心房颤动复发数据集
该数据集是一个包含1508名患者心房颤动发作记录的医疗健康数据集，数据模态主要为临床表格数据，通过整合结构化电子健康记录和自由文本出院报告生成，用于预测心房颤动的复发，支持评估传统临床评分、机器学习模型及大型表格模型的性能，并研究性别和年龄等因素对预测的影响。
基本信息
资源简介
该数据集由巴斯克大学和巴斯克大学医院的研究人员创建，旨在预测心房颤动（AF）的复发。数据集包含1508名患者的文档化AF发作记录，通过自然语言处理技术整合了结构化电子健康记录（EHR）数据与自由文本出院报告，生成了描述患者健康状况的表格数据。该数据集克服了传统临床评分在预测AF复发方面的局限性，可用于评估传统临床评分、机器学习模型和大型表格模型（LTM）的预测性能，并探索性别和年龄对AF复发预测的影响，主要应用于医疗健康领域的心房颤动预测研究。
下载信息
注册下载
Tips: 该数据集需要在对应的数据源网站注册通过后，才能进行数据下载，注册有对应要求，或者需要收费。
暂未开放公开下载
Tips: 该数据集属于公开下载，应该可以免费公开下载。
免登录有偿下载
Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务，注意，服务不针对数据相关产权，只是技术服务费。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放千方医数集，医疗数据集部分，是为社区服务的公开医疗数据集搜索引擎，并不存储或者下载原始的任何数据。 如果您有其他医疗数据需求，可以和客服联系，或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。
使用方式
数据集说明
心房颤动复发数据集 对应论文数据集（arXiv 预印本）。
数据获取指引
- 打开论文页面获取作者与项目信息：https://arxiv.org/abs/2505.14643v1
- 论文 Data Availability / Code Availability 章节标注了数据实际托管位置；
- 获取到实际数据链接后，按对应平台标准方式下载。
论文摘要：Abstract:BACKGROUND: Atrial fibrillation (AF), the most common arrhythmia, is linked to high morbidity and mortality. In a fast-evolving AF rhythm control treatment era, predicting AF recurrence after its onset may be crucial to achieve the optimal therapeutic approach, yet traditional scores like CHADS2-VASc, HATCH, and APPLE show limited predictive accuracy. Moreover, early diagnosis studies often rely on codified electronic health record (EHR) data, which may contain errors and missing information.
OBJECTIVE: This study aims to predict AF recurrence between one month and two years after onset by evaluating traditional clinical scores, ML models, and our LTM approach. Moreover, another objective is to develop a methodology for integrating structured and unstructured data to enhance tabular dataset quality.
METHODS: A tabular dataset was generated by combining structured clinical data with free-text discharge reports processed through natural language processing techniques, reducing errors and annotation effort. A total of 1,508 patients with documented AF onset were identified, and models were evaluated on a manually annotated test set. The proposed approach includes a LTM compared against traditional clinical scores and ML models.
RESULTS: The proposed LTM approach achieved the highest predictive performance, surpassing both traditional clinical scores and ML models. Additionally, the gender and age bias analyses revealed demographic disparities.
CONCLUSION: The integration of structured data and free-text sources resulted in a high-quality dataset. The findings emphasiz
精度瓶颈？数据缺失？
当前公开数据无法满足您的算法精度？千方提供针对 心房颤动 的高质量、多模态真实临床数据定制解决方案。
