息系统往往不同源，合并时可能做了映射，映射损失未量化
菌种分类的 36 类是稳定的	分类粒度到种或种复合群，属常规临床微生物报告水平	十年间质谱与 MALDI-TOF 普及，早期鉴定精度可能低于后期，同一菌种在早晚期可能不同名
用药记录覆盖住院期间全部抗菌药物	9 个分类代码覆盖住院场景主导药物	未说明是否含门诊处方、是否含外用与口服序贯，出院带药是否计入不明
折点重判只影响分类、不影响测定值	AST_val1/2 是原始测定值，重判只改判读	若原始测定未覆盖新折点所需的浓度梯度，重判会在边界处产生不确定，官方未说明处理方式
双库拼接后分布可比	同一纳入排除标准与同一管线	机构差异真实存在（人群、支付、送检门槛），可比性需在拼接后自行检验

4.4 隐私保护手法

条目页交代的去标识化手法有明确几项，都属常规但执行到位。

手法	具体做法	对分析的影响
标识符替换	患者、就诊、培养均用连续整数 replacement	无法与外部数据源连接
日期平移	随机平移，患者内保持一致，统一转 UTC，字段带 _tj 后缀	绝对时间失真，相对间隔可信
年龄分箱	收为 9 档，最高档开口	无法做连续年龄效应
小额特征删除	阳性样本少于 20 名患者的二元特征整体删除	罕见暴露无法研究，且删除不留痕迹
自由文本移除	不含检验备注、病程记录等自由文本	无文本挖掘可能

4.5 哪些地方做得扎实

客观地说，这套数据在几处处理上优于同类。

双表型并存是最有价值的一项。多数公开 AMR 数据只给一套判读，跨年比较时使用者要自己去查当年的 CLSI 版本，而版本变更表并不总是可得。这里直接把重判结果算好给出，等于替使用者做了一件容易做错的事。

两库同步发布也少见。同一年、同一套标准、同一套管线出两个机构版本，把「跨机构外部验证」从一项需要半年数据协调的工作压缩成一次下载。

缺失显式化是长表结构的附带收益。机制层的缺失表现为「无此行」而不是「空值」，语义更清楚。前提是使用者理解这一点（见坑二）。

4.6 结论强度分级

按库内惯例给几条关键判断标强度。

判断	强度	依据
覆盖 22.5 万余名患者、97 万余次培养、12 家医院、2015–2024	A	PhysioNet 条目页 + 数据论文 + 两份摘要文本，三条独立线索一致
AST 含两套判读且第二套为 CLSI 2022	A	条目页字段清单 + 数据论文方法节
耐药酶字段非全量覆盖	B	条目页说明机制来自确证与分子检测，但未给覆盖率数字
摘要 8 表与正文 10 表的口径差异	B	条目页内部两处文本不一致，属客观存在；差异原因属推断
与 ARMD-Stanford 字段可对齐	B	官方称共用管线，但字段级一致性需拿到数据后核验
9 个用药代码代表全部用药覆盖	D	无任何官方文本支持此说法，属常见误读，应否定

§5 能做什么：五类任务与可执行骨架

5.1 五类任务

从字段设计能推出的可用任务有五类，按可行性排序。

任务	输入	输出	可行性
药敏结果预测	菌种、标本来源、人口学、既往用药、既往培养史	某药 S/I/R	高，字段齐全
耐药率时空刻画	培养层 + 折点重判	按医院/年份/标本来源分层的耐药率	高，但需注意折点口径
多药耐药表型聚类	药敏宽表	耐药谱型（resistotype）分组	中高，需处理缺角
机制-表型一致性分析	药敏 + 耐药酶	表型与基因型的对应矩阵	中，受机制层覆盖度限制
跨机构泛化验证	ARMD-MGB + ARMD-Stanford	训练/测试分离的性能衰减	中，需两边都拿到

5.2 为什么第一类最可行

药敏预测之所以可行性最高，是因为它的时间结构最干净：所有特征都可以限制在「本次培养结果回报之前可得」的信息内。菌种鉴定通常在药敏之前或同时出结果，人口学是静态的，既往培养与既往用药是历史记录。

这解决了一个在临床数据建模里反复出现的陷阱——标签泄漏。如果特征里混进了「本次住院后续用了什么药」「出院诊断」，模型在测试集上会很好看，上线就崩。药敏预测这个任务天然可以让特征集严格早于标签时点，只要自己守住那条线。

守住的具体做法：以培养采集时间为分界，只用采集时间之前（含同一时刻已出结果）的记录做特征。这条规则写进代码注释，比写进方法节更有约束力。

5.3 最小可执行骨架

以下五步是不依赖具体模型的最小路径。代码用伪代码写，重点在顺序与检查点。

第一步  读入与主键核验
  -- 读培养主表，count 行数，与 order_proc_id_coded 的 nunique 比较
  -- 若两者不等，说明有重复或主键设计不同，先解决再继续
  -- 检查 anon_id 的 nunique，确认患者数与送检次数的比值是否在 3-5 倍量级

第二步  时间口径统一
  -- 用 CLSI_2022_pheno 作为标签列，AST_pheno 另存一列备查
  -- 计算两者不一致率，按药物分组，记录哪些药物受影响最大
  -- 若某药不一致率超过 20%，在方法节单独说明

第三步  构建标签宽表
  -- 以（培养标识）为主键，把药敏层透视成 培养×药物 的 S/I/R 矩阵
  -- 处理缺角：区分「未测」与「测了不适用」，前者填缺失、后者可填规则值
  -- 统计每个药物的非缺失样本量，低于 5000 的药物考虑剔除

第四步  构建特征并做泄漏检查
  -- 特征只用培养采集时间之前的信息
  -- 把「本次培养的菌种」作为特征（它在药敏前可得），但要在文中说明这一依赖
  -- 逐列打印该列的时间来源，人工过一遍，确认没有未来信息混入

第五步  按机构与年份分层评估
  -- 不要只报一个总体 AUC
  -- 至少给出：按医院分组的性能、按年份分组的性能、按标本来源分组的性能
  -- 若某家医院的性能显著低于其他，先查该院的药敏面板构成

5.4 机制-表型一致性分析的做法

这类分析在方法上有意思，但受覆盖度限制，要小心。

思路是把药敏表型与耐药酶标注做交叉表。比如对产 ESBL 标注的肠杆菌，看其对三代头孢的表型是否确实耐药；对标注 mecA 的金黄色葡萄球菌，看其对苯唑西林与头孢西丁的表型。

分析前必须做的三件事：把样本限制在同时有表型与机制标注的培养上；按医院与年份分层看一致性，因为检测策略不同；把「表型耐药但无机制标注」单列一类，这类占多数，且不能简单归为「机制未知」——很可能只是没做检测。

输出的价值在于给出一个可引用的数字：在做过确证检测的标本里，表型与基因型的一致率是多少。这个数字比「整体一致率」有意义得多，因为分母是明确的。

5.5 跨机构泛化的实验设计

如果两库都拿到，最直接的实验是交叉验证。

实验	训练	测试	回答什么
内部	MGB 2015–2021	MGB 2022–2024	同机构的时间泛化
跨机构前向	MGB 全量	Stanford 全量	机构泛化（含年份差）
跨机构反向	Stanford 全量	MGB 全量	检验方向性偏倚
混合	两库合并随机切分	留出	上界参考，通常虚高

第二与第三行的对比是关键。如果 MGB→Stanford 掉 15 个点而 Stanford→MGB 掉 5 个点，说明两库的难度不对称，可能是某一方的人群更复杂，也可能是某一方的标签质量更低。单向实验看不出这一点。

第四行的用途只是给个上界参考。合并后随机切分会让同一患者的记录分散到训练与测试两侧，性能虚高，不能作为泛化能力的证据。

5.6 不适合用它做的事

明确列出来，省得反复讨论。

想法	为什么不行
菌种鉴定模型	无菌种原始信号（质谱峰、生化板、序列）
院内克隆传播追踪	无株水平分型，菌种只到种
药物疗效比较	无干预分配、无转归终点、无剂量
季节性耐药分析	日期已平移
儿科耐药研究	仅 18 岁以上
精确年龄效应	年龄分箱且最高档开口
与外部数据链接	标识符全部替换，无跨库键
自由文本挖掘	不含自由文本

5.8 一个可复用的耐药谱型编码法

多药耐药表型聚类这一步，做得好不好全在编码方式。直接拿 S/I/R 矩阵做欧氏距离是最常见的做法，也是最容易出问题的。

问题的根源是缺角。不同药物的药敏覆盖面不同，有的药只在特定面板里出现，有的对某些菌种不适用。用欧氏距离时，缺失必须填一个值，填什么都带偏：填 0 会把「没测」算成敏感，填 R 会把「没测」算成耐药，两种都会在聚类里造出虚假的谱型。

更稳的编码是只比两者都测过的药物，用 Jaccard 型相似度而非欧氏距离。两份药敏谱之间，交集是双方都测的药物，并集是任一方测过的药物，相似度等于交集里表型一致的药物数除以交集大小。这样缺失被自然排除，不参与计算，也不被当成某个类别。

编码后的谱型可以用一个紧凑的字符串表示：把药物按固定顺序排列，每个位置写 S、I、R 或缺测符。这种表示法的好处是可读、可比、可哈希，便于做频次统计。频次最高的几十种谱型通常覆盖大部分样本，剩下的长尾可以合并为「其他」。

需要提醒的是谱型的临床意义与统计显著性不是一回事。某个谱型在数据里出现五千次，说明它常见，不说明它危险。危险性的判断需要临床终点，而这套数据不含终点。

5.9 特征工程的三个层次

药敏预测的特征可以按可获得性分三层，这个分层决定了模型的合理上限。

第一层：本次培养内可得。菌种、标本来源、培养采集时间（相对值）、送检科室类型。这一层在药敏结果出来之前就已确定，没有任何泄漏风险，信息量也最大——菌种一项就能解释药敏结果的很大一部分方差。

第二层：患者历史。既往培养的菌种与药敏谱、既往用药记录、既往就诊频次、上次阳性培养距今的天数。这一层需要按时间窗口截断，常用 90 天、180 天、365 天三档。窗口的选择本身是个超参数，且在临床上有对应物：90 天近似「本次发作是否属于同一治疗失败 episode」。

第三层：人口学与机构。年龄档、性别、医院标识。信息量最小，但常常承担「吸收残余方差」的作用。医院标识建议只作分层变量，不进特征（见 §6.2 陷阱六）。

三层加起来的合理预期是：第一层决定大部分性能，第二层带来稳定但有限的增益，第三层增益很小。如果实验发现第三层贡献异常大，通常意味着有泄漏或分层没做对。

5.10 写方法节时的三处必须交代

这三点审稿人常问，且都能在这套数据上落到实处。

折点版本。必须写明用的是 CLSI_2022_pheno 还是 AST_pheno，并给出选择的理由。若两者都用了，要说明分别用在哪个环节。

中介类的处理。必须写明 I 是并入 S、并入 R 还是单列一类，以及这个选择是按药物分别定还是全库统一。

缺失机制。必须写明机制层缺失被如何处理——是排除、当阴性、还是加一个「未检测」的类别。这三种处理会给出完全不同的机制-表型一致率，而这正是很多论文里对不上的原因。

三处都写清楚，方法节就站得住了。缺任何一处，复现者都要猜。

5.7 DAIMS 24 项检查

按 Data Attribution and Integrity Metadata Standard 的 24 项逐条核对。评级口径：是 = 公开文档明确给出；部分 = 给了方向但缺细节；否 = 未见。

#	维度	判定	说明
1	数据集名称	是	ARMD-MGB，全称 Antibiotic Resistance Microbiology Dataset
2	版本号	是	v1.0.0，2025-12-05
3	持久标识符	是	DOI 10.13026/2r5k-b955
4	最新版标识	是	10.13026/53vq-f537
5	发布机构	是	Mass General Brigham，经 PhysioNet
6	联系方式	是	PhysioNet 条目页 contact
7	许可条款	是	Credentialed Health Data License 1.5.0
8	访问条件	是	凭证访问 + CITI 培训 + DUA
9	引用格式	是	条目页给出 citeAs
10	配套论文	是	Sci Data 12(1):1299
11	数据来源机构	是	12 家医院，未逐一列名
12	采集时间段	是	2015–2024
13	地理范围	是	新英格兰地区
14	人群描述	是	18 岁以上成人
15	样本量	是	>225,000 患者 / >970,000 培养
16	文件清单	部分	摘要 8 与正文 10 不一致，需以 Files 区为准
17	字段字典	是	含数据字典表，五列结构
18	缺失值说明	部分	交代了机制层来源，未给覆盖率
19	去标识化方法	是	标识替换、日期平移、年龄分箱、小额特征删除
20	伦理审批	是	IRB 2017P000682
21	已知局限	部分	仅两条，未量化
22	使用案例	是	论文给出任务示例
23	更新计划	否	未说明后续版本节奏
24	错误报告渠道	部分	依赖 PhysioNet 通用渠道，无专用 issue 追踪

合计：是 17 / 部分 5 / 否 2 = 19.5 / 24。失分集中在局限量化、文件清单一致性与更新承诺三处，与多数 PhysioNet 条目一致。

§6 常见误读与引用陷阱

6.1 误读对照表

常见说法	实际口径	证据位置
这是 97 万个病例	97 万余次培养，对应 22.5 万余名患者	条目页规模与标识取值
有 8 张 CSV	摘要写 8，正文 File descriptions 列 10	条目页内部两处文本
耐药基因每次培养都有	仅做过确证或分子检测的标本才有	条目页机制字段说明
用药只覆盖 9 种抗菌药	9 个为用药侧分类代码，药敏侧覆盖更宽	条目页字段清单
是 AMR-UTI 的扩大版	两个独立设计，前者有处方决策时点，后者无	两库条目页对照
可以做年度耐药趋势	日期已平移，绝对时间失真	去标识化说明
可以识别到具体基因型	基因级只到 blaZ/mecA/NDM/KPC/IMP/OXA/VIM 等常见项	条目页 enzyme 取值
含儿科数据	纳入标准限定 18 岁以上	纳入排除标准
12 家医院都列名了	官方只给数量与地区，未逐一列名	条目页与论文
是开放下载的	凭证访问，需培训 + DUA	许可与访问类型
与 CARD 可以按基因名直接连	基因名粒度与 CARD 的 ARO 术语不同层级，需映射	两库字段对照
抗菌药管理效果可以直接评估	无转归终点与处方配对，需外部数据	字段清单

表里最后两条值得单独说一句。CARD 是基因/机制本体，粒度到等位基因与 ARO 节点；ARMD-MGB 的 enzyme 字段是实验室报告级别的常见基因名。两者可以对上大部分，但不是字典式一一对应——一个 ARO 节点下可能挂十几个等位基因，而实验室只报类别名。做跨库连接要先建映射表并记录映射损失。

6.2 技术性陷阱

陷阱一：join 键选错产生笛卡尔积。培养主表与药敏表按培养标识连接是一对多，若误用 anon_id 连接则变成患者内任意两次培养互连，行数会炸开几个数量级，而且不会报错。做法是在每次 join 后打印两侧行数与结果行数，三者对不上就停下。

陷阱二：S/I/R 的次序被当成数值。S=敏感、I=中介、R=耐药，按字母序排是 I < R < S，按临床严重度排是 S < I < R。任何把这三类映射成 0/1/2 的操作都必须显式写明映射方向，否则模型学到的「趋势」方向是反的。

陷阱三：中介类被随意合并。常见做法是把 I 并入 R 或并入 S。临床微生物里这取决于药物与感染部位——同样的中介值，在尿路感染里可能仍有效（药物在尿中浓缩），在血流感染里可能已无效。合并方式要在方法节写明，且不同药物可以采用不同合并策略。

陷阱四：把 AST_val 的「≥」与「≤」丢了。稀释法的测定结果常带不等号：最低浓度还抑制生长记作 ≤x，最高浓度仍生长记作 ≥y。去标识化后的数值列可能把不等号剥离，只剩数字。此时这些边界值被当成了精确值，会让剂量-反应分析在两端失真。

陷阱五：把 CLSI_2022_pheno 当独立信息。它是从同一批 AST_val 派生的，不是新测的。把它与 AST_pheno 一起当两个特征喂模型，等于把同一信息用两种编码各给一遍，会造成共线性，且在树模型里表现为虚假的特征重要性。

陷阱六：用机构名做特征。12 家医院的名称如果作为类别特征进来，模型会学「某医院耐药率高」这个捷径。这个捷径在内部测试上有效，但它是送检门槛与人群构成的代理，不是可迁移的知识。正确做法是把它留作分层变量而不是特征。

§7 在生态中的位置

7.1 三类 AMR 数据资源的划分

把库内与该领域相关的资源按用途排一下，能看清各自的位置。

类型	代表	记录单位	回答什么问题
机制与本体库	CARD（rid 1096）	基因/蛋白/突变	一个耐药决定因子的身份与分类
决策型临床数据	AMR-UTI（rid 1292）	患者×尿培养	换个用药策略会怎样
表型型临床数据	ARMD-MGB（本页主条）	培养×药	耐药谱长什么样、和什么相关
监测网络数据	各国 AMR 监测系统	分离株	区域耐药率与趋势

这四类的边界是记录单位，不是数据量。CARD 的记录单位是一个基因，所以它再大也不能回答「这个病人该用什么药」；AMR-UTI 的记录单位是一次带处方的尿培养，所以它再小也能回答决策问题。

7.2 与监测网络数据的分工

国家或区域 AMR 监测网络（如各类耐药监测系统）与 ARMD-MGB 常被混谈，其实目标不同。

监测网络的采样设计是为估计人群耐药率服务的：它有明确的标本纳入规则、有去重规则（同一患者一定时间内只计首株）、有质量控制的参考菌株。ARMD-MGB 是临床流水，采样由医生开单决定，去重规则不存在，也没有为监测目的做的质控。用它算耐药率，得到的是「这家医院这批送检标本的耐药构成」，不是「这个地区人群的耐药率」。

这个区别在写论文时的表述差别很大。「耐药率为 X%」这句话，前者要写「在送检标本中」，后者可以写「在人群中」。混用会被审稿人抓。

7.3 与 ARMD-Stanford 的组合价值

两库并存的意义不在于数据量翻倍，而在于给泛化研究提供了一个受控的对照。

通常做外部验证，训练集与测试集来自不同国家、不同年代、不同数据规范，性能下降时无法拆解原因：是人群不同？是检测方法不同？还是字段定义不同？ARMD 两库把后两项控制住了——同一套纳入排除标准、同一套字段定义、同一套特征工程。于是性能下降可以更干净地归因到人群与机构差异。

这个设计思路值得借鉴：数据集的价值不只在内容，也在它与谁配对。

7.4 库内互链点

相关条目	关系
AMR-UTI（rid 1292）	同一医疗系统、不同年份、不同设计目标的姊妹数据集
CARD（rid 1096）	耐药基因与本体的参考库，可与 enzyme 字段做映射

7.5 在方法演进中的位置

临床 AMR 建模的方法线大致是三段。

第一段是规则与打分：用既往培养结果加临床规则做经验性用药建议。优点是透明，缺点是无法处理高维交互。

第二段是监督学习：把药敏预测做成分类任务，输入菌种、人口学、既往史。这一段在 AMR-UTI 那篇论文里被推到「策略学习」的层次——不只预测耐药，还评估换策略的后果。

第三段是跨机构泛化与因果：不再追求单一数据集上的最高分，而是问「换个医院还能用吗」「这个关联是因果吗」。ARMD 双库是这一段的典型基础设施。

7.6 对国内同类工作的参照

国内做临床 AMR 数据公开的难点不在技术，在三处制度性安排。

一是检验数据的外发合规。微生物检验结果属于诊疗记录，跨机构汇聚需要伦理审批与数据出境/出库的合规路径。ARMD 的 IRB 编号（2017P000682）说明这套流程在美国是标准动作，不是特例。

二是字段标准化的动力。ARMD 能拆成十张表并让两个机构对齐，前提是两边都用了同一套 LOINC/SNOMED 类的编码体系，或者愿意做映射。国内医院信息系统厂商众多，字段名与取值域差异大，映射成本往往是项目的主要开销。

三是发布激励。数据论文在评价体系里的位置决定了有没有人愿意花力气整理。Scientific Data 这类期刊的存在，让「整理数据」本身成为可发表的工作。

三点都不是写作能解决的，但值得在这类条目里点出来——它解释了为什么同类数据在各地稀缺程度差别很大。

§8 总结：一份表型型数据的用法与边界

8.1 适用与不适用

适用	不适用
药敏结果预测与特征工程研究	菌种鉴定（无原始信号）
耐药谱型聚类与分型	院内克隆传播追踪（无株水平分型）
折点版本变更的影响评估	药物疗效比较（无干预与转归）
跨机构泛化验证（配 ARMD-Stanford）	季节性分析（日期已平移）
机制-表型一致性分析	儿科研究（仅成人）
抗菌药管理的行为学研究	精确年龄效应（分箱且开口）
数据质量与缺失机制的方法研究	与外部数据链接（无跨库键）

8.2 三句话

第一句，它补的是表型与背景之间的那段空白：耐药机制库不缺，决策数据极少，中间「这次培养到底测了什么、报了什么、之前用过什么」这层，公开数据里长期缺失。

第二句，它的技术亮点是双表型并存：AST_pheno 与 CLSI_2022_pheno 把「当年临床看到的」与「按统一口径重判的」分开存放，这一项省掉了使用者最容易做错的一步。

第三句，它的边界写在记录单位里：以培养为单位意味着患者级结论必须自己聚合，以实验室报告为边界意味着没有原始信号也没有转归，凭证访问意味着介绍与使用是两件事。

§9 术语与口径速查

9.1 缩写

缩写	全称	中文	备注
ARMD	Antibiotic Resistance Microbiology Dataset	抗菌药耐药微生物学数据集	本数据集所属系列名
MGB	Mass General Brigham	麻省总医院布莱根医疗系统	发布机构
AST	Antimicrobial Susceptibility Testing	抗菌药物敏感性试验	药敏试验
MIC	Minimum Inhibitory Concentration	最低抑菌浓度	稀释法结果
CLSI	Clinical and Laboratory Standards Institute	临床与实验室标准研究所	折点制定机构
S/I/R	Susceptible / Intermediate / Resistant	敏感/中介/耐药	三分类判读
ESBL	Extended-Spectrum Beta-Lactamase	超广谱β-内酰胺酶	酶类别之一
PBP	Penicillin-Binding Protein	青霉素结合蛋白	PBP 改变属耐药机制
blaZ	beta-lactamase Z gene	β-内酰胺酶 Z 基因	葡萄球菌青霉素耐药
mecA	mecA gene	甲氧西林耐药决定基因	MRSA 标志
NDM/KPC/IMP/VIM	New Delhi/Klebsiella pneumoniae/Imipenemase/Verona integron-encoded metallo-beta-lactamase	各类碳青霉烯酶	金属酶与丝氨酸酶
OXA	Oxacillinase	苯唑西林酶	含碳青霉烯水解亚型
CAZ/CRO/FEP/FOX/OXA/SAM/SXT/TZP/VAN	各药物三字母代码	头孢他啶/头孢曲松/头孢吡肟/头孢西丁/苯唑西林/氨苄西林-舒巴坦/复方磺胺甲噁唑/哌拉西林-他唑巴坦/万古霉素	用药侧 9 个分类代码
DAIMS	Data Attribution and Integrity Metadata Standard	数据归属与完整性元数据标准	用于 §5.7 评估
DUA	Data Use Agreement	数据使用协议	凭证访问必签

9.2 口径对照

说法	本页采用的精确口径
患者数	按 anon_id 去重，>225,000
培养数	按 order_proc_id_coded 计，>970,000
就诊数	1–497,096，为标识取值上界
年份	2015–2024，绝对日期已平移
表数量	10 张（以 Files 区为准），摘要写 8
用药覆盖	9 个分类代码，非全部药物
药敏药物	看 AST_code 取值域，宽于 9
菌种粒度	约 36 类，到种或种复合群，非株
年龄	9 档分箱，最高档 ≥90，纳入 ≥18

§10 事实清单与附录

10.1 事实清单

1. 英文全名：Antibiotic Resistance Microbiology Dataset — Mass General Brigham。
2. 发布平台：PhysioNet，v1.0.0，2025-12-05。
3. DOI（版本）：10.13026/2r5k-b955。
4. DOI（最新）：10.13026/53vq-f537。
5. 访问级别：Credentialed。
6. 许可：PhysioNet Credentialed Health Data License 1.5.0。
7. 患者数：>225,000（anon_id 1–226,659）。
8. 培养数：>970,000（order_proc_id_coded 1–970,165）。
9. 就诊标识取值：1–497,096。
10. 时间跨度：2015–2024。
11. 医院数：12（学术与社区混合，新英格兰地区）。
12. 纳入标准：≥18 岁，送检尿、血、呼吸道培养。
13. 排除标准：14 天内无既往培养记录者。
14. 文件数：摘要写 8，File descriptions 列 10。
15. AST 字段：AST_panel、AST_code、AST_val1、AST_val2、AST_pheno、CLSI_2022_pheno。
16. 耐药酶类别：ESBL、PBP、beta_lactamase、carbapenemase。
17. 耐药酶基因：blaZ、mecA、NDM、KPC、IMP、OXA、VIM。
18. 用药代码：CAZ、CRO、FEP、FOX、OXA、SAM、SXT、TZP、VAN。
19. 菌种分类：约 36 类。
20. 年龄分箱：9 档，18-24 起，最高 ≥90。
21. 去标识化：标识替换、日期随机平移 + UTC + _tj 后缀、年龄分箱、阳性样本 <20 患者的二元特征删除。
22. IRB 编号：2017P000682。
23. 官方局限：仅两条（地理机构背景、时间异质性）。
24. 配套论文：Scientific Data 2025;12(1):1299，DOI 10.1038/s41597-025-05649-7，PMID 40715119，PMC12297523。
25. 姊妹数据集：ARMD-Stanford，1999–2024，Stanford Health Care（加州）。
26. 两库共用同一纳入排除标准与同一特征工程管线。

10.2 附录 A：判断某个用法是否成立

想做的事	前置判断	结论
建药敏预测模型	特征能否全部限定在结果回报前	成立，注意泄漏检查
算患者级耐药率	是否按 anon_id 聚合	聚合后成立
算某院耐药率	是否说明分母是送检标本	成立，表述须限定
做年度趋势	是否接受日期平移	不成立
做跨机构验证	是否同时拿到两库	成立，需做双向实验
研究罕见基因	该基因频次是否达阈值	先查是否被阈值删除
分析机制-表型一致	是否限制在有双标注的子集	成立，分母须明确
评估管理成效	是否有转归与处方配对	需外部数据

10.3 附录 B：字段语义的四处易错点

字段/概念	字面理解	实际含义
AST_val1/2	一个连续的测定值	稀释法为 MIC、扩散法为直径，随面板变
enzyme 缺失	不耐药	未做确证或分子检测
AST_pheno	数据的药敏标签	当年报告值，折点版本随年份变
9 个用药代码	药敏被测的药物	用药侧的分类代码

10.4 附录 C：逐项证据链

事实	证据源
规模三项数字与标识取值	PhysioNet 条目描述页
12 家医院、2015–2024	PhysioNet 条目描述页
文件清单与摘要差异	PhysioNet 条目描述页 + Files 区
AST 字段体系	PhysioNet 条目描述页字段说明
耐药酶类别与基因取值	同上
9 个用药代码	同上
年龄分箱与纳入排除	同上
去标识化手法	同上
IRB 编号	同上
两条官方局限	同上
姊妹数据集与共用管线	PhysioNet 两库条目描述页
论文卷期与标识	Scientific Data 2025;12(1):1299

10.5 附录 D：引用格式

Mass General Brigham. (2025).
ARMD-MGB: Antibiotic Resistance Microbiology Dataset (version 1.0.0).
PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/2r5k-b955

ARMD: A Multi-Institutional Antibiotic Resistance Microbiology Dataset.
Scientific Data, 12(1), 1299. https://doi.org/10.1038/s41597-025-05649-7

10.6 附录 E：申请前的检查清单

项	确认要点
资质	CITI「Data or Specimens Only Research」证书是否在有效期
机构	机构是否支持 PhysioNet 凭证访问的身份核验
网络	所在地区是否受「Data Not Available」限制
合规	本地伦理审查是否需要额外备案
存储	是否具备隔离环境（DUA 通常要求不与非授权数据混存）
人员	团队成员是否均已单独取得凭证（DUA 通常按人签）
引用	是否接受以 DOI 形式引用而非数据集名称
退出	项目结束后数据销毁的流程是否已定

---

编辑说明

核验时点：2026-10-18。规模、字段、许可、访问条件、去标识化手法、IRB 编号与官方局限均回读 PhysioNet 条目描述页（v1.0.0 与无版本号两个入口）原文。

核验方式：患者数、培养数、就诊标识取值区间、年份跨度、医院数、AST 字段体系、耐药酶类别与基因取值、9 个用药分类代码、菌种分类数、年龄分箱、去标识化手法、IRB 编号、两条官方局限，全部以条目页文本为准；配套论文的卷期与 DOI 取自条目页引用区与出版方页面；ARMD-Stanford 的年份与机构描述取自其条目页；「Data Not Available」提示语为页面原文摘录。

口径边界：摘要段「8 个 CSV」与正文 File descriptions 的 10 张表并存，本页以 10 为准并在 §2.2 与 §6.1 两处标明差异，不给「哪一处写错了」的推断；患者数按 anon_id 去重，培养数按送检次数计，两者在全页严格区分，不合并表述；9 个用药代码全程标注为「用药侧分类代码」，不与药敏覆盖混谈；耐药酶字段的缺失一律表述为「未做检测」，不表述为「阴性」；官方仅列两条局限，本页不代为扩充，§4.2 的六条另标为「从字段设计推出的实操坑」，与官方局限分列。

未覆盖内容：数据总体积官方未公布，本页不给估算；各表的精确行数、逐字段取值分布、缺失率、各药物的药敏覆盖率均未在条目页公开，本页不推算；耐药酶字段的实际覆盖率需拿到数据后统计，§4.6 已将其标为 B 级证据；12 家医院的具体名称官方未逐一列出，本页不猜测；CLSI_2022_pheno 与 AST_pheno 的实际不一致率需自行计算，本页只述其设计意图与用途。

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：

• amr-uti — 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
• 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
• 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
• 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
• 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
• twosides — 共享标签：电子健康记录 / 真实世界数据 / 评测基准

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。