数据挑战：利用贝叶斯统计与机器学习方法改善低资源环境下血流感染的循证抗生素升级 | ATLAS

数据集获取

源站：https://doi.org/10.25934/pr00011414

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

抗菌药物耐药性（AMR）影响的最关键临床场景之一是脓毒症的管理。有效抗菌药物每延迟一小时启动，死亡率最高增加8%，因此及时有效的经验性抗生素治疗至关重要。在许多中低收入国家（LMICs），诊断能力有限，无法及时进行微生物鉴定和抗菌药物敏感性试验（AST）。即使在高收入国家，AST结果通常也需要24–72小时才能获得，这期间必须进行经验性治疗。当经验性一线治疗失败时，临床医生必须迅速升级治疗。然而，指导经验性抗菌药物选择的传统抗菌谱是基于群体水平的敏感性估计。它们很少考虑患者特异性因素，也无法在推测一线耐药后为选择二线药物提供指导。这种升级指导和个人化策略的缺乏凸显了临床决策中的一个关键缺口，导致有效治疗延迟和不必要的广谱抗生素使用。

我们旨在估计血流感染中对常用抗生素的耐药概率，并以对一线药物的耐药性和患者特征为条件。目标是支持开发临床决策支持工具，以实现更有效、更及时的抗生素升级。我们将利用抗菌药物检测领导力与监测（ATLAS）数据集，该数据集包含来自不同地域和时间段的血液分离株的AST结果。我们将应用贝叶斯建模与机器学习的混合方法，以捕捉患者层面特征与AMR之间的复杂关系，旨在将学习泛化并迁移到数据可得性稀疏的特定中低收入国家环境。本研究将提供所需证据，以便在全面

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。