用于识别肝硬化患者的管理数据算法
该数据集源自 Mayo Clinic 于 1974 至 1984 年开展的原发性胆汁性肝硬化（PBC）研究，包含 17 个临床特征，用于预测肝硬化患者的生存状态，生存状态分为 0 = D（死亡）、1 = C（删失）、2 = CL（因肝移植删失）
基本信息
资源简介
用于识别肝硬化患者的管理数据算法
Cirrhosis Patient Survival Prediction
该数据集源自 Mayo Clinic 于 1974 至 1984 年开展的原发性胆汁性肝硬化（PBC）研究，包含 17 个临床特征，用于预测肝硬化患者的生存状态，生存状态分为 0 = D（死亡）、1 = C（删失）、2 = CL（因肝移植删失）。数据实例代表人群，涉及性别、年龄等敏感信息。数据预处理包括删除 Drug 列存在缺失值（NA）的行，并用均值填补缺失值。该数据集可用于肝硬化患者生存状态的分类建模与死亡率相关研究（来源 Kaggle，Attribution 4.0 International (CC BY 4.0) 许可）。
【数据集背景】
源站首次发布：2023-10-17。
【数据内容】
源站描述（机器翻译，仅供参考）：利用 17 个临床特征预测肝硬化患者的生存状态。生存状态包括 0 = D（死亡）、1 = C（删失）、2 = CL（因肝移植删失）。创建该数据集的目的是什么？ 肝硬化由长期肝损伤引起，导致广泛瘢痕形成，通常由肝炎或慢性酒精消费等状况导致。所提供的数据来源于 Mayo Clinic 于 1974 年至 1984 年开展的一项关于原发性胆汁性肝硬化（PBC）的研究。谁资助了该数据集的创建？ Mayo Clinic 该数据集中的实例代表什么？ 人 该数据集是否包含任何可能被视为敏感的数据？ 性别、年龄 是否进行了任何数据预处理？ 1. 删除 Drug 列中存在缺失值（NA）的所有行 2. 用均值填补缺失值
【数据结构与技术规格】
文件数 1 个，合计 31.86 KB。
【主题与分类】
主题标签：classification、health、health conditions、healthcare、binary classification、mortality。本站分类：消化系统疾病/肝硬化。
【获取与许可】
源站页面：https://www.kaggle.com/datasets/joebeachcapital/cirrhosis-patient-survival-prediction
使用许可：Attribution 4.0 International (CC BY 4.0)。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
需登录公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://kaggle.com/datasets/joebeachcapital/cirrhosis-patient-survival-prediction
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 31.9 KB。
数据说明
Joakim Arvidsson (2023). Cirrhosis Patient Survival Prediction [Dataset]. https://www.kaggle.com/datasets/joebeachcapital/cirrhosis-patient-survival-prediction
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
