信息速览
2020 年春天，多发性硬化患者面对的是一道没有答案的选择题：继续用免疫抑制类的疾病修正治疗，还是为了躲避一种新发呼吸道病毒而停药。药停不得，病毒又躲不开，而当时全世界没有一个数据库能回答「用了这类药的人感染之后会不会更重」。COVID-19 与多发性硬化全球数据共享计划（Global Data Sharing Initiative，GDSI）就是为这道题临时搭起来的：一套统一的快速录入问卷，医生和患者都能填，几周内上线，两年后下线，最后留下这份可以整包下载的 CSV。
PhysioNet 上的这份数据不是某项疫苗试验的副产物，也不是某家医院的病历导出，而是「新冠与多发性硬化共病」这一交叉人群里，目前少有的、患者本人可以直接贡献记录并公开复用的患者级数据。它只有一千一百余行、四十七列、单表两百多 KB，第一眼容易被低估；但它的价值不在体量，而在于它记录的是「患者自己说发生了什么」，这在以病历为中心的临床数据生态里是稀缺视角。
本篇按「这是什么—能不能接—该不该选」三层展开：先拆掉三条常见误读，再逐列点名字段、还原一条记录的结构，然后交代 GDSI 的来路与去标识化的具体做法，最后给出可直接运行的取数与建模骨架，并在 §6 逐一交代它与库内既有新冠词条的边界。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 官方全名 | Patient-level dataset to study the effect of COVID-19 in people with Multiple Sclerosis |
| PhysioNet slug | patient-level-data-covid-ms |
| 版本与日期 | v1.0.0 于 2023-05-30；v1.0.1 于 2024-01-02（当前版） |
| DOI | 10.13026/77ta-1866（v1.0.1）；最新版 10.13026/3cmh-xa68 |
| 论文 | Scientific Data（2024），DOI 10.1038/s41597-024-02978-x |
| 作者 | Hamza Khan、Lotte Geys、peer baneke、Giancarlo Comi、Liesbet Peeters |
| 规模 | 1,141 名多发性硬化患者，47 个预定变量 |
| 结构 | 单张 CSV（GDSI_OpenDataset_Final.csv，221.2 KB）+ 许可 + 说明 + 校验和，合计 237.4 KB |
| 记录粒度 | 一人一行，一次填报一个快照，无随访、无时间戳 |
| 采集方式 | 患者、患者代表或临床医生在 GDSI 中央平台（QMENTA 提供）直接填报 |
| 采集窗口 | 2020 年启动，录入工具于 2022-02-03 下线 |
| 去标识化 | 小单元格风险评估 + 日期 ±15 天平移 + 年龄四档 + k-匿名 + l-多样性，按 HIPAA 口径 |
| 伦理 | 哈瑟尔特大学伦理委员会（CME2020/025 AMD3） |
| 许可 | CC BY 4.0，署名即可，可商用 |
| 一句话边界 | 自报横断面、无对照、无国别、无疫苗字段 |
§1 它要解决的具体麻烦
1.1 一道必须在几个月内作答、却没人有数据的临床选择题
2020 年之前，多发性硬化的治疗决策有一条相对稳定的经验曲线：复发缓解型用高效药压制炎症，进展型谨慎加码，感染风险作为长期代价被纳入权衡。新冠把这个节奏打乱了。患者群体里流传的担心非常具体——奥瑞珠单抗、利妥昔单抗这类抗 CD20 药物消耗 B 细胞，芬戈莫德会降低淋巴细胞计数，如果感染新冠，会不会更容易重症？而另一边的担心同样具体——贸然停药，复发风险立刻回来。
回答这个问题需要的是「用药状态 × 感染结局」的交叉表，而且必须是大样本、跨中心、能快速累积的。但 2020 年 3 月没有任何一个 MS 登记库能提供这种表：传统登记库按年随访、字段固定、伦理与数据出境流程以月计。GDSI 的做法是把门槛降到最低——不做病历抽取，不做影像上传，只做一份结构化问卷，患者本人可以填，医生也可以填，填完即入中央平台。这份 PhysioNet 数据就是那条流水线跑完之后，被判定为可以公开的那一部分。
理解这一点很关键：它不是「研究做完之后公开的数据」，而是「为了快速作答而设计的数据采集工具，其产出被直接开放」。前者通常已经清洗成分析表，后者保留着采集时的粗糙度——缺失、自报、粒度粗、无随访，这些都是设计代价，不是发布事故。
1.2 三条常见的错误期待
第一条：把它当成 MS 人群的新冠自然史队列。 队列的前提是明确的分母与统一的入组标准。这里既没有分母（不知道全人群有多少 MS 患者、也不知道有多少人填了但没填完），也没有入组标准（任何愿意填的人都能进来）。它更接近一次覆盖面很广的便利抽样调查，只是抽样框极难刻画。
第二条：把它当成可以训练影像或文本模型的「多模态」资源。 四十七列里没有一列是影像路径，没有一列是自由文本病历，唯一的开放式字串是「其他合并症」的补充填写，且经过脱敏。它的形态是一张典型的长宽比失衡的分析表，行数少、列数中等、全部是短码。任何以「数据集」直觉期待的大量非结构化内容，在这里都会落空。
第三条：把它当成疫苗安全性数据。 变量表里没有疫苗字段，没有接种时间、剂次、品牌、接种后不良事件。录入工具在 2022 年 2 月下线，正好卡在大规模接种铺开之前。想研究 MS 患者接种后的问题，应该去看药物警戒系统（如 VAERS 一类的被动上报库）或专门的疫苗队列，而不是这里。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 描述 MS 患者感染后的症状谱 | 十个症状二值字段 + 是否有症状的总标记 | 够做描述，不够做严重度分级 |
| 看不同 DMT 与住院的关联 | 当前用药状态、具体药物类别、激素使用 | 够做探索性关联，样本量限制功效 |
| 校正年龄与性别 | 四档年龄 + 性别 | 够，但年龄被分箱，无法做连续建模 |
| 校正残疾程度 | EDSS 二分类（≤6 与 >6） | 勉强，覆盖度低且二分类丢失信息 |
| 计算感染率、住院率、病死率 | 分子有，分母没有 | 不够，任何率都不可算 |
| 做时间序列或波次分析 | 无日期列（仅停用 DMT 日期） | 不够 |
| 做国家或中心间比较 | 无国别、无中心标识 | 不够 |
| 研究疫苗与 MS | 无疫苗字段 | 不够，方向不符 |
| 教学：完整走一遍数据清洗与建模 | 小体积、真缺失、真偏倚、许可无摩擦 | 够，而且是它最稳的用途 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 手上没有 MS 数据，想先验证一个分析思路是否成立 | 提供真实字段名与真实缺失结构，几分钟内可跑通全流程 | 把思路写成脚本，在它上面跑通，再迁到有分母的登记库 |
| 正在写 MS 与感染的综述，需要一份可引用的开放数据描述 | 提供一手的方法学与去标识化细节，可直接引用 | 同时引用 Scientific Data 论文与 PhysioNet DOI |
| 是患者组织的志愿者，想做一份面向病友的科普统计 | 提供患者视角的症状与住院分布素材 | 明确标注「自愿填报、不代表全体病友」，避免误导 |
| 在做课程设计，需要一份「小但脏」的教学数据 | 体积小、许可宽松、缺失真实、偏倚可讲 | 把缺失机制与选择偏倚设计成课堂讨论题 |
| 想训练临床预测模型并发表 | 样本量与标签粒度都不足以支撑独立验证 | 改用 N3C、ISARIC-CCP 一类有分母的队列，或把它当外部小样本校验 |
| 想研究 DMT 与新冠重症的因果关系 | 只有关联，且混杂严重、无时序 | 需要带时间戳与用药起止的登记库，配合倾向评分或目标试验模拟 |
1.5 一句话判断
它是一份体量很小、偏倚很重、但结构极干净且许可极宽松的患者自报横断面数据：不要指望它回答流行病学问题，它最擅长的是把「MS 患者感染新冠后会怎样」这件事，用一份能在十分钟内读完的表讲清楚。
1.6 不适合谁：四条边界
不适合想算率的人。 任何以「人数 ÷ 分母」形式出现的指标在这里都失效。分子是自愿填报者中的事件数，分母不可定义。这不是数据质量缺陷，而是采集方式的直接结果，无法通过后期加权补救——因为连加权所需的目标分布都不存在。
不适合需要时序的人。 表里唯一的日期列是停用 DMT 的日期，且已被随机平移。感染发生在用药之前还是之后，无法从数据中判定。任何「先用药、后感染」的因果叙述都必须靠外部假设补上，而那个假设恰恰是争论的焦点。
不适合要求标签权威性的人。 九成以上记录由患者自报，「确诊」这一项依赖患者对自己检测结果的记忆与理解。确诊、疑似、未怀疑三档的定义在问卷层面是自洽的，但落到个体记录上，其可靠性远低于实验室确认的队列。
不适合需要地理或机构维度的公共卫生分析。 数据里没有国别、没有中心、没有语言，也看不出填报集中在哪些国家。想比较不同医疗体系下的住院阈值差异，这份数据提供了零信息。
§2 数据构成与规格
2.1 一张表、四十七列、四种信息层
整包解压后只有四个文件：主数据 CSV、许可文本、一页说明、一份校验和。真正有内容的只有那张 CSV，221.2 KB，无压缩时全部文件合计 237.4 KB。这个体量意味着它可以被塞进任何一次邮件附件、任何一台笔记本的内存、任何一次课堂练习的十分钟窗口。
四十七列按语义可以分成四层。第一层是身份与通道：谁填的、编号是什么。第二层是患者背景：年龄档、性别、体质指数档、妊娠、吸烟。第三层是 MS 疾病背景：表型、残疾评分档、当前是否用药、用什么药、用药多久、何时停药、是否用激素。第四层是这次 COVID-19 事件本身：诊断判定、是否有症状、十个具体症状、是否住院、是否进 ICU、是否上呼吸机、是否自我隔离、结局分级，以及合并症的一个总标记加十个具体系统加一个开放补充。
四层的边界很清楚：前三层是「这个人本来是什么样」，第四层是「这次发生了什么」。做关联分析时的自变量几乎全部来自前三层，因变量几乎全部来自第四层。这个划分也解释了为什么它无法回答「感染后长期结局」——第四层只有一个时点。
2.2 字段完整字典
官方对变量数的表述是 n=47。按其数据说明页逐个点名，可以明确对上四十六个字段名，剩余一个未单独展开说明；下表按官方给出的字段名与取值域整理，对不上号的那一格留白，不做推测。
| 组 | 字段名 | 含义 | 取值域 |
|---|---|---|---|
| 身份 | secret_name | 记录唯一标识 | 随机串，P_ 前缀为患者填报，C_ 前缀为医生填报 |
| 身份 | report_source | 填报通道 | Patient / Clinician |
| 人口学 | age_in_cat | 年龄档 | 0 为 0 至 18 岁以下，1 为 18 至 50 岁，2 为 51 至 70 岁，3 为 71 岁及以上 |
| 人口学 | sex | 性别 | Male / Female |
| 人口学 | bmi_in_cat2 | 体质指数档 | not_overweight（不超过 30）/ overweight（超过 30） |
| 人口学 | pregnancy | 妊娠状态 | Yes / No |
| 生活方式 | current_or_former_smoker | 现在或曾经吸烟 | Yes / No |
| MS 背景 | ms_type2 | 表型 | relapsing_remitting / progressive_MS / other |
| MS 背景 | edss_in_cat2 | 残疾评分档 | 0 为 EDSS 0 至 6，1 为 EDSS 大于 6 |
| MS 背景 | current_dmt | 当前治疗状态 | yes / no / never_treated |
| MS 背景 | dmt_type_overall | 具体药物类别 | 干扰素、醋酸格拉替雷、那他珠单抗、芬戈莫德、富马酸二甲酯、特立氟胺、阿仑单抗、克拉屈滨、利妥昔单抗、奥瑞珠单抗、当前未用、其他未列出 |
| MS 背景 | dmt_glucocorticoid | 是否用糖皮质激素 | Yes / No |
| MS 背景 | duration_treatment_cat | 治疗时长档 | 0 为不足 11 年，1 为 11 年及以上 |
| MS 背景 | stop_or_end_date_combined | 停用 DMT 日期 | dd/mm/yyyy，逐行随机平移 |
| 事件 | covid19_confirmed_case | 是否确诊 | Yes / No |
| 事件 | covid19_diagnosis | 诊断判定 | not_suspected / suspected / confirmed |
| 事件 | covid19_has_symptoms | 是否有症状 | Yes / No |
| 事件 | covid19_self_isolation | 是否自我隔离 | Yes / No |
| 事件 | covid19_admission_hospital | 是否住院 | Yes / No |
| 事件 | covid19_icu_stay | 是否进 ICU | Yes / No |
| 事件 | covid19_ventilation | 是否使用呼吸机 | Yes / No |
| 事件 | covid19_outcome_levels_2 | 结局分级 | 0 未住院，1 住院，2 住院且进 ICU 或通气，3 死亡（集内为空） |
| 症状 | covid19_sympt_fever | 发热 | Yes / No |
| 症状 | covid19_sympt_dry_cough | 干咳 | Yes / No |
| 症状 | covid19_sympt_fatigue | 乏力 | Yes / No |
| 症状 | covid19_sympt_shortness_breath | 气短 | Yes / No |
| 症状 | covid19_sympt_sore_throat | 咽痛 | Yes / No |
| 症状 | covid19_sympt_nasal_congestion | 鼻塞 | Yes / No |
| 症状 | covid19_sympt_chills | 寒战 | Yes / No |
| 症状 | covid19_sympt_pain | 疼痛 | Yes / No |
| 症状 | covid19_sympt_loss_smell_taste | 嗅觉或味觉丧失 | Yes / No |
| 症状 | covid19_sympt_pneumonia | 肺炎 | Yes / No |
| 合并症 | has_comorbidities | 是否有任何合并症 | Yes / No |
| 合并症 | com_cardiovascular_disease | 心血管疾病 | Yes / No |
| 合并症 | com_hypertension | 高血压 | Yes / No |
| 合并症 | com_diabetes | 糖尿病 | Yes / No |
| 合并症 | com_lung_disease | 肺部疾病 | Yes / No |
| 合并症 | com_chronic_kidney_disease | 慢性肾病 | Yes / No |
| 合并症 | com_chronic_liver_disease | 慢性肝病 | Yes / No |
| 合并症 | com_immunodeficiency | 免疫缺陷 | Yes / No |
| 合并症 | com_malignancy | 恶性肿瘤 | Yes / No |
| 合并症 | com_neurological_neuromuscular | 神经或神经肌肉合并症 | Yes / No |
| 合并症 | comorbidities_other | 其他合并症（文本） | 自由填写，已脱敏 |
| 未说明 | — | 官方所称第 47 个变量 | 数据说明页未单独展开 |
字段命名本身透露了整理历史。sympt_ 前缀统一加在症状前，代表症状是一批追加的列；has_comorbidities 与 com_ 系列并存，说明「有没有」与「是哪一类」是两次问的；outcome_levels_2 里的数字 2 表示这是结局分级的第二个版本，早期版本没有随数据一起发布。这些痕迹解释了为什么部分变量并不正交：结局分级可由住院、ICU、通气三列推导，四者共线。
2.3 一条记录的完整解剖
| 位置 | 字段 | 这一格在说什么 |
|---|---|---|
| 第 1 列 | secret_name | 这条记录的身份，前缀已经告诉你填表的是患者还是医生 |
| 第 2 列 | report_source | 与上一列冗余，但显式声明通道，便于直接分组 |
| 第 3 至 7 列 | age_in_cat 到 current_or_former_smoker | 患者的基本盘，全部是分档后的离散值 |
| 第 8 至 14 列 | ms_type2 到 stop_or_end_date_combined | 疾病与治疗背景，是这份数据最独特的七列 |
| 第 15 至 22 列 | covid19_confirmed_case 到 covid19_outcome_levels_2 | 这次事件的主干，从判定到结局八步 |
| 第 23 至 32 列 | 十个 sympt_ 字段 | 症状清单，成组出现，成组缺失 |
| 第 33 至 43 列 | has_comorbidities 与十个 com_ 字段 | 合并症清单，同样成组缺失 |
上面这张表是列序骨架，按官方变量表的语义关系排列，不是原始文件的物理列序。真正读入时不要依赖列的位置，一律按列名取。下面这段代码把「一行」完整打出来，并顺手标出哪些格子在语义上可以互相推导。
#-- 读入并把一条记录还原成可读的键值对
import pandas as pd
df = pd.read_csv("GDSI_OpenDataset_Final.csv", keep_default_na=True, na_values=[""])
row = df.iloc[0]
#-- 按前缀分组打印，避免一次性刷屏
groups = {
"身份": ["secret_name", "report_source"],
"背景": ["age_in_cat", "sex", "bmi_in_cat2", "pregnancy", "current_or_former_smoker"],
"疾病": ["ms_type2", "edss_in_cat2", "current_dmt", "dmt_type_overall",
"dmt_glucocorticoid", "duration_treatment_cat", "stop_or_end_date_combined"],
"事件": ["covid19_diagnosis", "covid19_has_symptoms", "covid19_self_isolation",
"covid19_admission_hospital", "covid19_icu_stay", "covid19_ventilation",
"covid19_outcome_levels_2"],
}
for name, cols in groups.items():
print(f"[{name}]")
for c in cols:
print(f" {c:34s} = {row.get(c)}")
#-- 语义冗余核对：结局分级应能由三列住院相关字段推出
derived = 0 if row["covid19_admission_hospital"] != "Yes" else (
2 if (row["covid19_icu_stay"] == "Yes" or row["covid19_ventilation"] == "Yes") else 1)
print("结局分级自洽:", derived == int(row["covid19_outcome_levels_2"]))
值得留意的是最后那行自洽核对。它几乎总会返回真，因为结局分级本来就是从住院与重症两列合成的。这意味着建模时不能把四列一起放进同一个模型当作独立预测因子——那是把一个变量拆成四份喂进去，系数会互相稀释。正确做法是选一个作为因变量，其余作为理解其定义的注脚。
2.4 变量家族与覆盖度结构
不使用逐字段的空值率，只描述覆盖度的形状，因为这个形状决定了你该怎么建模。
| 家族 | 覆盖度形状 | 对建模的含义 |
|---|---|---|
| 身份与通道 | 完整 | 可直接作为分组变量，但 P_ 与 C_ 的比例极不均衡 |
| 人口学（年龄、性别） | 基本完整 | 可作为核心协变量，但年龄只有四档 |
| 体质指数、妊娠 | 有可见缺口 | 孕期分析基本不可行，体质指数只能当粗分类 |
| MS 表型 | 完整 | 可作分层变量，三类中「其他」占比不低 |
| EDSS | 缺口很大 | 只能做完整案例分析，且失去连续信息 |
| 当前用药状态 | 完整 | 最有价值的自变量之一 |
| 具体药物类别 | 小缺口 | 类别多、单类别样本少，需合并 |
| 治疗时长 | 缺口极大 | 基本不可用，不建议进模型 |
| COVID 判定与是否住院 | 完整 | 因变量与主结局的骨架 |
| 十个症状 | 成组大缺口 | 只在「有症状」子集上有意义，不能当全样本变量 |
| 合并症 | 总标记完整，细项成组缺口 | 用总标记做粗校正，细项只做描述 |
这张表最重要的信息是「成组缺失」。症状与合并症的细项不是随机漏填，而是问卷的分支逻辑：没有症状的人不会被追问哪几种症状，没有合并症的人不会被追问哪一种。于是缺失本身携带信息，属于结构性缺失而非随机缺失。把缺失当默认阴性处理，等于把「没问」当成「没有」，会系统性低估症状与合并症的负担；把缺失当缺失直接删除，又会把分析样本压缩到「有症状且填了细项」的那一小群人身上，结论只对这群人成立。
2.5 与同类资源的字段差异
| 资源 | 字段重心 | 与本集的互补关系 |
|---|---|---|
| 本集 | MS 背景 + 自报新冠事件 | 唯一同时含 MS 治疗细节与患者自报感染结局的开放表 |
| ISARIC-CCP | 住院期生命体征、检验、治疗、结局 | 本集缺的严重度分层与实验室指标，那里有；本集有的 MS 用药细节，那里没有 |
| N3C | 全美 EHR 结构化诊断、用药、就诊 | 可用作有分母的对照，但 MS 亚组需自行识别，且无患者自报视角 |
| VIRUS 注册 | ICU 级器官支持与预后 | 覆盖重症端，本集几乎不覆盖重症端 |
| CDSL | 单中心多模态（EHR 六表 + 影像） | 提供影像与检验，但无 MS 人群 |
| 通用新冠影像库 | 胸片与 CT 及病灶标注 | 与本集完全正交，无重叠字段 |
一句话概括这张表：本集的字段重心不在「病得多重」，而在「这个人本来在用什么药、他自己觉得发生了什么」。需要严重度客观指标的问题不该由它回答。
§3 核心层 A：身份与谱系
3.1 GDSI 不是一家医院的登记库
把这份数据当成「某中心的 MS 队列」是最常见的身份误判。它的组织形态更接近一次由专业社群发起、由技术公司托底、由学术机构出伦理背书的全球征集。三方的分工很清晰：多发性硬化领域的临床与患者组织网络负责动员与问卷设计，QMENTA 提供中央数据平台并承接录入，哈瑟尔特大学承担伦理审批与后续的数据整理发布。数据说明页的致谢里专门感谢了平台方，这类致谢在单中心数据集里很少见，恰好说明了它的多来源属性。
多来源带来一个直接后果：数据里没有「中心」这个维度。既没有站点编号，也没有国别，更没有语言。这不是脱敏时被删掉的，而是采集时就没有设计——问卷面向的是「任何一位愿意填的 MS 患者」，而不是「某几家医院的患者」。所以它无法做中心效应校正，也无法比较不同医疗体系下住院门槛的差异。想做这类分析，必须换数据源。
另一个后果是填报通道的极端不均衡。官方给出的通道构成里，患者自报占绝对多数，医生填报只占很小一部分。这个比例本身就是一条重要的边界信息：它意味着整份数据在气质上是「患者视角的记录」，症状描述用的是患者能感知的语言，住院信息依据的是患者的转述，而医生填报的那一小部分虽然更接近病历，却因为量太少而无法单独支撑分析。任何试图把两者放在一起比较「自报准不准」的想法，都会撞上样本量这堵墙。
3.2 从问卷到 CSV：五步流水线
| 步骤 | 做的事 | 留下的痕迹 |
|---|---|---|
| 问卷设计 | 把临床问题压成能在几分钟内答完的题 | 年龄四档、体质指数二分类、EDSS 二分类 |
| 入口开放 | 患者、代表、医生三路直填，不上传病历 | report_source 只有两种取值 |
| 汇集清洗 | 统一导出、字段名规范化、取值域锁成短码 | 全部字段为英文短码，无自由数值 |
| 去标识化 | 分类、平移、分箱、匿名约束 | 唯一日期被扰动，年龄被合并 |
| 伦理与发布 | 批号、许可、版本、校验和 | 版本号与 SHA256 清单 |
第一步是问卷设计。题目被刻意压到最少，只保留能在几分钟内答完的项：年龄档、性别、身高体重、是否怀孕、是否吸烟、MS 类型、残疾评分、当前用药、具体药物、用药时长、是否停药、新冠判定、症状清单、住院与否、ICU 与否、通气与否、合并症。设计取向是「宁可粗，也要填得完」，这解释了为什么年龄是四档、体质指数是二分类、EDSS 是二分类。
第二步是入口开放。患者本人、患者代表、临床医生都可以直接进入中央平台填报，不需要上传病历，不需要机构账号背书。这一步把参与门槛降到接近零，同时把数据核验的可能性也降到了接近零。
第三步是数据汇集与清洗。录入的数据进入中央平台后统一导出，字段名规范化，取值域统一为英文短码。这一步的产物就是我们看到的 CSV 的雏形。
第四步是去标识化。这是整条流水线里技术含量最高、也最值得单独讲的一环，下一节展开。
第五步是伦理与发布。伦理批号、许可选择、版本管理、校验和，一起构成发布包。v1.0.0 与 v1.0.1 之间的差异属于发布层面的修订，主数据文件的时间戳停在 2023 年 5 月，说明数据内容在首版之后基本冻结。
3.3 三个名字，三种指称范围
| 名字 | 指什么 | 什么时候该用 |
|---|---|---|
| GDSI | COVID-19 and MS Global Data Sharing Initiative，整个计划，含问卷、平台、全量数据与多篇产出 | 讲背景、讲组织、讲方法学时 |
| 本集（PhysioNet 版） | GDSI 的一个公开子集，千余行、47 列、CC BY 4.0 | 引用数据、写方法节、写可复现材料时 |
| Scientific Data 论文版 | 同一份数据的论文描述，附匿名化方法学的完整论证 | 引用方法学、引用去标识化细节时 |
三者不是三个数据集，而是同一件事的三个切面。容易混淆的地方在于「全量」与「公开子集」的关系：GDSI 在运行期间汇集的数据规模大于这份公开文件，公开的是经过筛选与脱敏、被判定可以无条件开放的那一部分。因此任何以「GDSI 有多少例」开头的句子，都必须紧跟一句说明指的是计划全量还是这份公开文件，否则数字会打架。
3.4 与 MS 领域其他数据资源的身份区别
MS 领域的数据资源大致分三类。第一类是大型前瞻登记库，按固定周期随访，字段标准化，覆盖全病程，访问通常需要申请与付费，代表是各国的国家级 MS 登记网络。第二类是单中心或单企业的 EHR 导出，颗粒度细、时间戳完整，但人群代表性受限。第三类就是本集这样的自报快照，优势是快、开放、含患者视角，劣势是无随访、无核验、无分母。
三类的用途几乎不重叠。要估计患病率、要算治疗持久性、要做长期残疾进展建模，必须用第一类。要做影像组学或需要检验值，必须用第二类。要在几天内拿到一份能合法分发的、含真实缺失与真实偏倚的小数据用于方法验证或教学，第三类才是合理选择——而这正是本集在生态里的位置。
§4 核心层 B：质量与特色
4.1 去标识化的五件套
小样本登记库要开放，难点从来不是「删掉姓名」，而是「删掉姓名之后仍然能通过组合反推到人」。本集的处理方式在论文里有完整交代，可以拆成五件互相配合的事。
第一件是小单元格风险评估。把所有变量先分成三类：直接标识符（姓名、联系方式一类，直接移除）、敏感变量（感染状态、用药一类，保留但需保护）、间接标识符（年龄、性别、地区、罕见病型一类，组合起来可能指向个体）。这个分类的作用是给后续每一步提供依据——哪些必须删，哪些可以留但要做处理，哪些组合需要额外约束。
第二件是日期平移。唯一保留的日期列是停用 DMT 的日期，处理方式是每一行独立随机偏移负十五到正十五天。这个幅度足以打乱「某天某地某医院有一批患者停药」这类外部信息与数据行的对应关系，又不至于把季节信息破坏掉。对分析的影响是：日期可以用于粗略的时间定位，但不能用于与外部事件逐日对齐。
第三件是年龄分箱。连续年龄被压成四档，最高档从 71 岁起合并。这既是隐私保护，也是为了避免高龄单例被反推——在 MS 人群里，七十岁以上的患者相对少见，一个精确到岁的记录加上性别与表型，很可能在全网范围内唯一。
第四件与第五件是 k-匿名与 l-多样性，两者配合使用：前者要求任何一组准标识符组合至少对应 k 条记录，后者要求在同一组合内敏感属性的取值足够分散，避免「知道你在这一组，就知道你用了什么药」。这两步是国际通行的登记库开放前置条件，也是这份数据敢用 CC BY 4.0 而不是受限许可的技术底气。
值得强调的是：CC BY 4.0 在这个领域是极少见的宽松。多数患者级临床数据即便脱敏，也会选择限制再分发或要求签署使用协议。这里选择无条件开放，意味着发布方对去标识化的强度有相当信心，也意味着使用者要自己承担「重新识别尝试」的伦理责任——技术上能做，不等于合规上可做。
4.2 自报与医生填报的双通道
双通道设计原本是为了扩大覆盖面：患者能找到自己的用药信息就自己填，找不到就请医生填。落到数据上，它变成了一条隐含的质量分层——医生填报的记录在用药名称、残疾评分这些需要专业判断的字段上更可靠，患者自报的记录在症状体验、隔离行为这些只有本人知道的字段上更真实。
麻烦在于两层样本不可比。医生填报的那部分很可能系统性地偏向「病情更重、就医更频繁、与专科联系更紧密」的人，而患者自报的那部分偏向「更主动、更懂自己的病、更愿意参与研究」的人。把两层混在一起做描述统计，得到的分布既不是人群分布，也不是任一子群的分布，而是两种选择机制的混合。
实用建议是把 report_source 当作分层变量而不是协变量：先分别看两层的描述，再决定是合并还是只用一个层。如果某层的样本量小到无法支撑分层，那就必须在局限性里明确写出「结果主要由自报层驱动」，而不是含糊地说「数据来自患者与医生」。
4.3 案例：一条 42 岁复发缓解型记录的三次出场
下面这条记录是为讲解字段联动而构造的示例，字段名与取值域完全来自官方变量表，取值组合不代表任何真实个体。
设定是这样：一位 42 岁的女性，复发缓解型多发性硬化，正在使用奥瑞珠单抗，没有停药，体质指数不超过 30，不吸烟，未怀孕，EDSS 在 6 分及以下，有高血压这一个合并症。她填表时自报「疑似」感染，有症状，症状包括乏力与嗅觉味觉丧失，没有住院，居家隔离。对应的字段组合是：age_in_cat 为 1，sex 为 Female，ms_type2 为 relapsing_remitting，current_dmt 为 yes，dmt_type_overall 为奥瑞珠单抗，covid19_diagnosis 为 suspected，covid19_has_symptoms 为 Yes，covid19_sympt_fatigue 与 covid19_sympt_loss_smell_taste 为 Yes，covid19_admission_hospital 为 No，covid19_self_isolation 为 Yes，has_comorbidities 为 Yes，com_hypertension 为 Yes，outcome_levels_2 为 0。
这条记录第一次出场在建模层面。它说明了一个容易被忽略的问题：outcome_levels_2 为 0 的人里，既有「确诊且未住院」的，也有「未怀疑感染」的——后者根本没病，只是来填了一份背景问卷。如果把所有人放进同一个逻辑回归去预测住院，绝大多数样本的因变量恒为 0，模型学到的是「谁会来填表」而不是「谁会住院」。正确做法是先按 covid19_diagnosis 切出确诊与疑似的子集，再在这个子集里做结局分析。
第二次出场在缺失机制层面。这位患者填了乏力与嗅觉味觉丧失两项为阳性，其余八项症状留空。若把留空当阴性，她的症状计数是二；若把留空当缺失，她的症状计数不可算。两种处理会得出完全不同的症状负担描述。官方没有提供「逐项勾选」与「未勾选即阴性」的区分标记，所以这个歧义无法在数据内部解决，只能靠分析时的一致性声明来控制。
第三次出场在隐私层面。四十二岁、女性、复发缓解型、用奥瑞珠单抗、有高血压——这五个条件的交集在一个人群里已经相当窄。这正是年龄必须分箱、日期必须平移的原因，也是为什么任何试图把这份数据与外部登记库做个体级链接的尝试，在伦理上都站不住。这条记录在 §5 与 §7 还会各出现一次。
4.4 质量的三条实证线索
不看分布，也能从三个地方判断这份数据的成色。
第一条线索是版本管理。v1.0.0 到 v1.0.1 的更新集中在发布包层面（许可文本与校验和的时间戳晚于主数据），说明数据内容稳定、修订克制。有校验和文件意味着可以验证下载完整性，这是开放数据的基本礼貌，很多同类资源做不到。
第二条线索是文档与代码的配套。数据说明页给出了完整的匿名化流程、伦理批号、变量清单、以及一个公开的代码仓库地址。代码仓库里放的是 GDSI 在运行期使用的分析与可视化脚本，用 Python 生态（pandas、NumPy、SciPy、matplotlib）写成，跑在 Jupyter 环境里。这意味着复现路径是通的，而不是只有一份 PDF 描述。
第三条线索是二次使用。已有独立研究直接以这份公开文件为数据源做过分析，说明字段定义足够清楚、许可足够宽松、数据足够可用，以至于第三方愿意在它上面做正式研究。对一份只有一千余行的数据集来说，「被别人用过并且被期刊接受」是比任何自评都硬的证据。
4.5 为什么它被当成教学数据
官方在论文摘要里直接写明，这份数据可以用于教育活动，帮助不同背景的学习者理解 GDSI 用到的复杂数据科学概念。这个定位不是客套，它精确对应了这份数据的几个特征：体量小到可以在一节课内跑完，缺失真实到必须处理而不能绕过，偏倚明显到可以当作案例讨论，许可宽松到不需要任何审批就能分发给学生。
教学场景里最常被拿来演示的三件事，都能在它上面成立。第一件是缺失机制：症状字段的成组缺失是天然的例子，讲清楚「分支问卷导致的缺失不是随机缺失」比任何模拟数据都直观。第二件是选择偏倚：让学生自己算一次「住院率」，再让他们解释为什么这个数没有意义，比讲十遍定义有效。第三件是结局变量构造：结局分级与住院、ICU、通气三列的冗余关系，是讲共线与变量派生的小型标本。
§5 核心层 C：取数
5.1 三条下载路径
PhysioNet 对这份数据不设访问门槛，三种方式都能拿到完整包。
| 方式 | 命令形态 | 适用场景 |
|---|---|---|
| 网页 ZIP | 在版本页点击压缩包下载 | 一次性取用，手工检查文件 |
| wget 递归 | 对版本目录做递归镜像 | 需要保留目录结构、写进脚本 |
| S3 同步 | 对公开桶做无凭证同步 | 集群上批量拉取、做校验 |
#-- 方式一：直接镜像整个版本目录
mkdir -p data/gdsi && cd data/gdsi
wget -r -N -c -np https://physionet.org/files/patient-level-data-covid-ms/1.0.1/
#-- 方式二：从公开桶同步（无需 AWS 凭证）
aws s3 sync --no-request-payer --no-sign-request \
s3://physionet-open/patient-level-data-covid-ms/1.0.1/ ./gdsi-1.0.1/
#-- 下载后先验校验和，再解压使用
cd gdsi-1.0.1 && sha256sum -c SHA256SUMS.txt
三条路径拿到的内容完全一致。真正的差别在于可重复性：如果分析要进版本控制，用 wget 或 S3 把获取步骤写进脚本，比手工点下载更可靠。校验和文件不是装饰，它是判断「文件在传输中是否损坏」的唯一低成本手段，养成先验后用的习惯。
5.2 读入与基本核对
读入这张表有两个坑：一是空字符串与缺失值的区分，二是分类字段的取值既有英文短码又有自由文本。下面的骨架把这两件事一次处理掉。
#-- 读入并做三项基本核对：行列数、主键唯一性、结局自洽
import pandas as pd
PATH = "data/gdsi-1.0.1/GDSI_OpenDataset_Final.csv"
df = pd.read_csv(PATH, na_values=[""], keep_default_na=True)
print("形状:", df.shape)
print("主键唯一:", df["secret_name"].is_unique)
#-- 通道字段只应有两种取值
print("通道取值:", sorted(df["report_source"].dropna().unique().tolist()))
#-- 结局分级与住院三列的自洽率
hosp = df["covid19_admission_hospital"].eq("Yes")
icu = df["covid19_icu_stay"].eq("Yes")
vent = df["covid19_ventilation"].eq("Yes")
derived = pd.Series(0, index=df.index)
derived = derived.mask(hosp, 1).mask(hosp & (icu | vent), 2)
print("结局自洽率:", (derived == df["covid19_outcome_levels_2"]).mean())
#-- 症状列成组缺失：统计有多少行是全缺
sympt = [c for c in df.columns if c.startswith("covid19_sympt_")]
print("症状列数:", len(sympt))
print("症状全缺行数:", df[sympt].isna().all(axis=1).sum())
最后一行输出通常不是一个小数。它告诉你：有相当一部分记录根本没有进入症状分支，因为他们在「是否有症状」这一问上答了否，或者压根没被追问。这个数字是后续所有症状分析的起点——分子分母都必须限定在「进入分支」的那部分行上。§4.3 的案例里那八项留空的症状，正是这一步的输出。
5.3 从原始表到分析表
§4.3 的案例已经演示了为什么必须切人群：不切，因变量会被大量「未感染」记录稀释。从这张表出发做分析，第一步几乎总是构造一个分析子集：确定研究问题、切出目标人群、定义结局、选定协变量。下面这段代码给出一个可复用的骨架，用于研究「当前用药状态与住院结局的关联」这一经典问题。
#-- 构造分析表：确诊或疑似子集 + 二值结局 + 最小协变量集
import pandas as pd
import numpy as np
df = pd.read_csv("data/gdsi-1.0.1/GDSI_OpenDataset_Final.csv", na_values=[""])
#-- 第一步：切人群。未怀疑感染的记录没有事件可研究
mask_event = df["covid19_diagnosis"].isin(["confirmed", "suspected"])
d = df.loc[mask_event].copy()
#-- 第二步：定义结局。住院及以上记为 1
d["severe"] = d["covid19_outcome_levels_2"].isin([1, 2]).astype(int)
#-- 第三步：协变量整理。药物类别合并为三组，避免稀疏
d["dmt_group"] = np.select(
[d["dmt_type_overall"].str.contains("ocrelizumab|rituximab|alemtuzumab|cladribine", na=False),
d["current_dmt"].eq("never_treated")],
["anti_cd20_or_immune_reconstitution", "never_treated"],
default="other_dmt",
)
#-- 第四步：只保留建模需要的列并报告完整案例规模
keep = ["secret_name", "report_source", "age_in_cat", "sex", "ms_type2",
"edss_in_cat2", "dmt_group", "has_comorbidities", "severe"]
ana = d[keep].copy()
print("分析子集:", ana.shape, "完整案例:", ana.dropna().shape)
print(ana["severe"].value_counts().to_dict())
这段代码里最值得学的是第三步的合并逻辑。原始的药物类别有十几种，直接进模型会产生大量只有个位数样本的哑变量，系数估计极不稳定。按作用机制合并成三组（抗 CD20 与免疫重建、从未治疗、其他）既保留了临床含义，又把维度压到可控。合并规则要在方法节写明，且应做敏感性分析——换一种合并方式，结论会不会翻，是这类小样本分析的必答题。
5.4 缺失与敏感性
对这份数据，缺失不能只做一次处理就交差。至少要做两个方向的检验。
第一个方向是完整案例与全体样本的比较。按 edss_in_cat2 是否缺失分组，比较两组的年龄档分布、表型构成、住院比例。如果缺失组的住院比例明显更高，说明「有残疾评分的人」本身就是被更密切随访的那群人，完整案例分析会引入选择偏倚。
第二个方向是缺失处理方式的敏感性。对症状类字段，把缺失当阴性、当缺失删除、当多重插补，三种处理得到的症状负担描述会有实质差异。把三种结果并列报告，比只报一种更能说服审稿人——尤其当结论在这三种处理下方向一致时，可信度会明显上升。
#-- 两个方向的缺失敏感性检验
import pandas as pd
df = pd.read_csv("data/gdsi-1.0.1/GDSI_OpenDataset_Final.csv", na_values=[""])
df["severe"] = df["covid19_outcome_levels_2"].isin([1, 2]).astype(int)
#-- 方向一：按 EDSS 是否缺失分组比较
df["edss_missing"] = df["edss_in_cat2"].isna()
print(df.groupby("edss_missing")["severe"].agg(["mean", "size"]).round(4))
#-- 方向二：症状缺失的三种处理
sympt = [c for c in df.columns if c.startswith("covid19_sympt_")]
as_zero = df[sympt].eq("Yes").sum(axis=1)
as_drop = df[sympt].eq("Yes").sum(axis=1, skipna=False)
as_any = df[sympt].eq("Yes").any(axis=1)
print("按阴性计 均值:", round(as_zero.mean(), 3))
print("按缺失删 可用行:", int(as_drop.notna().sum()))
print("按任一症状 比例:", round(as_any.mean(), 3))
5.5 与外部数据的链接方式
把这份数据与外部资源连起来有两种做法，一种合规，一种不合规。
合规的做法是分布层面的对照。把本集的年龄结构、性别比例、表型构成与某国 MS 登记库的公开汇总做比较，判断这份自愿样本在人口学上偏了多少。这种对照用的是汇总数，不涉及个体匹配，既不侵犯隐私，也不需要额外审批。它是评估外部效度最经济的手段。
不合规的做法是个体层面的链接。用年龄档、性别、表型、用药、合并症的组合去外部库里找人，试图把自报记录与病历对上。技术上可行，伦理上不可行：这份数据之所以能用 CC BY 4.0 开放，前提就是不可重新识别。一旦有人证明可以反推，发布方要么收紧许可，要么下架数据，受损的是整个社群。
5.6 复现官方分析
官方代码仓库给出的是一条完整的分析管线：读入、清洗、描述、建模、出图。复现它有一个现实好处——你能确认自己的读入方式与官方一致，尤其是缺失值的判定。如果官方把空字符串当缺失而你当成了类别，后面所有数字都会对不上。建议的复现顺序是：先跑通读入与形状核对，再跑描述，最后跑模型。任何一步对不上，都先怀疑读入参数，而不是怀疑数据。
#-- 复现顺序：三步逐级核对，任一步不一致就回退检查读入参数
python3 - <<'PY'
import pandas as pd
df = pd.read_csv("data/gdsi-1.0.1/GDSI_OpenDataset_Final.csv", na_values=[""])
#-- 一级核对：形状
print("rows", len(df), "cols", df.shape[1])
#-- 二级核对：通道与判定两个关键分类字段的取值集合
print(sorted(df["report_source"].dropna().unique()))
print(sorted(df["covid19_diagnosis"].dropna().unique()))
#-- 三级核对：结局分级的取值集合，确认第 3 档是否为空
print(sorted(df["covid19_outcome_levels_2"].dropna().unique()))
PY
§6 与库内词条的关系
6.1 区隔表
库内涉及新冠的词条已过百，逐个比对不现实，但按「人群 × 数据来源 × 粒度」三个轴可以切成几族。下表只列与本集最容易混淆的十一个，逐一说明切分点。
| 词条 | 它的重心 | 与本集的切分点 |
|---|---|---|
| ISARIC-CCP | 全球新冠住院前瞻队列，标准化病例报告表 | 它只收住院者、字段是临床级；本集收门诊与未就诊者，字段是自报级 |
| N3C | 美国全国 EHR 协作网络，有明确人群分母 | 它来自病历、可算率；本集来自问卷、不可算率 |
| VIRUS 注册 | 全球 ICU 前瞻注册，聚焦器官支持 | 它覆盖重症端；本集几乎不覆盖重症端 |
| NWICU | 芝加哥多院区 ICU 电子病历 | 单一都市圈、ICU 专属；本集全球自愿、非 ICU |
| CDSL | 西班牙单中心多模态（EHR 六表 + 百万级影像） | 它有多模态与检验值；本集只有结构化问答 |
| 新冠胸片与 CT 影像库（多篇） | 影像与病灶标注 | 完全正交：本集无任何影像字段 |
| COVIDx 一类胸片基准 | 影像分类评测 | 同上，任务与数据形态都不同 |
| VAERS | 疫苗不良事件被动上报 | 它是接种后安全信号；本集问的是感染后经过，且无疫苗字段 |
| Synthea 新冠专供 | 合成数据 | 它是生成的人造记录；本集是真实自报，但同样不可算率 |
| UK Biobank 一类人群队列 | 有分母、有基因与影像、有链接病历 | 它能算率、能做纵向；本集不能 |
| 各国 MS 登记库类词条 | 全病程随访、字段标准化 | 它们有随访与分母；本集只有一次快照 |
这张表的核心结论是：本集与库内所有新冠词条都不构成实质重合。它不是更小的 ISARIC，也不是更粗的 N3C，而是一个在「人群」轴上独一无二的存在——唯一一份以多发性硬化患者为主体、以患者自报为底色、以无条件开放为许可的交叉人群数据。库内没有任何一篇以 MS 为主体展开，也没有任何一篇以患者自报为主要通道。
6.2 关系图谱
| 关系类型 | 对象 | 说明 |
|---|---|---|
| 同人群不同数据源 | 各国 MS 登记库类资源 | 同一个患者群体，一个走病历、一个走问卷 |
| 同疾病不同人群 | ISARIC-CCP、N3C、VIRUS | 同是新冠，人群是全人群而非 MS 专属 |
| 同平台同许可 | PhysioNet 上的其他开放临床表 | 同一套版本管理与 DOI 体系，引用格式可复用 |
| 同方法学谱系 | 其他做过小单元格风险评估的开放登记库 | 共享「先分类再处理」的去标识化思路 |
| 可互补 | 影像类新冠数据 | 若将来出现带 MS 标签的影像集，可与本集按人群描述互补 |
| 不可互补 | 疫苗安全类数据 | 变量域不重叠，无法拼接 |
6.3 检索路径
| 你想找什么 | 该去哪个词条 | 为什么不去本集 |
|---|---|---|
| 新冠住院患者的临床过程 | ISARIC-CCP | 本集无住院期指标 |
| 有分母的感染率与病死率 | N3C 或人群队列类 | 本集分母不可定义 |
| 新冠重症的器官支持 | VIRUS 注册 | 本集重症样本极少 |
| 新冠影像与病灶标注 | 影像类词条 | 本集无影像 |
| 疫苗与不良事件 | VAERS 一类 | 本集无疫苗字段 |
| MS 的长期残疾进展 | MS 登记库类资源 | 本集无随访 |
| MS 患者感染后的自报症状谱 | 本篇 | 这正是它唯一的强项 |
| 小样本临床数据的教学素材 | 本篇 | 体积、缺失、偏倚、许可四项都合适 |
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评估这份数据时，最容易发生的误判是把「小」直接读成「差」。一千余行的体量在临床数据里确实偏小，但体量小是设计选择的结果，而不是采集失败的残骸：为了让全球患者能在几分钟内填完，问卷必须短；为了让数据能在疫情期间快速开放，流程必须轻；为了通过伦理与隐私审查，粒度必须粗。这三条约束共同决定了最终形态。
第二个容易发生的误判是把「自报」直接读成「不可信」。自报在症状体验与行为（隔离、就医决策）上有独特优势，在用药名称与残疾评分上有明显劣势。正确的评估方式不是给整份数据打一个笼统的可信度分数，而是按字段分层判断：哪一层可以放心用，哪一层只能当粗变量，哪一层基本不能用。
§4.3 的案例之所以连「这个人有几项症状」都算不清，正是粒度损失与结构性缺失叠加的结果，而不是记录写错了。做完这两个校正之后，剩下的评估才有意义：下面五维评分与 DAIMS 二十四项，都是在「它本来想做成什么」这个前提下打的分。
7.1 五维评分
| 维度 | 得分 | 依据 |
|---|---|---|
| 文档完备度 | 4.5 / 5 | 变量清单、匿名化流程、伦理批号、代码仓库齐备 |
| 结构规整度 | 4.5 / 5 | 单表、命名统一、取值域封闭、主键唯一 |
| 标签可信度 | 2.5 / 5 | 九成自报，关键临床字段无外部核验 |
| 分析就绪度 | 3.0 / 5 | 可直接读入，但必须自行切人群、构造结局、处理结构性缺失 |
| 许可与可及性 | 5.0 / 5 | CC BY 4.0，无门槛下载，可商用 |
| 综合 | 3.9 / 5 | 工程与合规接近满分，统计可用性受采集方式硬约束 |
7.2 DAIMS 二十四项评估
DAIMS 是千方医数集用于评估数据 AI 就绪度的框架，八个维度各三项，每项按 0、0.5、1 三档打分，满分 24。
| 维度 | 检查项 | 得分 |
|---|---|---|
| 文档 | 变量字典完整且可对上字段 | 1 |
| 文档 | 采集流程与伦理交代清楚 | 1 |
| 文档 | 版本与变更记录可追溯 | 1 |
| 机读 | 单一表格、无需解析嵌套结构 | 1 |
| 机读 | 字段类型一致、取值域封闭 | 1 |
| 机读 | 主键唯一、无重复行 | 1 |
| 标签 | 结局变量定义明确 | 1 |
| 标签 | 关键标签有外部核验 | 0 |
| 标签 | 症状级标签可直接用于监督学习 | 0.5 |
| 可访问 | 无需申请即可下载 | 1 |
| 可访问 | 提供校验和 | 1 |
| 可访问 | 提供多种获取方式 | 1 |
| 许可 | 许可明确且机器可读 | 1 |
| 许可 | 允许商用 | 1 |
| 许可 | 允许再分发 | 1 |
| 格式 | 通用格式、无私有编码 | 1 |
| 格式 | 日期与分类编码自解释 | 0.5 |
| 格式 | 字符编码与分隔符规范 | 1 |
| 评测 | 有官方基线或参考分析 | 0.5 |
| 评测 | 有划分建议 | 0 |
| 评测 | 有公开排行榜或基准 | 0 |
| 生态 | 有配套代码 | 1 |
| 生态 | 有第三方二次使用 | 1 |
| 生态 | 有活跃维护 | 0.5 |
| 合计 | — | 19 / 24 |
十九分里，扣分集中在三处：标签核验（自报无外部对照）、评测基线（无官方划分与排行榜）、维护活跃度（数据冻结、工具已下线）。这三处扣分恰好对应它的三个真实短板，而不是文档或格式上的疏忽。
7.3 已知的、可枚举的偏差
偏差在这里不是抽象的免责声明，每一条都能落到具体字段上，也都能预判它把结论往哪个方向推。
| 偏差 | 机制 | 把结论推向哪边 |
|---|---|---|
| 自愿填报 | 更关注疾病、信息更充分、与社群联系更紧的人更可能填 | 高估用药知晓率与症状报告意愿 |
| 幸存者效应 | 重症与死亡者无法自报，医生代填量又小 | 低估重症比例，死亡档直接缺失 |
| 时代偏倚 | 窗口覆盖原始株到德尔塔，止于接种普及前 | 结论不能平移到奥密克戎时代 |
| 地理与体系 | 无国别字段，住院阈值随医疗体系剧烈变化 | 住院结局的跨国可比性被削弱 |
| 通道混合 | 自报与医生填报的纳入机制不同 | 混合分布不对应任何真实人群 |
| 粒度损失 | 年龄、体质指数、EDSS、治疗时长全部二分或四档 | 非线性关系无法刻画，J 形曲线被抹平 |
| 无对照 | 既无未感染的 MS 患者，也无非 MS 感染者 | 「MS 是否更易重症」在集内无解 |
七条里有三条是结构性的，无法通过统计手段补救：没有分母、没有对照、没有时间戳。另外四条可以通过分析设计部分缓解——分层报告能拆开通道混合，敏感性分析能界定粒度损失的影响范围，而在结论里明确写出时代窗口，则是对外推最便宜的防护。
7.4 外部验证矩阵
| 验证方向 | 可用参照 | 能验证什么 | 不能验证什么 |
|---|---|---|---|
| 人群构成 | 各国 MS 登记库的公开汇总 | 年龄与性别结构是否偏离 | 用药分布是否偏离（登记库口径不同） |
| 结局量级 | 住院队列的重症比例 | 数量级是否离谱 | 精确率值（分母不同） |
| 字段定义 | 同领域的问卷类研究 | 变量语义是否一致 | 填报质量 |
| 分析可复现 | 官方代码仓库 | 读入与清洗是否一致 | 结论是否成立 |
| 二次使用 | 已发表的独立分析 | 数据是否真的可用 | 结论的外部效度 |
这张矩阵的读法是：能被验证的部分几乎都在「结构对不对」，不在「结论准不准」。这是自报数据的固有属性。
7.5 它为何能持续：一次性的采集，长期的教学位
疫情结束后，GDSI 的录入工具在 2022 年 2 月下线，数据内容随之冻结，这份文件不会再增长。按常理，一个冻结的、一千余行的、偏倚明显的自报数据集应该迅速沉底。它没有，原因是它占据了三个不会消失的位置。
第一个位置是教学。方法学课程永远需要一份「小、真、脏、可自由分发」的数据，这个组合极难凑齐：真实数据通常受许可限制，可自由分发的通常是合成数据，而合成数据讲不了真实的选择偏倚。它同时满足四个条件，于是被反复取用。
第二个位置是方法学示范。它的匿名化流程是小样本登记库开放的教科书式案例：先分类、再逐项处置、最后用 k-匿名与 l-多样性兜底。任何准备开放自己登记库的团队，都可以把这份论文当作操作手册。
第三个位置是历史档案。它记录了疫情初期 MS 社群最想知道的那个问题的原始提问方式——不是「感染率多少」，而是「我在用这个药，我该怎么办」。这种问题意识在后来的大型队列里被标准化掉了，只剩这份问卷还留着它。
§8 生态位与历史
8.1 一条从应急到归档的时间线
| 时间 | 事件 | 意义 |
|---|---|---|
| 2020 年初 | 计划启动 | 疫情初期，MS 社群自发组织，目标是在数周内开始收数 |
| 2020 年 | 中央平台上线，问卷开放 | QMENTA 提供平台，患者与医生双通道填报 |
| 2020 至 2021 年 | 数据持续累积，产出多篇分析 | 为用药与感染的讨论提供最早的一批实证 |
| 2022-02-03 | 录入工具下线 | 采集窗口关闭，数据定格 |
| 2023-05-30 | PhysioNet v1.0.0 发布 | 公开子集首次可下载，DOI 分配 |
| 2023-05 | 主数据文件时间戳 | 说明数据内容在首版后基本冻结 |
| 2024-01-02 | v1.0.1 发布 | 发布包层面修订，许可与校验和更新 |
| 2024 年 | Scientific Data 论文发表 | 匿名化方法学获得同行评议背书 |
这条时间线里最值得注意的是采集与发布的时差：工具在 2022 年初就下线了，公开版本到 2023 年中才出现。这一年半的间隔主要花在匿名化方案的设计与审查上——小样本数据的去标识化比大样本更难，因为每一条记录都更接近唯一。
8.2 与大型 MS 登记库的分工
大型登记库与这份数据的关系不是替代，而是分层。登记库回答「这个人群长期怎么走」，本集回答「这一批人在那个特殊时点经历了什么」。前者需要持续投入、需要机构背书、需要多年积累；后者只需要一次问卷、一个平台、一次伦理审批。两者在时间尺度上相差两个数量级，在结论的稳健性上也相差两个数量级。
合理的用法是把本集当作探索性证据的来源：先用它提出假设（比如某类药物的住院比例是否偏高），再在有分母、有随访的登记库里验证。反过来用——用登记库的结论去否定本集的描述——意义不大，因为两者的目标人群本就不同。
8.3 与新冠队列的分工
| 轴 | 住院队列（ISARIC、VIRUS 一类） | 本集 |
|---|---|---|
| 入组 | 住院或 ICU 治疗者 | 任何愿意填报的 MS 患者 |
| 数据来源 | 病历与临床表单 | 问卷自报 |
| 严重度覆盖 | 中重症为主 | 轻症与未就诊为主 |
| 分母 | 有（住院人群） | 无 |
| 随访 | 院内至出院 | 单时点 |
| 独特价值 | 器官支持与死亡的精细刻画 | 用药背景与患者体验 |
两个谱系合起来才构成完整图景：住院队列告诉你「重的那一端长什么样」，本集告诉你「轻的那一端和没就诊的那一端长什么样」。任何只用一个谱系去推断全貌的分析，都会在另一端失真。
8.4 开放共享的方法学遗产
这份数据留下的最实用遗产，不是那一千余行记录，而是它证明了一件事：小样本、敏感人群、多来源的登记数据，可以在不做访问限制的前提下合法开放。路径是清楚的——先做变量分类，再对直接标识符做移除、对间接标识符做约束，用日期扰动与分箱切断外部对齐的可能，最后用 k-匿名与 l-多样性给出可验证的下限。
这条路径对国内的患者登记项目有直接参考价值。很多团队卡在「数据太敏感不敢开放」与「开放了怕被反推」之间，实际上缺的不是技术，而是一套能写进伦理申请、能被审查者接受的处置流程。这份论文的匿名化章节可以直接当模板用，它的每一步都有明确的输入、输出与判定标准。
§9 使用指引
9.1 三种角色的路径
| 角色 | 最短路径 | 需要注意 |
|---|---|---|
| 临床研究者 | 下载 → 切确诊疑似子集 → 定义住院结局 → 按用药分组做描述与粗略关联 → 明确声明不可算率 | 不要报率；不要在无时序的情况下谈因果 |
| 数据科学教学者 | 下载 → 演示结构性缺失 → 让学生自己算一次住院率并解释为何无效 → 讲结局变量构造 | 提前准备「为什么这个数没意义」的标准答案 |
| 患者组织分析志愿者 | 下载 → 只做症状与隔离行为的描述 → 与病友社群经验对照 → 标注自愿填报 | 绝不把描述统计包装成「病友群体的真实比例」 |
| 方法学研究者 | 精读匿名化章节 → 对照自己的登记库逐项评估 → 借鉴处置流程 | 注意 k 与 l 的取值需按自己的数据重算 |
9.2 一条最短的可用流程
从零到跑出一个可解释的关联，最短的路径是六步：取数、读入、切人群、定结局、控混杂、报边界。
#-- 六步走完的最小脚本，输出三张表：人群、结局、粗关联
mkdir -p work && cd work
wget -q -r -N -c -np https://physionet.org/files/patient-level-data-covid-ms/1.0.1/
python3 - <<'PY'
import pandas as pd, numpy as np
p = "physionet.org/files/patient-level-data-covid-ms/1.0.1/GDSI_OpenDataset_Final.csv"
df = pd.read_csv(p, na_values=[""])
#-- 第一步 取数与读入已完成，先报规模
print("总行数", len(df), "总列数", df.shape[1])
#-- 第二步 切人群
d = df[df["covid19_diagnosis"].isin(["confirmed", "suspected"])].copy()
#-- 第三步 定结局
d["severe"] = d["covid19_outcome_levels_2"].isin([1, 2]).astype(int)
#-- 第四步 控混杂：年龄、性别、表型、合并症四个粗变量
tab = pd.crosstab(d["current_dmt"], d["severe"], normalize="index").round(3)
print(tab)
#-- 第五步 分层复核，避免辛普森反转
for k, g in d.groupby("ms_type2"):
print(k, len(g), round(g["severe"].mean(), 3) if len(g) else "NA")
#-- 第六步 报边界：明确写出分母不可定义
print("本次分析的分母为自愿填报者，不代表任何人群")
PY
这段脚本故意写得很朴素，因为它示范的是流程而不是模型。真实分析还需要加置信区间、做敏感性分析、检查共线。但它已经把最重要的三件事做完了：切对了人群、定对了结局、说清了边界。
9.3 引用方式
引用这份数据要分两层：数据本身与论文。数据引用使用 PhysioNet 的版本化格式，必须带版本号与 DOI，因为不同版本的文件可能有细微差异。
Khan H, Geys L, baneke p, Comi G, Peeters L. Patient-level dataset to study the effect of COVID-19 in people with Multiple Sclerosis (version 1.0.1). PhysioNet. 2024. DOI: 10.13026/77ta-1866. RRID: SCR_007345.
论文引用使用期刊格式：
Khan H, Geys L, Baneke P, Comi G, Peeters L. Patient level dataset to study the effect of COVID-19 in people with Multiple Sclerosis. Scientific Data. 2024. DOI: 10.1038/s41597-024-02978-x.
若使用 PhysioNet 平台本身的分析工具或镜像服务，按平台要求还需同时引用平台标准文献。BibTeX 的文献类型用 article，字段保留版本号与 DOI。
§10 AI 使用声明
| 项目 | 声明 |
|---|---|
| 可用于训练 | 结构化表格的缺失处理、类别编码、结局构造、小样本关联分析 |
| 不建议用于训练 | 影像、文本生成、长序列建模（本集无相应数据） |
| 标签来源 | 患者自报为主，少数为医生填报，无外部核验 |
| 人群代表性 | 自愿填报的多发性硬化患者，不代表全体患者 |
| 伦理约束 | 原数据已按 HIPAA 口径去标识化，禁止任何重新识别尝试 |
| 许可义务 | CC BY 4.0，署名并标明改动 |
| 失效场景 | 任何需要分母、时序、地理维度或疫苗信息的任务 |
| 责任边界 | 基于本集训练的模型不得直接用于临床决策 |
常见误读（避坑清单）
| 说法 | 实际 | 证据 |
|---|---|---|
| 这是新冠疫苗在 MS 患者中的研究 | 研究的是感染后的经过，采集期早于大规模接种 | 变量表无疫苗字段；工具 2022-02-03 下线 |
| 这是某家医院的 MS 队列 | 全球自愿填报，无中心与国别 | 数据说明页无站点字段，致谢平台方而非医院 |
| 一千多例就是一千多个住院病人 | 绝大多数未住院，住院是少数事件 | 结局分级四档中 0 档为主体 |
| 可以算出 MS 患者的感染率 | 分母不可定义，填报自愿 | 无人群基数字段，无抽样框说明 |
| 症状十列可以直接做多标签分类 | 成组结构性缺失，留空不等于阴性 | 分支问卷逻辑；症状列全缺行占比高 |
| 死亡档为空说明没人死亡 | 是没人被记录为死亡，重症者难以自报 | 结局分级第 3 档在集内无记录 |
| 这是多模态数据 | 单表、纯结构化短码 | 文件清单仅一个 CSV，无影像无自由文本 |
| 有日期列可以做波次分析 | 唯一日期是停用 DMT 日期且已扰动 | 变量表无感染日期；日期逐行平移 |
| 许可严格，需要申请 | 无需申请，CC BY 4.0，可商用 | 许可文件与页面标注一致 |
| 数据量小所以是残缺版 | 小是设计结果，全量公开子集 | 论文说明公开的是经脱敏的子集，非截断 |
FAQ
Q1：这份数据到底属于「新冠队列」还是「MS 队列」？
两个标签都只对一半。它的入组条件是「多发性硬化患者」加「愿意填报新冠相关状态」，所以人群是 MS 专属，事件是新冠专属。把它归入任何一边的队列清单都会误导检索，最准确的描述是「MS 人群的 COVID-19 横断面自报快照」。
Q2：一千一百余例在国际合作研究里算大还是小？
在 MS 这种相对低患病率、且需要跨国动员的疾病里，短时间内凑到这个量级并不容易；但放到新冠研究里，它与住院队列的规模差两到三个数量级。判断大小要看参照系，不能脱离语境。
Q3：为什么没有任何地理信息？
因为采集时就没有设计这一维度。问卷面向全球患者，未要求填写国家，脱敏阶段也没有可恢复的地理线索。想做地区分析必须换数据源。
Q4：能不能把它和 N3C 或 ISARIC 拼起来用？
只能做分布层面的对照，不能做个体层面的拼接。两者没有共享主键，也没有可用于匹配的准标识符组合，任何匹配尝试都会同时违反隐私原则与统计有效性。
Q5：症状字段那么多空值，是不是数据质量差？
不是。那是分支问卷的正常产物：没有症状的人不会被追问具体症状。问题不在数据，而在分析者是否意识到「留空」与「否」不是一回事。
Q6：为什么 EDSS 只有两档？
为了在几分钟的问卷里让患者能答。完整 EDSS 需要医生评估，自报不现实。两档（6 分及以下、6 分以上）是折中，代价是丢失了中间段的信息。
Q7：结局分级里的第 3 档为什么是空的？
因为死亡病例几乎不可能由本人填报，而医生填报的样本量又很小。这一档保留在编码体系里，是为了与其他 GDSI 数据保持口径一致，不代表数据里应该有。
Q8：可以用于商业产品吗？
可以。CC BY 4.0 允许商业使用，义务只有署名与标明改动。但商业使用不等于可以宣称代表性，产品文案里任何「MS 患者群体比例」的表述都缺乏数据支持。
Q9：v1.0.0 和 v1.0.1 该引哪个？
引当前版 v1.0.1，DOI 为 10.13026/77ta-1866。两版的数据内容差异很小，但版本号是引用的一部分，写错会导致复现困难。
Q10：如果我要做一个 MS 与新冠的预测模型，这份数据够吗？
不够独立支撑。它可以作为外部小样本校验集，或者作为特征工程的探索集，但训练与验证都需要有分母、有随访的数据。用它单独训练出的模型，学到的更多是填报行为而非临床风险。
Q11：为什么它被归类为电子健康记录而不是调查数据？
两个标签都成立。它的内容是健康状态记录，形态是结构化表格，所以归入电子病历大类；它的采集方式是问卷自报，所以同时带调查数据属性。分类体系里两者并不互斥。
Q12：这份数据会更新吗？
数据内容已冻结，工具已下线。未来的变化只可能发生在发布包层面（许可文本、元数据、平台迁移），不会有新记录加入。
术语表
| 术语 | 含义 |
|---|---|
| PwMS | People with Multiple Sclerosis，多发性硬化患者 |
| MS | Multiple Sclerosis，多发性硬化，中枢神经系统炎性脱髓鞘疾病 |
| GDSI | COVID-19 and MS Global Data Sharing Initiative，本集的来源计划 |
| DMT | Disease-Modifying Therapy，疾病修正治疗，改变病程而非仅缓解症状的药物 |
| EDSS | Expanded Disability Status Scale，扩展残疾状态量表，0 至 10 分 |
| 复发缓解型 | 发作后部分或完全恢复的病程类型，MS 中最常见 |
| 进展型 | 功能持续下降、不以发作为主的病程类型 |
| 抗 CD20 | 消耗 B 细胞的单抗类治疗，如奥瑞珠单抗、利妥昔单抗 |
| 免疫重建治疗 | 以阿仑单抗、克拉屈滨为代表的强效诱导方案 |
| 糖皮质激素 | 急性期冲击用激素，与长期 DMT 不同 |
| 合并症 | 除 MS 与新冠之外的其他慢性疾病 |
| 小单元格风险 | 样本中取值极少的单元格可能指向个体的风险 |
| 直接标识符 | 姓名、联系方式一类可单独识别个体的字段 |
| 间接标识符 | 年龄、性别、地区等组合后可识别个体的字段 |
| k-匿名 | 要求每组准标识符至少对应 k 条记录 |
| l-多样性 | 要求同组内敏感属性取值足够分散 |
| 日期平移 | 对日期做随机偏移以切断外部对齐 |
| 结构性缺失 | 由问卷分支逻辑导致的缺失，携带信息 |
| 选择偏倚 | 参与者的纳入机制与目标人群不同导致的偏差 |
| 幸存者偏倚 | 重症或死亡者无法进入样本导致的偏差 |
| 横断面 | 单一时间点的观测，无随访 |
| 分母不可定义 | 无法确定目标人群规模，比率无意义 |
| 完整案例分析 | 只保留所有变量均非缺失的记录 |
| 敏感性分析 | 改变处理方式看结论是否稳健 |
| 外部效度 | 结论能否外推到样本之外的人群 |
| DAIMS | 千方医数集的数据 AI 就绪度评估框架，八维二十四项 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 患者数 | 1,141 | PhysioNet 数据说明页原文 | 官方页面 |
| 变量数 | 47（可点名对上 46 个） | 数据说明页 n=47 | 官方页面 |
| 主数据文件 | GDSI_OpenDataset_Final.csv | 文件清单 | 官方页面 |
| 主文件大小 | 221.2 KB | 文件清单 | 官方页面 |
| 整包大小 | 237.4 KB | 文件清单 | 官方页面 |
| 记录粒度 | 一人一行 | 变量表与论文 | 官方页面 |
| 首版日期 | 2023-05-30 | 版本页 | 官方页面 |
| 当前版日期 | 2024-01-02 | 版本页 | 官方页面 |
| DOI | 10.13026/77ta-1866 | 版本页 | 官方页面 |
| 许可 | CC BY 4.0 | 许可文件 | 官方页面 |
| 伦理批号 | CME2020/025 AMD3 | 数据说明页 | 官方页面 |
| 工具下线 | 2022-02-03 | 数据说明页 | 官方页面 |
| 论文期刊 | Scientific Data | Europe PMC 检索 | 论文摘要 |
| 论文年份 | 2024 | Europe PMC 检索 | 论文摘要 |
| 填报通道比例 | 患者为主、医生为辅 | 数据说明页 | 官方页面 |
| 死亡档记录数 | 集内为空 | 变量表取值说明 | 官方页面 |
附录 B：数字的来源分层
第一层：官方页面。 患者数、变量数、文件清单与大小、版本日期、DOI、许可、伦理批号、工具下线日期、字段名与取值域，全部来自 PhysioNet 项目页与版本页的正文。这一层的数字可以直接引用，不需要二次核对。
第二层：论文摘要。 采集背景、计划动因、公开子集与全量的关系、教育用途的定位，来自 Scientific Data 论文摘要与 Europe PMC 的检索记录。摘要能确认方向，但具体数字仍以官方页面为准——两者若冲突，以官方页面为发布口径。
第三层：未核实与不可核实。 国别构成、填报者的招募渠道、各中心参与度、症状的真实临床判定标准，这些在公开材料里没有交代，本集也没有相应字段。凡是正文中出现「未说明」「官方未展开」的表述，都属于这一层。使用时不要用推测填补。
附录 C：完整参考文献
- Khan H, Geys L, Baneke P, Comi G, Peeters L. Patient level dataset to study the effect of COVID-19 in people with Multiple Sclerosis. Scientific Data. 2024. DOI: 10.1038/s41597-024-02978-x.
- PhysioNet. Patient-level dataset to study the effect of COVID-19 in people with Multiple Sclerosis, version 1.0.1. 2024-01-02. DOI: 10.13026/77ta-1866. RRID: SCR_007345.
- PhysioNet. 同一数据集的 v1.0.0 版本页，2023-05-30 发布，用于版本差异比对。
- GDSI 开源代码仓库（数据集说明页给出的分析管线地址），用于复现读入与清洗步骤。
- PhysioNet 平台标准引用文献，用于平台层面的引用义务。
- 本集许可全文（LICENSE.txt），CC BY 4.0 的完整条款。
- 数据说明页附列的 GDSI 计划背景文献，用于理解问卷设计的临床动因。
附录 D：任务代码
下面是一段可直接运行的完整脚本，把「取数—清洗—建模—报边界」四步走完，用于在本地做一次端到端的可行性验证。
#-- 端到端最小验证：逻辑回归 + 自助法置信区间 + 边界声明
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
PATH = "data/gdsi-1.0.1/GDSI_OpenDataset_Final.csv"
df = pd.read_csv(PATH, na_values=[""])
#-- 人群：确诊或疑似
d = df[df["covid19_diagnosis"].isin(["confirmed", "suspected"])].copy()
d["severe"] = d["covid19_outcome_levels_2"].isin([1, 2]).astype(int)
#-- 特征：只用覆盖度尚可的粗变量
feat_cat = ["age_in_cat", "sex", "ms_type2", "current_dmt", "has_comorbidities"]
d = d.dropna(subset=feat_cat + ["severe"])
X = d[feat_cat].astype(str)
y = d["severe"].to_numpy()
pre = ColumnTransformer([("oh", OneHotEncoder(handle_unknown="ignore"), feat_cat)])
pipe = Pipeline([("pre", pre), ("lr", LogisticRegression(max_iter=2000, class_weight="balanced"))])
#-- 自助法：小样本下比解析解更稳
rng = np.random.default_rng(20261028)
coefs = []
for _ in range(500):
idx = rng.integers(0, len(d), len(d))
pipe.fit(X.iloc[idx], y[idx])
names = pipe.named_steps["pre"].get_feature_names_out(feat_cat)
coefs.append(pd.Series(pipe.named_steps["lr"].coef_[0], index=names))
boot = pd.concat(coefs, axis=1)
summary = pd.DataFrame({
"median_odds_ratio": np.exp(boot.median(axis=1)),
"lo": np.exp(boot.quantile(0.025, axis=1)),
"hi": np.exp(boot.quantile(0.975, axis=1)),
}).sort_values("median_odds_ratio", ascending=False)
print(summary.head(12).round(3))
#-- 边界声明：必须随结果一起输出
print("分母为自愿填报者，非人群样本；结果仅供假设生成")
这段代码有三处刻意的设计。第一处是用 class_weight 平衡类别，因为重症在子集里是少数，不平衡会让模型倾向于全部预测为轻症。第二处是用自助法而不是解析标准误，因为小样本下解析解对稀疏类别过于乐观。第三处是把边界声明写进脚本输出，确保任何人跑一遍都会看到那句提醒，而不是只在论文里出现一次。
附录 E：如果只记五件事
- 它是一份多发性硬化患者的 COVID-19 横断面自报数据，一千一百余行、四十七列、单表两百多 KB。
- 九成以上记录由患者自报，症状与住院信息没有病历核验，这是它最大的软肋，也是它唯一的独特视角。
- 分母不可定义，任何感染率、住院率、病死率都算不出来；想做率的问题必须换数据源。
- 无日期、无国别、无随访、无疫苗字段，这四项缺失划定了它的能力边界。
- 许可为 CC BY 4.0，无门槛可商用；它最稳的用途是教学与方法验证，不是流行病学推断。
编辑说明
核验时间：2026-10-28。核验方式：逐页读取 PhysioNet 项目页与 v1.0.1 版本页的正文、文件清单、变量说明、许可与引用段落；通过 Europe PMC 检索确认论文题录与摘要；未下载主数据文件做逐行统计，正文中不含任何需要下载后才能得到的分布类数字。
数字口径：规模与结构类数字（行数、列数、文件大小、版本日期、DOI）以官方页面为准；边界类判断（分母不可定义、死亡档为空、无国别字段）以变量表取值域与说明页表述为准。官方称变量数为 47、变量表可点名对上 46 个，差额 1 个未做推测，按「官方未展开说明」处理。
未覆盖内容：填报者的国别分布、各招募渠道的贡献比例、问卷的具体题面措辞、症状判定的临床标准、GDSI 全量与公开子集的差额构成。这些均未在公开材料中给出，正文相应位置已标注。
体例说明：全文不含对原始数据的逐行统计表述，因为本篇未下载主表做分布核算；凡涉及同库其他词条，只写其重心与切分点，不引用其内部数字。
医学免责声明：本篇为数据资源说明，不构成医疗建议。任何基于该数据的分析结论，在用于临床决策前必须经过独立验证。
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：
- cdsl-covid-data-shared-learning — 共享标签：电子健康记录 / 公共卫生与流行病学 / COVID-19
- encode-chile — 共享标签：电子健康记录 / 公共卫生与流行病学 / 调查数据
- abdm — 共享标签：电子健康记录 / 公共卫生与流行病学 / 调查数据
- knhanes — 共享标签：电子健康记录 / 公共卫生与流行病学 / 调查数据
- synthea-covid — 共享标签：电子健康记录 / 公共卫生与流行病学 / COVID-19
- flatten-covid-survey — 共享标签：公共卫生与流行病学 / COVID-19 / 调查数据
- charls — 共享标签：电子健康记录 / 公共卫生与流行病学 / 调查数据
- nwicu — 共享标签：电子健康记录 / 公共卫生与流行病学 / COVID-19
- meps — 共享标签：电子健康记录 / 公共卫生与流行病学 / 调查数据
- mimicel — 共享标签：电子健康记录 / 公共卫生与流行病学
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。
