儿科重症监护病房血管导管相关血流感染危险因素数据

数据集获取（Figshare）

• 源站标题：Data Sheet 1_Early diagnosis and prognostic prediction of secondary bloodstream infections caused by Acinetobacter baumannii in critically ill patients by machine-learning algorithms.docx
• DOI：10.3389/fcimb.2025.1667176.s002
• 发布日期：2026-01-30
• 文件数：1 个
• 文件总体积：881.56 KB
• 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_Early_diagnosis_and_prognostic_prediction_of_secondary_bloodstream_infections_caused_by_Acinetobacter_baumannii_in_critically_ill_patients_by_machine-learning_algorithms_docx/31200043

命令行下载

curl -L -o "Data Sheet 1_Early diagnosis and prognostic prediction of secondary bloodstream infections caused by Acinetobacter baumannii in critically ill patient.docx" "https://ndownloader.figshare.com/files/61493062"

文件清单

• Data Sheet 1_Early diagnosis and prognostic prediction of secondary bloodstream infections caused by Acinetobacter baumannii in critically ill patient.docx（881.56 KB）

文件总体积 881.56 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

背景由鲍曼不动杆菌（AB）引起的继发性血流感染（sBSI）因其高发生率和严重性，是重症监护病房（ICU）中患者安全的主要威胁。开发准确的预测模型对于增强临床决策能力和改善患者预后至关重要。本研究旨在利用机器学习（ML）构建一个诊断模型，用于预测ICU患者发生AB-sBSI的风险，并构建一个预后模型，用于评估相关的30天死亡风险。方法这项多中心回顾性研究纳入了4，267例从非血液部位分离出AB的ICU患者。其中，337例患者发生了血流感染。分析纳入了70例确诊为AB继发性血流感染（AB-sBSI）的患者，以及76例年龄和性别匹配的非AB-sBSI对照。对于30天死亡率评估，AB-sBSI患者被分为非存活组（n=39）和存活组（n=31）。分析了人口学、微生物学及实验室数据，包括血液学、凝血和炎症标志物。

使用Deepwise和Beckman Coulter DxAI平台对14种机器学习模型进行了五折交叉验证评估。采用五项标准指标评估模型性能，并应用DeLong检验进行AUC比较。数据预处理后，纳入患者构成外部验证队列。结果：基于11个特征构建的AB-sBSI风险诊断模型将红细胞分布宽度确定为最重要的预测因子。AdaBoost模型优于两个对比模型（线性判别分析、逻辑回归、LinearSVC）和传统生物标志物C反应蛋白（AUC = 0.66），训练集AUC为0.937，验证集AUC为0.786。对于30天死亡率预测，另一个基于11个特征的模型选择淋巴细胞计数作为最具影响力的变量。AdaBoost模型显示出显著效能，超越其他模型（多层感知机、BernoulliNB、SGD），训练集AUC值为0.986，验证集为0.821。结论：我们开发了两种基于机器学习的模型，用于预测AB-sBSI风险和30天m

许可

CC BY 4.0

引用

学术使用请引用 DOI 10.3389/fcimb.2025.1667176.s002（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_Early_diagnosis_and_prognostic_prediction_of_secondary_bloodstream_infections_caused_by_Acinetobacter_baumannii_in_critically_ill_patients_by_machine-learning_algorithms_docx/31200043）。