评估治疗方案比较效果的电子健康记录数据因果分析（方法研究），美国，2014-2019
美国2014-2019年电子健康记录数据集，用于糖尿病等慢性疾病动态治疗方案比较效果的因果分析方法研究。
![Causal Analyses of Electronic Health Record Data for Assessing the Comparative Effectiveness of Treatment Regimens [Methods Study], United States, 2014-2019](/medical-api/medicalDataset/datasetCover/40679.jpg)
基本信息
资源简介
评估治疗方案比较效果的电子健康记录数据因果分析（方法研究），美国，2014-2019
【一句话概览】
本数据集是 ICPSR 公开的结构化表格数据集，主题涵盖 chronic illnesses、diabetes、medical records、treatment，可用于统计建模、特征工程与队列分析。
【数据集背景】
本数据集源站标题为《Causal Analyses of Electronic Health Record Data for Assessing the Comparative Effectiveness of Treatment Regimens [Methods Study], United States, 2014-2019》。源站首次发布：2025。
【数据内容】
源站原始描述：Patients with chronic health problems, such as diabetes, often need to change treatment plans over time to improve their health. To help with this process, doctors can monitor patients'' health through follow-up clinic visits and lab tests. Doctors may also suggest changing a treatment plan in response to visits or lab test results. When a treatment plan changes in this way, it''s called a dynamic treatment plan. In this study, the research team developed and tested new statistical methods to lear…
【主题与分类】
主题标签：chronic illnesses、diabetes、medical records、treatment。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://www.icpsr.umich.edu/web/pcodr/studies/39581
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。
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://www.icpsr.umich.edu/web/pcodr/studies/39581
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:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
