未诊断现患疾病与区间删失发病疾病混合模型数据集：基于电子健康记录队列的应用
该数据集配套发表于 Statistics in Medicine 的混合模型研究，针对从电子健康记录中组建的大规模队列，处理两类关键特征：发病疾病在不规则就诊间呈区间删失，以及存在未诊断的现患疾病
基本信息
资源简介
未诊断现患疾病与区间删失发病疾病混合模型数据集：基于电子健康记录队列的应用
Dataset for: Mixture models for undiagnosed prevalent disease and interval-censored incident disease: Applications to a cohort assembled from electronic health records
该数据集配套发表于 Statistics in Medicine 的混合模型研究，针对从电子健康记录中组建的大规模队列，处理两类关键特征：发病疾病在不规则就诊间呈区间删失，以及存在未诊断的现患疾病。数据包含4个R脚本文件，涵盖正确与错误设定下的logistic weibull模拟、非参数模拟及实际分析代码，可用于复现和验证未诊断现患疾病与区间删失发病疾病的混合模型方法，并评估Kaplan-Meier累积风险估计的偏差（来源 figshare，CC0 许可）。
【数据集背景】
配套论文《Mixture models for undiagnosed prevalent disease and interval-censored incident disease: applications to a cohort assembled from electronic health records》发表于 Statistics in Medicine（2017），DOI：10.1002/sim.7380。源站首次发布：2017-07-31。
【数据内容】
源站描述（机器翻译，仅供参考）：出于成本效益和效率考虑，许多大规模通用队列研究正在使用电子健康记录的大型医疗保健提供者内部组建。此类数据的两个关键特征是：发病疾病在不规则就诊之间呈区间删失，并且可能存在既存（现患）疾病。由于现患疾病并不总能被立即诊断，一些在后续就诊时诊断的疾病实际上是未诊断的现患疾病。在临床应用中，当对现患疾病的发病时间不感兴趣时，我们将现患疾病视为时间零点处的点质量。我们证明，朴素的Kaplan-Meier累积风险估计器在早期时间点低估风险，而在后期高估风险。我们提出了一个通用的混合模型族，用于未诊断的现患疾病和区间删失的发病疾病，我们称之为pr
【数据结构与技术规格】
文件数 4 个，合计 33.73 KB。数据集 DOI：10.6084/m9.figshare.5063722.v1。
【主题与分类】
源站学科分类：Statistics not elsewhere classified、Other biomedical and clinical sciences not elsewhere classified。主题标签：cumulative risk estimation、Kaplan-Meier、HPV、cervical cancer、Statistics、Medicine。本站分类：肿瘤/宫颈癌。
【适用方向】
源站学科分类标注为 Statistics not elsewhere classified、Other biomedical and clinical sciences not elsewhere classified。
【获取与许可】
源站页面：https://wiley.figshare.com/articles/dataset/Dataset_for_Mixture_models_for_undiagnosed_prevalent_disease_and_interval-censored_incident_disease_Applications_to_a_cohort_assembled_from_electronic_health_records/5063722
使用许可：CC0（https://creativecommons.org/publicdomain/zero/1.0/）。
规范引用：Cheung, Li C; Pan, Qing; Hyun, Noorie; Schiffman, Mark; Fetterman, Barbara; Castle, Philip; et al. (2017). Dataset for: Mixture models for undiagnosed prevalent disease and interval-censored incident disease: Applications to a cohort assembled from electronic health records. Wiley. Dataset
【使用注意】
· 源站最后修改于 2023-06-02，引用时请注意版本时效。
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://doi.org/10.6084/m9.figshare.5063722
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:
数据集大小约 33.7 KB。
数据说明
为了成本效益和效率，许多大型通用队列研究正在使用电子健康记录的大型医疗保健提供者内部组建。这类数据的两个关键特征是：新发疾病在非规律就诊之间呈区间删失，且可能存在预先存在的（流行性）疾病。由于流行性疾病并不总能立即被诊断，一些在后续就诊时诊断出的疾病实际上是未诊断的流行性疾病。在临床应用中，当对流行性疾病的发病时间不感兴趣时，我们将流行性疾病视为时间零点的一个点质量。我们证明，朴素的Kaplan-Meier累积风险估计器在早期时间点低估风险，而在后期高估风险。我们提出一个通用的混合模型族，用于未诊断的流行性疾病和区间删失的新发疾病，我们称之为流行-发病模型。参数化流行-发病模型（如逻辑回归和Weibull生存（逻辑-Weibull）模型）的参数通过直接似然最大化或EM算法进行估计。
提出采用非参数方法计算无协变量病例的累积风险。我们在北加州Kaiser Permanente的宫颈癌筛查项目中，比较了朴素Kaplan-Meier法、logistic-Weibull模型及非参数估计的累积风险。Kaplan-Meier法给出的估计效果不佳，而logistic-Weibull模型与非参数估计结果十分接近。我们的发现支持使用logistic-Weibull模型来开发风险估计，这些估计构成了当前美国基于风险的宫颈癌筛查指南的基础。
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。
