改善循证实践实施决定因素识别——障碍调查
基于Likert量表的癌症遗传服务实施障碍调查数据，用于识别影响循证实践的关键决定因素。
基本信息
资源简介
改善循证实践实施决定因素识别——障碍调查
【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 19.93 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《Improving identification of determinants of evidence-based practice implementation - Barriers Survey》。源站首次发布：2024-06-20。
【数据内容】
源站原始描述：This study leveraged an existing implementation effort in Kaiser Permanente Washington to increase access to cancer genetic services. Using OPTICC Stage I and Stage II methods (see OPTICC.org), this study matched implementation strategies to high priority determinants for routine hereditary cancer risk assessment and delivery of genetic testing, and evaluated a staged, stakeholder-driven approach to program implementation planning. This dataset consists of responses to our barrier survey, based…
中文译文（机器翻译，仅供快速理解，请以原文为准）：本研究利用Kaiser Permanente Washington现有的一项实施工作，以增加癌症遗传服务的可及性。本研究采用OPTICC第I阶段和第II阶段方法（见OPTICC.org），将实施策略与常规遗传性癌症风险评估和基因检测提供的高优先级决定因素相匹配，并评估了一种分阶段、利益相关者驱动的项目实施方案规划方法。该数据集包含我们对障碍调查的应答，该调查基于4点Likert量表（示例：完全无影响、有些影响、有影响、极其有影响）。该调查的目的是了解参与者对不同照护障碍的影响程度和持续性的看法。这些数据收集于2023年7月。共有六名参与者回答了该调查。
【数据结构与技术规格】
文件数 1 个，合计 19.93 KB。数据集 DOI：10.17632/jp5zcmcdt8.1。
【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/jp5zcmcdt8
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/jp5zcmcdt8
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。
