肢端肥大症精准医疗数据挖掘分析数据集
该数据集包含71名肢端肥大症患者的临床与分子多模态数据,涵盖临床特征(如肿瘤生长、性别、年龄、BMI)和分子标志物(如E-cadherin、GHRL等基因表达),通过数据挖掘和人工智能方法构建预测模型,用于评估患者对生长抑素受体配体治疗的反应,支持肢端肥大症的精准医疗和个性化治疗策略研究。

基本信息
资源简介
肢端肥大症精准医疗数据挖掘分析数据集
【数据集背景】
本数据集源站标题为《Data mining analyses for precision medicine in acromegaly》。项目资助方:Instituto de Salud Carlos III (PM 15/00027)。源站首次发布:2020-09-27。
【数据内容】
源站原始描述:Context: Predicting which acromegaly patients could benefit from somatostatin receptor ligand (SRL) is crucial to avoid months of ineffective treatment for non-responding cases. Although many biomarkers linked to SRL response have been identified, there is no consensus criterion on how to assign pharmacologic treatment according to biomarker levels. Objective: Our aim is to provide better predictive tools for a more accurate acromegaly patient stratification regarding the ability to respond to S…
【数据结构与技术规格】
文件数 3 个,合计 1.02 MB。Figures_Detailed_Models.pdf:application/pdf,994.28 KB。Supplementary Table 1.xlsx:application/vnd.openxmlformats-officedocument.spreadsheetml.sheet,12.57 KB。Supplementary Table 2.xlsx:application/vnd.openxmlformats-officedocument.spreadsheetml.sheet,13.98 KB。数据集 DOI:10.6084/m9.figshare.13012661.v1。
【主题与分类】
源站学科分类:Endocrinology。主题标签:acromegaly gene expression signature、data mining results、Personalized Medicine、Endocrinology。
【适用方向】
源站学科分类标注为 Endocrinology。
【获取与许可】
源站页面:https://figshare.com/articles/dataset/Data_mining_analyses_for_precision_medicine_in_acromegaly/13012661
使用许可:CC BY 4.0(https://creativecommons.org/licenses/by/4.0/)。
规范引用:Gil, Joan (2020). Data mining analyses for precision medicine in acromegaly. figshare. Dataset
【使用注意】
· 源站最后修改于 2023-06-03,引用时请注意版本时效。
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。
暂未开放公开下载
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。
免登录有偿下载
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(Figshare)
按页面 Download 按钮获取。
数据说明
该数据集旨在通过数据挖掘和人工智能方法预测肢端肥大症患者对生长抑素受体配体(SRL)治疗的反应,以支持精准医疗决策。数据集包含71名肢端肥大症患者的回顾性多中心临床与分子数据,涵盖临床特征(如肿瘤生长方式、性别、年龄、BMI)和分子标志物(如E-cadherin、GHRL、IN1-GHRL、DRD2、SSTR5、PEBP1的表达水平)。通过数学建模和人工智能技术,研究构建了患者分层模型,用于预测SRL治疗反应,准确率达71%至95%。该数据集适用于肢端肥大症的精准医疗、药物反应预测、生物标志物发现及患者分层研究。
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。




