基于机器学习的糖尿病足并发症患者截肢风险预测模型开发与验证：一项回顾性队列研究
基于364例糖尿病足溃疡患者的37项临床变量，构建随机森林模型预测截肢风险，并进行了时间验证。
基本信息
资源简介
基于机器学习的糖尿病足并发症患者截肢风险预测模型开发与验证：一项回顾性队列研究
【一句话概览】
本数据集是 Mendeley Data 公开的结构化表格数据集，收录 1 个文件、合计 186.54 KB，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《Development and Validation of a Machine Learning-Based Risk Prediction Model for Limb Amputation in Patients with Diabetic Foot Complications: A Retrospective Cohort Study》。源站首次发布：2026-04-22。
【数据内容】
源站原始描述：This retrospective cohort study analyzed 364 consecutive patients with diabetic foot ulcers treated at three Ibb University-affiliated tertiary hospitals between March 1, 2018 and December 3, 2024. We developed a Random Forest classifier incorporating 37 clinical variables spanning demographics, comorbidities, wound characteristics, laboratory parameters, and treatment factors. Model performance was evaluated using temporal validation (2024 cohort) with discrimination assessed via AUC-ROC and ca…
中文译文（机器翻译，仅供快速理解，请以原文为准）：这项回顾性队列研究分析了2018年3月1日至2024年12月3日期间在三家伊卜大学附属三级医院接受治疗的364例连续糖尿病足溃疡患者。我们开发了一个随机森林分类器，纳入37个临床变量，涵盖人口统计学、合并症、伤口特征、实验室参数和治疗因素。采用时间验证（2024年队列）评估模型性能，其中区分度通过AUC-ROC评估，校准通过Brier评分评估。
【数据结构与技术规格】
文件数 1 个，合计 186.54 KB。数据集 DOI：10.17632/mpw7prdhpr.2。
【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://data.mendeley.com/datasets/mpw7prdhpr
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
源站：https://data.mendeley.com/datasets/mpw7prdhpr
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。
