信息速览
这套数据集把院内感染预测从单一病种的小样本，换成了一整套按病原体分别构建的匹配队列。它来自 Mass General Brigham 医疗系统近十年的成人住院记录，覆盖 11 种药物敏感与耐药病原体，分环境分析与患者分析两条互补路线，在 PhysioNet 以 1.0.0 版发布，标识符为 DOI 10.13026/k70x-0m81。
院内感染研究的难点不在模型，而在判定谁算病例、从哪一刻开始算。多数公开数据只有培养结果与出院诊断，缺少进入病区的准确时刻、同病区的共住者、以及入院前是否已携带目标菌。这套数据把入院、转科、抗生素、手术、培养逐条对齐到时间零，再用定植压力把同病区还有谁带菌变成一个可计算的数值。
适合做感染控制建模、抗菌药物暴露效应评估与真实世界队列方法学的人使用。打开之前先弄清两件事：观察窗从进入合格病房的第 3 天起算，而不是入院当天；病例数是按病原体累加的条目数，不等于患者数。这两点决定了任何发生率或风险比的分母。
§1 它是什么
1.1 一句话定位
这是 PhysioNet 上的一个去标识化、经策展的患者级数据集，用于建模「细粒度环境因素与患者层面因素」对院内获得性病原体定植与感染的共同影响。官方页把它归入回顾性队列与匹配病例-对照设计的交叉地带：数据本身是回顾性的，分析结构却是条件 logistic 回归所要求的匹配集。
条目的正式英文名是 Predictors of Hospital Onset Infection: A Matched Retrospective Cohort Dataset，v1.0.0 于 2025 年 11 月 4 日发布。PhysioNet 为其分配了 DOT 风格标识符 10.13026/k70x-0m81，另有一个指向最新版本的 DOI 10.13026/pa4z-5293。两个 DOI 在当前只对应一个版本，引用时应固定使用 1.0.0 的标识符，避免日后版本更新导致描述漂移。
1.2 它不是什么
它不是一套「所有住院病人」的全量 EHR 提取。官方页写明只保留满足严格入组条件的住院：观察期内只在一个合格病房停留超过 48 小时、入院前一周到进入病区后三天内没有抗生素暴露、且过去 6 个月（金黄色葡萄球菌与肠球菌为 12 个月）没有目标病原体的临床或监测培养阳性。这意味着它是一套「干净起点」的队列，而非真实世界的随机抽样。
它也不是 MIMIC、eICU 那类通用重症数据库。虽然同属 EHR 派生，但这套数据的每一行都绑定一个目标病原体与一次匹配，字段围绕「菌」与「抗生素」组织，而不是围绕器官功能与生命体征组织。
1.3 发布方与团队
作者名单按 PhysioNet 页面顺序为：Wei Ziming、Sagers Luke、McKenna Caroline、Pak Ted、Rhee Chanu、Klompas Michael、Kanjilal Sanjat。其中 Rhee、Klompas、Kanjilal 长期从事感染预防与医院流行病学研究；Kanjilal 在 GitHub 代码库上署名联系人为 Amsterdam University Medical Center 医学微生物与感染预防系，代码库本体的工作则依托 Mass General Brigham。
PhysioNet 页面本身没有列出作者隶属机构，隶属信息仅能从代码库联系人页与伦理批件推断，引用时如需机构信息，应回到正式论文而不是条目页。
1.4 版本与伴随物
条目只发布过 1.0.0。与之配套的还有两样东西：一是 GitHub 上的分析代码库（sanjatkanjilal/hospital_onset_infection_analyses），包含从原始提取到建模的九段 R 脚本，用 R 4.4.0 编写；二是一篇预印本论文（medRxiv 2025.06.11.25329430），代码库 README 同时引用了该工作以「A proof-of-concept study for colonization pressure as a real-time machine-learning risk metric」为题的 Nature Communications 2026 版本。
代码库与条目页对论文题目的表述并不一致，条目页并列列出两种，引用时应以实际读到的那一版为准。
1.5 命名与检索的三个坑
第一，「hospital-onset infection」与「hospital-acquired infection」在中文里都译作院内感染，但英文检索时前者更强调发生时刻，后者更强调获得场所。用 HAI 或 nosocomial 检索，才能同时命中定植压力这一支文献。
第二，库内已有一条 MIMIC-III 派生的院内感染风险队列（Nosocomial Risk Datasets），主题相近、数据源与标签工程完全不同，二者不可合并或互相替代。
第三，数据集名里的「matched retrospective cohort」容易被读成「前瞻性队列的回顾性分析」，实际它是先用匹配构造集合，再在匹配集内做分析，属于病例-对照的结构而非队列的风险集结构。
1.6 与相近名词的边界
「院内起病」强调时间：感染在入院之后发生。与之并列的还有「医疗保健相关感染」，强调接触医疗系统的场所，包含门诊操作、透析、长期护理机构乃至出院后短期内的感染。这套数据的口径更窄，只看住院期间、只看进入合格病房之后。
「定植」与「感染」的区别则是这套数据最容易被跨过的一道线。定植指病原体在体内存留而未引起临床症状，感染指存留伴随临床应答。监测培养主要发现定植，临床培养才接近感染。官方页把两者都计入病例判定，因此这里的「病例」更准确的读法是「培养阳性者」，其临床感染状态需要另行判断。
术语边界的模糊会直接影响结论的外推。用这套数据估计出的效应，严格说解释的是「环境与用药对培养阳性的影响」，而不是「对显性临床感染的影响」。后者通常更依赖宿主因素，效应量往往更小。
1.7 数据的组织逻辑
理解这套数据的结构，可以用一个三层比喻。底层是时间线，每一行住院都有一条从入院到出院的转科、用药、手术、培养记录。中层是队列，时间线按纳入排除条件筛选后，只保留起点干净的住院。顶层是匹配，筛选后的住院再按目标病原体拆成十一组，每组内部构造病例与对照的配对。
三层的顺序不能颠倒。先匹配再筛选，会让匹配变量混入筛选逻辑；先建模再匹配，会失去条件回归所要的分层。代码库的脚本顺序也反映了这一点：先预处理，再构建未匹配队列，再加特征，最后才匹配。
1.8 条目页与代码库的信息分工
条目页负责描述数据本身：来源、规模、字段、纳入排除、匹配标准、许可。代码库负责描述怎么造出来：九段脚本的输入输出、去标识处理、建模方法。两者信息不重复但互补。
使用时的常见障碍是只读其中一处。只读条目页，会以为数据可以直接从主表演化出全部中间变量；只读代码库，会误以为原始提取流程可以在公开数据上复现。实际上代码库依赖的原始表是机构内部的，公开的只有最终主表与少量依赖文件的描述。
1.9 一个具体的读例
假设关心「住院期间用了广谱抗生素之后，MRSA 感染风险是否升高」。这个问题落在患者分析上：匹配已把病区与年月对齐，剩下的差异主要是患者自己的用药史。取 MRSA 那一组，一千一百余个病例与两千六百余个对照，按匹配集还原，再用条件回归看含 MRSA 覆盖的抗生素类别计数项。
若改用环境分析回答同一问题，匹配已经把抗生素暴露压平，系数的意义就变成了在同样用药条件下，同病区带 MRSA 的人多少对风险的影响。同一个问题，两种分析给出的不是同一个量，混着解释就会出错。
§2 数据构成
2.1 主表与依赖文件
发布包里面向使用者的是 HO_infxn_analysis.csv 这一张分析主表。官方页同时列出八个依赖文件：micro.csv（微生物培养）、dems.csv（人口学）、ADT.csv（入院出院转科时间戳）、abx.csv（抗生素处方）、elix.csv（Elixhauser 合并症）、procedure.csv（手术史）、cpt.csv（手术 CPT 代码）与 col_pressure.csv（病区定植压力）。
这八个文件不在发布仓库内，只是说明主表的每一个派生字段来自哪里。这一点对复现很关键：拿到主表可以做建模，但要重建变量、改观察窗或换病原体集合，就需要向作者申请原始中间表，而 PhysioNet 条目并不提供这些中间件。
2.2 两种分析、同一批住院
环境分析与患者分析共用同一批住院记录，区别不在数据而在匹配的均衡方式。环境分析把既往抗生素暴露当作需要被压平的混杂，好让「同病区还有谁带菌」这个环境变量显出信号；患者分析反过来，把病区与入院时间当作要压平的混杂，好让「用过哪一类抗生素、用了几疗程」显出信号。
这种设计等价于在一次观察中做两次相反的遮蔽实验。它带来的好处是两种策略可以互相校验；代价是同一批病例在两组里重复出现，若把两表合并统计会重复计数。
2.3 规模口径
官方页给出的是条目数而非人数，此表照录。
| 分析 | 病例条目 | 对照条目 | 每例最多对照数 |
|---|---|---|---|
| 环境分析 | 14,923 | 28,480 | 3 |
| 患者分析 | 16,933 | 39,372 | 3 |
对照条目可被多个病原体复用，因此对照数大于病例数三倍并不矛盾，也无法据此反推实际匹配成功率。官方页另给出唯一患者标识的取值范围：环境分析 1–34,338，患者分析 1–49,583。这两个上界是编号空间，不是实际患者数。
2.4 逐病原体的病例与对照
患者分析下 11 个病原体各自的条目数如下，环境分析的对应分布见附录一。两种分析的可比性有限：同一病原体在不同分析里的病例数不同，原因是匹配条件不同导致可匹配的病例集合不同。
| 病原体 | 患者分析病例 | 患者分析对照 |
|---|---|---|
| 大肠埃希菌（敏感） | 4,576 | 9,875 |
| ESBL 大肠埃希菌 | 1,034 | 2,511 |
| 肺炎克雷伯菌（敏感） | 1,723 | 4,194 |
| ESBL 肺炎克雷伯菌 | 336 | 804 |
| 粪肠球菌（万古霉素敏感） | 2,384 | 5,698 |
| 屎肠球菌（万古霉素耐药） | 389 | 962 |
| 艰难梭菌 | 1,094 | 2,558 |
| MSSA | 2,375 | 5,387 |
| MRSA | 1,102 | 2,656 |
| 铜绿假单胞菌（敏感） | 1,456 | 3,615 |
| 铜绿假单胞菌（耐药） | 464 | 1,112 |
读这张表要注意两件事。其一，敏感株普遍多于耐药株，与耐药菌在住院人群中的实际负担方向一致，但这只是病例数的相对大小，不能当作感染风险的排序。其二，艰难梭菌的病例与对照都偏少，而它在临床上往往不是「定植后感染」的路径，使用定植压力解释它的意义时需要单独讨论。
2.5 字段结构
主表字段按官方页的功能字典可分为六组。
| 组别 | 代表字段 | 含义 | 字段可靠性 |
|---|---|---|---|
| 分组 | analysis、run、group | 分析类型、目标病原体、病例或对照 | 官方页确证 |
| 标识与时序 | deidentified_patient_id、deidentified_month、deidentified_year、dept_code、duration、time_to_infxn、matching_duration | 去标识患者号、去标识年月、科室码、停留时长、至感染时长、匹配时长 | 官方页确证；日期为随机化后保留相对时序 |
| 患者属性 | age、sex | 年龄（截断于 90 以上合并）、性别 | 官方页确证；90 岁以上被合并 |
| 暴露 | any_abx_0_60、各类抗生素的 0_60 计数 | 既往 60 天抗生素疗程数 | 官方页确证 |
| 环境 | 病原体特异的定植压力字段 | 同病区共住者的加权带菌密度 | 官方页给出公式；权重参数默认值可见 |
| 合并症 | elix_index_mortality、各 Elixhauser 项 | 死亡风险指数与分项 | 官方页确证 |
字段字典只给出取值范围与定义，没有给出缺失率、各字段的编码字典版本或单位换算细则。这些需要拿到数据后在本地核查。
2.6 定植压力的计算口径
官方页给出的核心公式是：对研究参与者所在的病区 i，把过去 6 个月内在该病区共住、且检出过同种目标病原体的每一位共住者 j，按「检出日到参与者进入病区日的间隔天数 T」做指数衰减，衰减系数 λ 默认取 0.01，再求和。
这个公式有三处需要留意的设定。第一，衰减系数是固定的默认值而非按病原体估计，换代时间短的菌与换代时间长的菌用同一 λ 会偏。第二，回溯窗口固定为 6 个月，与病例定义的定植清除假设（6 个月或 12 个月）并不完全同步。第三，公式只计算同病区的共住者，跨病区、共用设备、同一医护团队的传播不计入，因此它是病区层面的近似，不是传播链还原。
2.7 去标识化与时间轴
代码库 README 说明了四条去标识处理：患者标识匿名化；超过 90 岁的患者从分析中移除（官方页字段说明写的是「合并为 90 以上」，两处措辞不同）；病区替换为随机数；入院与出院日期改为随机日期时间，但同一患者内的相对时序保留。
第四条最影响使用。随机化打散了所有患者共同的日历时间，因此跨患者的季节性比较、与外部疫情曲线的对齐、按自然年切分训练测试集，都会失去意义。能做的只有患者内的时序分析与患者间的相对间隔分析。
2.8 时间线如何被压成一行
原始 EHR 里，一次住院会产生成百上千条事件。压成一行分析记录，必须做三次折叠。
第一次是把事件对齐到时间零。入院、首次转科、开始抗生素、第一次手术、第一次培养，全部换算成相对 T0 的天数。这一步决定了后面所有的窗口判定都建立在同一坐标系上。
第二次是把窗口内的事件汇总成计数。过去六十天的抗生素疗程数、过去九十天的手术有无、住院期间的停留天数，都是把事件流变成标量。折叠方式决定了信息损失的多少：一个疗程计一次，而不是按天数累计，是有意为之，避免长期低剂量预防用药被误判为高强度暴露。
第三次是把同一病区的其他人折叠成环境。定植压力不是某一个共住者的属性，而是整个病区在回溯窗内的加权存量。这一步把个体级数据转成了病区级变量，也把分析单位从患者扩展到了患者所在的时空位置。
三次折叠的顺序不可颠倒，且每一步都在损失细节。想做逐日动态分析的使用者，需要意识到这套数据在第二次折叠时就已放弃了日内分辨率。
2.9 字段的三种可靠性等级
按官方页的可核验程度，字段可分三档。
第一档是有明确定义与取值范围的，包括分析类型、病原体名、病例分组、患者号、年龄、性别、停留时长、至感染时长。这些可以直接按字面使用。
第二档是有定义但取值经过处理或去标识的，包括去标识年月、病区码、各类抗生素疗程计数。这些字段可用于建模，但不能还原成临床原貌。
第三档是派生且依赖方法的，包括定植压力与 Elixhauser 指数。它们的数值依赖公式参数与合并症映射版本，与外部同名字段不可直接比较。
分级的意义在于引用时的表述精度。引用第一档可以直接说数值；引用第三档必须同时说明计算方法，否则无法判断可比性。
§3 怎么拿到
3.1 访问级别
该条目属于 PhysioNet 的 Database Credentialed Access 级别，是平台上限制最严的一档。它与公开访问的区别不在于是否收费，而在于下载者必须先在平台侧完成身份核验与用途承诺。
3.2 四道手续
按 PhysioNet 凭证访问的常规流程，四道手续缺一不可：注册账户并通过个人身份核验，通常需要提供机构邮箱与身份证明；完成 CITI「Data or Specimens Only Research」培训并上传结业证明；由所在机构签署数据使用协议，确认机构对数据安全承担责任；在条目页提交研究用途说明，经审核后获得下载权限。
条目页明确列出许可为 PhysioNet Credentialed Health Data License 1.5.0，协议为同名 1.5.0 版数据使用协议。这两份文本约束的是数据的使用范围、再分发限制与安全事件报告义务，不是开放许可。
3.3 区域限制
条目页的文件板块在某些网络环境下显示为不可用，官方说明的原因是区域法律或政策限制导致无法获取。这不代表条目下架，而是说明这些地区的用户即使完成全部手续，也可能无法取得文件。规划使用前应先确认所在机构是否在可获取范围内。
3.4 拿不到数据时能做什么
官方页公开的信息足以支撑三类工作而无需下载：一是做方法学综述，把匹配策略与观察窗定义与其他院内感染队列横向比较；二是复算定植压力的公式与参数敏感性；三是依据代码库的脚本清单规划自己的分析管线。
代码库本身是公开的，九段 R 脚本覆盖从原始提取、队列构建、特征添加、匹配到建模与制图的完整链条。把脚本当作流程模板，在自有数据上重建同类队列，是访问受限时最实际的做法。
3.5 引用规范
官方页给出的条目引用格式为：Wei Z, Sagers L, McKenna C, Pak T, Rhee C, Klompas M, Kanjilal S. Predictors of Hospital Onset Infection: A Matched Retrospective Cohort Dataset (version 1.0.0). PhysioNet. 2025. DOI 10.13026/k70x-0m81。
代码库 README 另给出一条论文引用，指向 Nature Communications 2026 的正式版本。数据与代码分别引用，是这类资源的通行做法：数据条目负责可复现，论文负责解释设计取舍。
§4 质量与已知问题
4.1 观察窗为什么是这套数据的命门
病例的定义只有一句话：在进入合格病房后的第 3 天到第 30 天之间，任何临床或监测培养检出目标病原体。这句话里每一个成分都会改变病例集合。
起点从第 3 天开始，是为了把入院时已经携带但尚未检出的病例排除在外。但「第 3 天」这个切点本身是惯例而非定理：国际通行的院内感染判定中，48 小时与 72 小时两种切点并存，不同切点对应不同的「入院时已存在」排除强度。切点前移，早期病例被算作社区获得；切点后移，晚发感染被纳入的窗口变短。
终点定在第 30 天，与平均住院时长相关。住院超过 30 天的患者，其 30 天之后的感染不计入；住院不足 30 天就出院的患者，其出院后发生的感染也不计入。因此观察窗同时受限于日历天与住院边界，病例集合是「窗口 × 住院」的交集。
4.2 48 小时到底用在哪
这是最容易被误读的一处。48 小时在这套数据里出现两次，都不是感染判定点。第一次是入组资格：合格病房的停留必须超过 48 小时，且不含急诊时间，目的是确保患者真正在病区暴露过而非短暂路过。第二次是共住者定义：在参与者进入病区前 30 天内住院超过 48 小时的人，才算这间病区的共住者。
因此把「48 小时」当作院内感染的时间窗定义，与官方页原文不符。真正的感染窗口是 T+3 至 T+30。
4.3 匹配是怎么做的
匹配的目标不是让两组人数相等，而是让两组在关键混杂上分布相似。这套数据分两种策略。
环境分析的匹配项是年龄（±5 岁）、性别、过去 90 天是否手术、病房停留时长（±3 天，或截断到指标培养时间，取较短者），以及抗生素暴露——后者按疗程数分层，一个疗程定义为连续用药至少 2 天且疗程间隔至少 7 天，并按 14 类抗生素分类。把抗生素暴露匹配掉，等于人为抹平了选择压力，剩下的差异才归因于同病区还有谁带菌。
患者分析的匹配项是病区、入院月份与年份、病房停留时长。把病区与时间匹配掉，等于人为抹平了「同期同病区流行的是哪一株」，剩下的差异才归因于患者自己的用药史。
两种策略的取舍在此可见：环境分析为了看环境而牺牲了对抗生素暴露的观察；患者分析为了看患者而牺牲了对同期流行的观察。任何一项结果都不能脱离它所对应的匹配策略去解释。
4.4 匹配的代价
匹配是有损操作。每一步收紧都会减少可配对的病例：要求年龄落在 ±5 岁内、要求停留时长在 ±3 天内、要求同类抗生素疗程数一致，三条同时满足的对照并不总有三个。
官方页没有披露匹配前的候选对照数量与匹配后的损失比例，因此无法从公开描述判断哪一种病原体、哪一类患者的匹配质量较差。这是使用时最需要向作者确认的信息之一。可以确认的只有两点：每例最多配三个对照，且对照可被多个病例复用——复用能缓解对照不足，但会让同一条对照在多组里出现，做敏感性分析时应把复用因素考虑进去。
4.5 假设、支持与反对
| 假设 | 支持它的证据 | 反对它的证据 |
|---|---|---|
| 观察窗起点设在第 3 天能有效排除入院时已携带者 | 入组要求 T–7 至 T+3 无抗生素、且过去 6 个月无同种病原体培养阳性 | 无症状定植不会主动培养，未做主动筛查者无法被排除；定植清除时间按 6 个月/12 个月一刀切 |
| 匹配能消除抗生素暴露的混杂 | 环境分析按疗程数与 14 类抗生素分层匹配 | 分层按类别与疗程数，不按剂量与具体天数；同类不同药的选择差异仍残留 |
| 定植压力可作环境暴露的代理 | 有明确公式，只用 EHR 既有数据，可对任意菌、任意病区计算 | 只计同病区共住者，忽略医护、设备、跨病区转运；λ 取固定默认值 |
| 培养阳性足以定义院内感染 | 临床与监测培养均计入，覆盖面较诊断编码更细 | 培养采集由临床怀疑驱动，监测强度随科室与时期变化，存在监测偏倚 |
4.6 结论强度分级
A 级（三条以上独立证据线）的结论只有一条：这 11 种病原体在两种匹配策略下都形成了可分组的病例-对照结构，字段与时序关系在官方页、代码库脚本、预印本三处一致。
B 级（两条证据线）的结论包括：病例集合由 T+3 至 T+30 窗口与住院边界共同决定；定植压力按同病区共住者指数衰减加权计算。
C 级（单一来源）的结论包括：匹配后的具体损失比例、各病原体的实际感染率、字段缺失率。这些只有拿到数据才能核。
D 级（推断）的内容，正文一律不写成结论。
4.7 固有局限
第一是监测偏倚。病例判定依赖培养，而培养送检不是随机的：住进 ICU、发热、白细胞升高、有侵入性装置的患者被送检的概率更高。同样的定植压力下，送检多的病区会「发现」更多病例。匹配时病区与时间被对齐后，这一偏倚在组间会被部分抵消，但不会消失。
第二是错位分类。敏感与耐药的分层依据是药敏表型，官方页注明按 CLSI M100 第 32 版判读。判读标准随年份更新，2015 年的判读与 2024 年的判读对同一最低抑菌浓度可能给出不同结论，跨越九年的数据存在标准漂移。
第三是未测量混杂。匹配只能控制已测变量。病房拥挤度、护士配比、手卫生依从性、患者的基础功能状态，这些对感染风险影响很大的因素，数据里没有或只有间接代理。
第四是分母缺失。只有病例与对照条目，没有同期住院总数，任何发生率都算不出来。用这套数据能回答「谁风险更高」，不能回答「风险有多高」。
4.8 换个切点会怎样
把这套定义平移到另外三种常见做法上，可以看清它的边界在哪里。第一种是 48 小时切点：进入病区满 48 小时后检出即判院内，早期病例被大量纳入，会把入院时已携带但延迟培养出结果的人算进病例，病例数上升而特异性下降。第二种是 72 小时切点：排除更彻底，但住院不足四五天即出院的患者几乎全部被排除，样本向长住院者倾斜。第三种是整套采用现行定义：以第 3 天为界，兼顾排除早期携带与保留足够病例。
三种做法对应的病例集合彼此并不嵌套。同一个患者在 48 小时方案里是病例，在 72 小时方案里可能连入组资格都没有，因为它首先要满足病房停留超过 48 小时。这就是为什么跨研究的院内感染率长期不可比：不是统计方法差异，而是病例集合本身不同。
4.9 与外推有关的两个现实约束
一是单一医疗系统的体量。Mass General Brigham 是大型学术医疗系统，其患者构成、抗菌药物管理强度、感染控制投入与中小医院差异明显。在这套数据上训练的模型迁移到社区医院时，定植压力的分布会整体偏移。
二是年代跨越。2015 年至 2024 年覆盖了抗菌药物管理政策的调整期与若干次病原体流行格局的变化，耐药谱随时间漂移。把九年数据放在一起建模而不做年代分层，等于假设传播机制在九年间不变。
4.10 与匹配有关的三个技术细节
第一个细节是可见性。匹配变量来自住院前的既有记录：年龄性别来自人口学表，手术来自过程表，抗生素来自处方表。这些都是结构化字段，容易取到，也容易匹配。而真正决定感染风险的护理强度、病房改造、患者依从性，在匹配中不可见，因此条件的对齐不等于风险的对齐。
第二个细节是可复用对照的方向性。一个对照被多个病例复用时，它通常来自该病区常见的人群——住得较久、基础疾病较重、与该病区患者相似度高的人。复用让匹配更成功，也把对照样本向这群人集中，使得对照组不再代表普通住院者。
第三个细节是比值不固定。官方只给出上限三，没有给出各病原体、各分析下的实际比值分布。在条件 logistic 回归中，比值可以随匹配集不同而不同，这不影响估计的一致性，但会影响有效样本量，从而影响置信区间宽度。
§5 能做什么
5.1 五类可用任务
这套数据的结构决定了它能支撑的任务类型。凡是以「入院时状态已知、进入病区为起点、事后是否检出为结局」为骨架的问题，都可以落在上面。
| 任务 | 输入 | 输出 | 对应分析 |
|---|---|---|---|
| 环境效应估计 | 匹配集 + 定植压力 | 条件 logistic 回归系数 | 环境分析 |
| 抗生素类别效应 | 匹配集 + 60 天疗程计数 | 各类别风险比 | 患者分析 |
| 非线性风险建模 | 全字段 | 特征重要度与风险分层 | 两种分析均可 |
| 匹配质量评估 | 匹配前后的协变量分布 | 标准化差异 | 需自行构造 |
| 定植压力参数敏感性 | 公式参数 | 不同衰减系数下系数方向是否稳定 | 环境分析 |
代码库的第九段脚本负责制图，第八段脚本同时产出条件 logistic 回归系数与 XGBoost 特征重要度，说明作者本身就把线性与非线性两条路线并排做了。使用者若不认同线性假设，可以直接对齐到非线性路线。
5.2 最小可执行分析
以环境分析下的大肠埃希菌为例，一次完整的分析至少包括五步。
第一步，从主表中筛出分析类型为环境分析、目标病原体为大肠埃希菌的所有行，按患者号与分析轮次还原匹配集。
第二步，核对匹配质量。对年龄、性别、手术史、停留时长、抗生素疗程数逐项计算病例与对照的标准化差异，差异超过 0.1 的协变量在后续模型中应做校正或做敏感性分析。
第三步，以匹配集为分层，拟合条件 logistic 回归，自变量为定植压力，可附加 Elixhauser 指数与年龄做剩余校正。
第四步，做参数敏感性：把定植压力的衰减系数从默认值上下各取两档，看系数方向与显著性是否翻转。
第五步，用 XGBoost 在同一匹配集上拟合，比较定植压力在特征重要度中的排序。若线性模型显示显著而树模型把它排在末位，说明效应可能集中在少数极端值上。
5.3 建模时的四个约定
其一，匹配集必须作为整体处理。条件 logistic 回归靠匹配集内部比较来消除匹配变量的影响，若把匹配集打散做普通回归，匹配的意义就消失了。
其二，对照复用会破坏独立性假设。同一对照出现在多个匹配集时，标准误会被低估，稳健标准误或聚类到患者层面的做法更稳妥。
其三，时间字段是相对值。deidentified_month 与 deidentified_year 只能用于同一患者内的相对定位与匹配分层，不能用于跨患者的季节分析。
其四，病原体之间不能简单合并。11 种病原体的定植压力各不相同，把它们的病例合在一起建模，等于把不同传播机制的菌当成同一个暴露，结论难以解释。
5.4 不适合的任务
预测单个患者明天会不会感染，不适合。原因不是模型不够，而是数据里没有个体层面的动态信息——每一行是一段住院的截面，没有逐日的培养、体温、白细胞轨迹，无法构造滚动预测。
估计院内感染的绝对发生率或负担，不适合。分母缺失，且入组条件已经把大量住院排除在外，得到的任何比例都不代表真实住院人群。
做跨医院的比较，不适合。全部数据来自一个医疗系统，不同医院的患者构成、抗菌药物政策、感染控制强度差异很大，外推需要额外的验证队列。
因果推断中的反事实估计，需要谨慎。匹配提供的是观察性可比性，不是随机化，未测量混杂依然存在，任何「用某类抗生素会使风险增加多少」的表述都应注明这是观察性关联。
§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 |
|---|---|---|
| 48 小时是院内感染的时间窗 | 感染窗口是进入合格病房后第 3 天至第 30 天；48 小时用于病房停留资格与共住者定义 | 官方页描述与纳入标准 |
| 表内病例数就是患者人数 | 是按病原体累加的病例条目数，对照可复用，唯一患者号上界约五万 | 官方页规模表与字段说明 |
| 病例与对照是 1:3 | 是「每例最多 3 个对照」，实际比例随病原体与匹配条件变化 | 官方页匹配段 |
| 环境分析与患者分析是两批人 | 是同一批住院的两种匹配，病例在两组中重复出现 | 官方页摘要 |
| 可以做感染发生率统计 | 官方页未给分母住院总数，发生率无法计算 | 官方页规模表 |
| 是通用 ICU 数据库 | 以病原体与抗生素为中心组织，病房停留 >48 小时即可入组，不限于 ICU | 官方页纳入标准 |
| 数据可直接下载 | 凭证访问，需培训、身份核验与数据使用协议 | 官方页访问政策 |
| 定植压力等于病区带菌人数 | 是按间隔天数指数衰减后的加权和，且只计同病区共住者 | 官方页公式说明 |
| 超过 90 岁患者被保留并合并编码 | 代码库写的是从分析中移除；官方页字段说明写的是合并为 90 以上 | 两处并存，引用需注明来源 |
| 病例可视为新发感染 | 培养阳性不等于临床感染，监测培养检出的是定植，需结合临床表现判读 | 官方页病例定义与临床常识 |
6.2 技术陷阱（坑点编号）
坑 1：把对照条目当人数。 同一对照可被多个病原体复用，也可在一个病原体下被多个病例复用。做描述性统计前必须先按患者号去重，否则对照数会虚高。
坑 2：跨分析合并。 环境分析与患者分析的病例数不同，原因是在不同匹配条件下可配对的病例集合不同。把两表纵向拼接再统计病例总数，会重复计数。
坑 3：把 dept_code 当科室名。 病区以随机数替换，同一个真实病区在不同患者间保持同一码，但码本身没有语义。想按「内科外科」分组，需要另行获取映射或放弃这一维度。
坑 4：误解 matching_duration。 这个字段是匹配时长，可能被截断到指标培养时间。把 duration 与 matching_duration 混用，会错估暴露窗长度。
坑 5：把 λ 当可自由调参。 定植压力的衰减系数默认固定，若在敏感性分析中调整，须在方法中明确说明这是偏离原始定义的做法，而不是「更优的参数」。
坑 6：忽略日期随机化。 跨患者的日历时间不可比。任何按年份切分训练集与测试集的做法，实际上切的是随机化后的伪年份，没有季节含义。
坑 7：把 CLSI 版本当恒定。 药敏判读按 M100 第 32 版统一回溯判读，仍不能消除原始检验时代际差异造成的采集偏差，尤其是耐药判定在判读标准更新前后的病例。
坑 8：把匹配当随机化。 匹配集内的可比性只覆盖已匹配变量，条件 logistic 回归的系数是观察性关联，不构成反事实意义上的因果效应。
6.3 引用时的表述细则
写方法部分时，观察窗必须写清楚起点与终点，且起点要写明是进入合格病房而非入院。这一点在跨研究比较里差别极大，含糊表述会被误以为用的是 48 小时或 72 小时口径。
写样本量时，应写「病例条目数」而非「患者数」，并说明对照可否复用。如果要做描述性统计，须说明已按患者号去重，否则数字对不上。
写效应估计时，应说明匹配策略。环境分析的系数与患者分析的系数回答的不是同一个问题，只写「在匹配后的队列中」而不写匹配了什么，外部使用者无法判断调节的是哪一类混杂。
写局限性时，监测偏倚与未测量混杂至少各占一句。这两条不是形式主义，而是这套数据解释力的硬边界。
6.4 检索与命名陷阱
数据集名带「matched retrospective cohort」，在文献检索里容易与「回顾性队列研究」混为一谈。真正的队列研究有明确的风险集与随访，病例-对照则是在已知结局的人群里回看暴露。用病例-对照的相关检索词，才能找到可比研究。
英文里 hospital-onset 与 hospital-acquired 常被交替使用，但前者更受时间定义约束，后者更受场所约束。检索结果混在一起时，需要用「48 hours」「day 3」这类时间词进一步筛选。
中文语境内，「院内感染」「医院感染」「医疗保健相关感染」三种译法并存。用「定植压力」检索比用「院内感染」更能定位到这一支方法学文献。
§7 在生态中的位置
7.1 与通用 EHR 数据库的分工
库内的 MIMIC-IV、eICU-CRD 提供的是多参数、高频、以器官功能为中心的数据，适合做重症监护内的动态预测与治疗效应评估。这套数据提供的是低频、结构性、以病原体与抗生素为中心的数据，适合做感染控制层面的暴露效应估计。两者互补而非替代：前者能回答「这个病人会不会恶化」，后者能回答「这个病区的什么因素让人被感染」。
7.2 与院内感染风险队列的分工
库内已有一条基于 MIMIC-III 的院内感染风险数据集，它用规则从临床文本里生成间接监督标签，解决的是「没有逐例确认的感染标签」的问题。这套数据反过来，用培养记录与时间窗逐例确认，用匹配来控制混杂，解决的是「标签有了但混杂没控住」的问题。方法路线是对立的两端，可比之处在于都把院感预测当成结构化建模任务。
7.3 与公共卫生监测数据的距离
与霍普金斯新冠时间序列、NHANES 这类公共卫生数据相比，这套数据不在人群层面，而在机构层面。它无法回答全国或全州层面的负担，也无法做人群归因；它的价值在于把医疗机构内部的传播动力学变量化，而这恰恰是人群数据里最缺的一层。
7.4 方法学上的位置
在观察性研究的工具箱里，这套数据是「按结局匹配、按时间零对齐、按环境暴露建模」的一个完整实例。同类做法在心衰、脓毒症、手术部位感染研究中都有先例，但其特点是把匹配变量细化到抗生素疗程层面，并且对同一批数据做了两种互补匹配，使方法学比较成为可能。
7.5 与抗菌药物管理实践的关系
抗菌药物管理是医院里少数有明确可干预抓手的工作之一。这套数据把过去六十天的抗生素暴露拆成十四类抗生素各自的疗程计数，等于把管理的痕迹留在了变量里。管理团队若想知道某类药物的限制使用政策是否与后续耐药菌检出相关，可以直接用患者分析那一侧的数据观察条件关联。
需要提醒的是，这里的暴露是处方的痕迹而非实际服用。门诊续方、家庭自备药、住院期间的口头医嘱未录入，都会让计数偏低；反过来，预防性用药与经验性用药在前六十天大量出现，也会让计数偏高。用药史的准确性取决于机构 EHR 的完整度，跨机构直接比较并不可靠。
7.6 与感染控制监测体系的接口
多数医院的感染控制监测仍以手工核查加目标性监测为主，覆盖范围通常只及重症、外科高危病区与少数耐药菌。定植压力这类指标的价值在于它可以用既有 EHR 自动计算，对全部病区、全部病原体同时计算，不需要新增采集。
代价是它只能反映存量，不能反映传播链。知道了某病区本周带菌者多，不等于知道感染是从哪里传过来的。要把定植压力用于日常防控，通常还需要结合主动筛查培养与分子分型，才能判断是同一克隆传播还是多个独立来源。
7.7 与预测模型评测基准的距离
预测模型的评测依赖固定切分与固定终点。这套数据虽然给了明确的病例定义，却没有给官方切分，也没有给统一的评测指标。使用者若要用它做基准，需要自己划分训练与验证，并公开切分方式，否则不同研究之间的分数不可比。
另一个差别是终点粒度。多数医疗预测基准的终点是单一事件或单一诊断，这套数据的终点是十一种病原体的检出，每种病原体的基础率与传播机制都不同。把它当成单一基准使用，会掩盖病原体之间的异质性。
§8 总结
8.1 三句话
这是一套按病原体分别构建的匹配队列，用时间零对齐把院内感染的起点定义清楚，用两种互补匹配分别压平抗生素暴露与时空流行两个方向的混杂。
它的关键不在病例多少，而在病例如何被界定：观察窗从进入合格病房第 3 天到第 30 天，48 小时只负责病房停留资格与共住者界定，这一点决定了跨研究可比性的上限。
它是观察性数据，匹配能控制已测混杂，不能替代随机化；病例判定依赖培养，监测强度不均是结构性的偏倚来源，任何结论都应按此强度表述。
8.2 适用与不适用
| 适用 | 不适用 |
|---|---|
| 环境暴露与感染风险的条件关联估计 | 估计院内感染的绝对发生率或疾病负担 |
| 抗菌药物类别与疗程对检出风险的影响 | 单个患者的逐日动态风险预测 |
| 匹配设计的方法学比较与敏感性分析 | 跨医院、跨地区的外推与政策归因 |
| 感染控制信息学工具的原型验证 | 以诊断编码为唯一结局的行政管理分析 |
| 定植压力公式的参数敏感性研究 | 把培养阳性直接等同于临床感染的分析 |
8.3 使用路线图
判断是否适合使用，可以按顺序问四个问题。
数据是否可得：所在机构是否在凭证访问覆盖范围内，能否完成培训与协议签署。问题是否契合：要回答的是暴露效应还是绝对风险，前者契合后者不契合。设计是否可接受：能否接受观察性关联而非因果效应，能否接受单一医疗系统的样本。复现是否可行：是否有能力在拿到数据后按公开脚本重建变量。
四个问题中有两个以上答否，这套数据大概率不是最优选择，应转向通用 EHR 数据库或多中心监测数据。若四个都答是，建议先用单病原体、单分析的最小案例跑通全流程，再扩展到十一种病原体的批量分析。
8.4 一句话速记
十一种菌、两条匹配、一个从第三天开始的窗口；能说关联，不能说负担。
§9 库内对照与检索路径
9.1 与近邻条目的关系
库内与这套数据主题最近的是 Nosocomial Risk Datasets（基于 MIMIC-III 的院内感染风险队列）。二者的差别可以用一句话概括：那一条解决标签从哪来，这一条解决混杂怎么控。前者用规则从临床文本里生成间接监督标签，覆盖三种医院获得性疾病；后者用培养记录与时间零定义病例，用匹配构造对照，覆盖十一种病原体。两者放在一起读，正好构成院感建模的两端。
次近的是 MIMIC-IV、eICU-CRD 两条通用重症数据库。它们提供高频生理参数与完整诊疗记录，但缺少病区层面的共住者信息与逐次培养的时间戳精度，无法直接复算定植压力。把两者与这套数据横向比较，可以看清不同数据粒度能支撑什么级别的传播学分析。
再次是公共卫生口径的数据，例如霍普金斯新冠时间序列与 NHANES。它们处在人群层面，这套数据处在机构层面，两者的指标不可互换，但可以互为背景：人群数据提供基础率，机构数据提供机制。
9.2 按需求检索的路径
想找院感风险建模的可比数据，先按 nosocomial 与 hospital-acquired 两个词检索，再按数据源筛出 EHR 派生类，最后看结局定义采用的是时间窗还是诊断编码。
想找匹配设计的实例，按 matched case-control 加感染类结局检索，会命中大量手术部位感染与血流感染研究，这套数据的差异化在于把匹配变量细化到抗生素类别。
想找定植压力的计算方法，按 colonization pressure 检索，关键词比院内感染更能定位到方法学文献，因为这一指标在感染控制领域有独立的方法学传统。
9.3 不构成互链的三类
第一类是影像数据。院内感染的影像学表现（如肺部浸润）与这套数据的结构无交集，把两者并列会让检索者误以为可以联合分析。
第二类是单一病种的专科队列。虽然分母也来自住院人群，但结局与暴露都与病原体检出无关，无法与这套数据的变量对齐。
第三类是综述与文献库。它们提供背景阅读价值，但既不是数据也不是可直接比较的对象，列在互链里会稀释检索精度。
§10 术语与口径速查
10.1 四个必须说清楚的口径
时间零：进入合格病房的时刻，不是入院时刻，也不是首次培养时刻。全篇所有窗口都相对它计算。
观察窗：第 3 天到第 30 天。起点排除入院时已携带者，终点与典型住院时长匹配。
病例：观察窗内任何临床或监测培养检出目标病原体者。等价于培养阳性，不等于临床感染。
对照：满足入组条件但观察窗内无目标病原体检出者。可被多个病例复用。
10.2 三个容易说错的数
病例数：按病原体累加的条目数，不是患者数。引用时必须加限定语。
对照数：同样按条目计，且可复用，去重后的人数会明显少于表内数字。
对照上限：每例最多三个，不是每例恰好三个。实际比值随病原体与匹配条件变化，官方未给分布。
10.3 两类偏倚的表述模板
监测偏倚可以这样写：培养送检由临床怀疑驱动，送检强度随病区与时期变化，检出概率因此与真实发生率不完全对应，匹配虽对齐了病区与时间，但不能消除送检行为的组间差异。
未测量混杂可以这样写：匹配覆盖了人口学、手术、停留时长与抗生素疗程，未覆盖护理强度、病房环境改造与患者功能状态，这些因素对风险影响显著且与暴露相关，故效应估计仍可能残留混杂。
附录一 逐病原体规模（两种分析并列）
| 病原体 | 环境分析病例 | 环境分析对照 | 患者分析病例 | 患者分析对照 |
|---|---|---|---|---|
| 大肠埃希菌（敏感） | 3,585 | 5,693 | 4,576 | 9,875 |
| ESBL 大肠埃希菌 | 996 | 2,299 | 1,034 | 2,511 |
| 肺炎克雷伯菌（敏感） | 1,704 | 3,684 | 1,723 | 4,194 |
| ESBL 肺炎克雷伯菌 | 238 | 376 | 336 | 804 |
| 粪肠球菌（万古霉素敏感） | 1,823 | 3,082 | 2,384 | 5,698 |
| 屎肠球菌（万古霉素耐药） | 244 | 366 | 389 | 962 |
| 艰难梭菌 | 592 | 881 | 1,094 | 2,558 |
| MSSA | 2,956 | 6,504 | 2,375 | 5,387 |
| MRSA | 1,101 | 2,397 | 1,102 | 2,656 |
| 铜绿假单胞菌（敏感） | 1,309 | 2,533 | 1,456 | 3,615 |
| 铜绿假单胞菌（耐药） | 379 | 665 | 464 | 1,112 |
两列病例数的差异值得单独看。MRSA 在两种分析里几乎相同，说明这组病例的匹配对策略选择不敏感；粪肠球菌与艰难梭菌的病例数在患者分析下明显更多，说明放宽时空匹配后释放了大量原本配不上的病例。这提示不同病原体的匹配成功度差别很大，做跨病原体比较时不能假设匹配质量一致。
还可以看出另一层信息：环境分析的总病例少于患者分析，且差距主要集中在常见的敏感菌与艰难梭菌上。一种合理的解读是，对这类菌而言，把抗生素暴露作为匹配条件会显著压缩可配对范围，因为它们在住院人群中的用药史分布本身就很宽。反过来，耐药菌两边的病例数接近，说明其用药史分布较窄，匹配的约束力较弱。
附录二 缩写表
| 缩写 | 全称 | 中文 |
|---|---|---|
| HAI | healthcare-associated infection | 医疗保健相关感染 |
| HOI | hospital-onset infection | 院内起病感染 |
| CP | colonization pressure | 定植压力 |
| T0 | time zero | 时间零（进入合格病房的时刻） |
| ADT | admission-discharge-transfer | 入出院转科记录 |
| ESBL | extended-spectrum beta-lactamase | 超广谱 β-内酰胺酶 |
| MSSA | methicillin-susceptible Staphylococcus aureus | 甲氧西林敏感金黄色葡萄球菌 |
| MRSA | methicillin-resistant Staphylococcus aureus | 甲氧西林耐药金黄色葡萄球菌 |
| VSE | vancomycin-susceptible Enterococcus | 万古霉素敏感肠球菌 |
| VRE | vancomycin-resistant Enterococcus | 万古霉素耐药肠球菌 |
| CLSI | Clinical and Laboratory Standards Institute | 临床与实验室标准学会 |
| CLR | conditional logistic regression | 条件 logistic 回归 |
| CITI | Collaborative Institutional Training Initiative | 机构培训协作组织 |
| DUA | data use agreement | 数据使用协议 |
| EHR | electronic health record | 电子健康档案 |
| IRB | institutional review board | 机构审查委员会 |
附录三 使用前检查清单
| 序号 | 检查项 | 通过标准 |
|---|---|---|
| 1 | 访问手续 | 完成 CITI 培训、账户核验、机构签署协议 |
| 2 | 区域资格 | 确认机构所在地区可下载文件 |
| 3 | 分析类型选择 | 已明确用环境分析还是患者分析，或两者并做 |
| 4 | 病原体范围 | 已决定逐个建模还是合并，合并须说明理由 |
| 5 | 匹配集还原 | 能按患者号与轮次正确还原匹配分层 |
| 6 | 对照去重 | 描述性统计前已按患者号去重 |
| 7 | 匹配质量 | 已计算各协变量标准化差异并记录 |
| 8 | 时间字段 | 不把伪年份用于跨患者季节分析 |
| 9 | 敏感性分析 | 已对定植压力衰减系数与对照复用做敏感性 |
| 10 | 表述口径 | 结论写成观察性关联，不写成因果效应 |
附录四 未覆盖内容
官方页未披露、此处也未推算的内容包括：匹配前后的候选对照数量与损失比例；各病原体的实际感染发生率；主表行数、字段缺失率与各字段取值分布；CSV 文件大小；作者机构的官方列表；预印本与正式发表版之间的版本对应关系；主表各字段的编码字典版本。
这些缺失不影响方法学描述，但会影响量化复现。建立分析计划时，应把上述未披露项列为需向作者确认的清单，而不是用推测填补。
附录五 检索模板
| 目标 | 建议检索式 |
|---|---|
| 找到官方条目 | physionet hospital-onset-infection |
| 找到伴随代码 | hospital_onset_infection_analyses github |
| 找到方法论文 | colonization pressure nosocomial acquisition medrxiv 25329430 |
| 找同类设计 | matched case-control nosocomial acquisition electronic health record |
| 找定植压力方法 | colonization pressure formula exponential decay ward |
| 找时间窗争议 | hospital-onset infection 48 versus 72 hours definition |
附录六 DAIMS 评估
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 7 | PhysioNet 条目可被检索，有独立 DOI 与代码库；标题偏长、易与通用院感数据混淆 |
| A 可获取性 | 3 | 凭证访问，需培训、核验、协议三重手续，且部分地区无法下载 |
| I 可互操作 | 6 | CSV 表格结构清晰，字段命名规则统一；无标准本体映射到 OMOP 或 FHIR |
| M 元数据质量 | 8 | 字段字典、纳入排除、匹配标准、公式均明列；匹配损失与缺失率未披露 |
| S 可持续性 | 7 | 依托 PhysioNet 平台与 DOI 持久标识，代码库公开可查；联系方式为个人邮箱 |
| 综合 | 6.2/10 | 设计与元数据质量偏高，可获取性为主要失分项 |
编辑说明
核验时间：2026-10-18。核验方式：PhysioNet 官方条目页 1.0.0 版全页提取，与作者 GitHub 代码库 README 逐项对照；库内 slug 直查与主题近邻条目核对。规模数字、纳入排除标准、匹配变量、定植压力公式均以官方页原文为准。
双口径登记：其一，论文题目存在预印本与正式发表两种表述，官方页并列列出，未做等同处理。其二，作者名 Pak 在条目页、论文引用与代码库三处写法不一致。其三，90 岁以上患者的处理，官方页字段说明写为合并编码，代码库写为从分析中移除。其四，任务背景中「48 小时为院内感染时间窗」的说法与官方页不符，官方页的感染窗口为进入合格病房后第 3 天至第 30 天，48 小时用于病房停留资格与共住者定义，正文按官方页口径书写。
版本日志：1.0.0，2025-11-04 首发。下次复核触发点：新版本发布、代码库更新、或正式论文最终版可获取时。
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：
- ncd-risc — 共享标签：公共卫生与流行病学 / 队列研究 / 疾病监测 / 流行病学
- framingham — 共享标签：公共卫生与流行病学 / 电子健康记录 / 队列研究 / 流行病学
- charls — 共享标签：公共卫生与流行病学 / 电子健康记录 / 队列研究 / 流行病学
- qresearch — 共享标签：公共卫生与流行病学 / 电子健康记录 / 队列研究 / 流行病学
- fair-health-atlas — 共享标签：公共卫生与流行病学 / 队列研究 / 疾病监测 / 流行病学
- icu-infection-zigong-fourth — 共享标签：电子健康记录 / 队列研究 / 疾病监测
- jhu-csse-covid-19 — 共享标签：公共卫生与流行病学 / 疾病监测 / 流行病学
- sinan-dengue — 共享标签：公共卫生与流行病学 / 疾病监测 / 流行病学
- who-sti-prevalence-atlas — 共享标签：公共卫生与流行病学 / 疾病监测 / 流行病学
- flatten-covid-survey — 共享标签：公共卫生与流行病学 / 队列研究 / 疾病监测
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。
