FairGlucose
FairGlucose是一个包含300名患者、按年龄/性别/糖尿病类型分层平衡的连续血糖监测公平性基准数据集，用于评估2小时血糖预测中的亚组公平性。
基本信息
资源简介
FairGlucose是一个用于连续血糖监测（CGM）公平性评估的基准数据集，由约翰霍普金斯大学和Welldoc公司共同构建。数据集包含300名患者，按年龄（18-39/40-64/65+）、性别（男/女）和糖尿病类型（1型/2型）的12个交叉分层均匀平衡，每个亚组25人。数据集包含132,480个标准化预测样本（24小时输入窗口+8小时输出窗口）和81名患者记录的3,945个带时间戳的行为事件（餐饮、运动、用药）。该数据集旨在解决现有CGM基准数据人口统计不平衡的问题，用于评估2小时血糖预测任务中的亚组公平性，揭示群体层面验证指标可能掩盖的显著亚组差异。数据模态为时间序列，任务为2小时血糖预测，用途为公平性评估。
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
FairGlucose 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/2608.18296v1
- 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:As CGM-based AI tools approach clinical deployment, whether their accuracy is equitable across patient demographics remains insufficiently tested. To enable this evaluation, we constructed FairGlucose, a 300-patient CGM cohort balanced across 12 demographic strata (age x gender x type 1/type 2 diabetes), with 132,480 forecasting samples and 3,945 unique behavioral events (meals, exercise, medication) logged by 81 patients. Benchmarking 33 models across four families on 2-hour glucose forecasting, we find that population-level external validation can conceal substantial subgroup disparities. Aggregate out-of-distribution metrics appear stable (approximately 1.0), yet subgroup-level ratios range from 0.8 to 1.4, with T1D patients showing 6 mg/dL higher prediction error than T2D (p < 0.001). This disparity persists across all 33 models, suggesting a property of the prediction task rather than any single architecture. Further analysis shows that subgroup performance gaps align with the proportion of clinically hard cases, and that input-length sensitivity varies across demographics, motivating personalized configurations. Frontier LLMs underperform specialized neural models by 1-6 mg/dL; behavioral events contribute negligibly (approximately 0.1 mg/dL) even under oracle event access. These findings establish that population-level validation alone is insufficient for equity assessment of digital health AI, motivating subgroup-disaggregated reporting as a default standard.
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 糖尿病 的高质量、多模态真实临床数据定制解决方案。
