数据集描述
源站描述介绍了一项基于多目标符号回归（MOSR）的机器学习方法，利用重症监护病房入院时采集的常规临床数据，预测血流感染（BSI）的存在及抗菌药物耐药（AMR）风险，并与既有机器学习算法在自然不平衡的真实数据上进行比较
基本信息
资源简介
数据集描述
Description of the dataset.
该数据集来自 plos.figshare.com，主题为感染与血流感染，包含 1 个文件（Table 1.xls）。源站描述介绍了一项基于多目标符号回归（MOSR）的机器学习方法，利用重症监护病房入院时采集的常规临床数据，预测血流感染（BSI）的存在及抗菌药物耐药（AMR）风险，并与既有机器学习算法在自然不平衡的真实数据上进行比较。该数据可用于血流感染与耐药预测建模、临床决策支持及感染控制相关研究（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2024-10-16。
【数据内容】
源站描述（机器翻译，仅供参考）：医院感染和抗菌药物耐药（AMR）是全球范围内严峻的医疗挑战。为应对这些问题，各种感染控制方案和由实验室检测指导的个体化治疗策略，旨在检测血流感染（BSI）并评估 AMR 的可能性。在本研究中，我们介绍了一种基于多目标符号回归（MOSR）的机器学习（ML）方法，这是一种进化方法，以多目标方式创建可读数学方程形式的 ML 模型，以克服标准单目标方法的局限性。该方法利用重症监护病房入院时采集的现成临床数据，目标是预测 BSI 的存在和 AMR。我们进一步通过将其与既有 ML 算法在自然不平衡的真实数
【数据结构与技术规格】
文件数 1 个，合计 9.73 KB。数据集 DOI：10.1371/journal.pdig.0000641.t001。
【主题与分类】
源站学科分类：Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Mathematical Sciences not elsewhere classified、Mental Health、Infectious Diseases、Virology。主题标签：readable mathematical equations、promising path forward、predict bloodstream infection、naturally imbalanced real、minimize false negatives、intensive care units、formidable healthcare challenges、detect bloodstream infections、training set balance、enhancing antimicrobial stewardship。本站分类：感染/血流感染。
【适用方向】
源站学科分类标注为 Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Mathematical Sciences not elsewhere classified、Mental Health、Infectious Diseases、Virology。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/Description_of_the_dataset_/27242757
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Ferrari, Davide; Arina, Pietro; Edgeworth, Jonathan; Curcin, Vasa; Guidetti, Veronica; Mandreoli, Federica; et al. (2024). Description of the dataset.. PLOS Digital Health. Dataset
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）
- 源站标题：Description of the dataset.
- DOI：10.1371/journal.pdig.0000641.t001
- 发布日期：2024-10-16
- 文件数：1 个
- 文件总体积：9.73 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Description_of_the_dataset_/27242757
命令行下载
curl -L -o "Table 1.xls" "https://ndownloader.figshare.com/files/49835784"
文件清单
Table 1.xls（9.73 KB）
文件总体积 9.73 KB（源站 API 实测）。
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。
数据说明
医院感染和抗微生物药物耐药性（AMR）是全球范围内严峻的医疗挑战。为应对这些问题，各种感染控制方案和以实验室检测为指导的个性化治疗策略，旨在检测血流感染（BSI）并评估AMR的可能性。在本研究中，我们介绍了一种基于多目标符号回归（MOSR）的机器学习（ML）方法，这是一种以多目标方式创建可读数学方程形式的ML模型的进化方法，以克服标准单目标方法的局限性。该方法利用重症监护病房入院时收集的现成临床数据，目标是预测BSI和AMR的存在。我们进一步通过将它与已建立的ML算法进行比较来评估其性能，使用了自然不平衡的真实世界数据以及通过过采样技术平衡后的数据。我们的发现表明，传统ML模型在所有训练场景中均表现不佳。
相比之下，MOSR通过同时优化F1-Score以最小化假阴性，表现优于其他机器学习算法，并且无论训练集平衡与否，均能持续提供可靠结果，其F1-Score分别比其他任何替代方法高出0.22和0.28。这项研究为增强抗菌药物管理（AMS）策略指明了一条充满希望的前进道路。值得注意的是，MOSR方法可以很容易地大规模实施，为解决这些受数据可用性限制的关键医疗保健问题提供了一种新的机器学习工具。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pdig.0000641.t001（source: https://plos.figshare.com/articles/dataset/Description_of_the_dataset_/27242757）。
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。
