COPD与肺癌历史疾病负担及未来预防机会的国家层面衍生数据
该数据集为研究“COPD与肺癌历史疾病负担与未来预防机会之间的差异”提供国家层面衍生数据与敏感性数据，涵盖历史呼吸系统疾病负担评分、2030年预防缺口、规划背景分类、阈值敏感性分析、死亡率情景差异、福利等价值及WHO政策一致性数据
基本信息
资源简介
COPD与肺癌历史疾病负担及未来预防机会的国家层面衍生数据
Derived country-level data for historical disease burden and future prevention opportunities in COPD and lung cancer
该数据集为研究“COPD与肺癌历史疾病负担与未来预防机会之间的差异”提供国家层面衍生数据与敏感性数据，涵盖历史呼吸系统疾病负担评分、2030年预防缺口、规划背景分类、阈值敏感性分析、死亡率情景差异、福利等价值及WHO政策一致性数据。数据集覆盖204个国家和地区，其中190个国家具备完整估值参数可提供福利估计。数据仅包含衍生的、非披露性的国家层面结果，不含个体级CHARLS数据或GBD、WHO、WDI、WPP的限制性原始数据，可用于全球呼吸系统疾病负担比较与预防策略分析（来源 DOI 解析，Creative Commons Attribution 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集包含支持研究“COPD与肺癌历史疾病负担与未来预防机会之间的差异”的国家层面衍生数据和敏感性数据。它包括国家层面历史呼吸系统疾病负担评分、2030年预防缺口、规划背景分类、阈值敏感性分析、死亡率情景差异、福利等价值以及WHO政策一致性数据。该数据集覆盖204个国家和地区；福利估计适用于190个具有完整估值参数的国家。该数据集仅包含衍生的、非披露性的国家层面结果，不包括个体级CHARLS数据或来自GBD、WHO、WDI或WPP的限制性原始数据。
【主题与分类】
主题标签：Health management、Health promotion and health education、Health economics、COPD、lung cancer、historical disease burden、prevention gap、Global Burden of Disease、smoking、air pollution。本站分类：肿瘤/肺癌。
【获取与许可】
源站页面：https://www.scidb.cn/detail?dataSetId=52a9b9c8b59d42ccae384443605132c9
使用许可：Creative Commons Attribution 4.0 International。
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/10.57760/sciencedb.011nm
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:
数据说明
本数据集包含支持研究“慢性阻塞性肺疾病与肺癌历史疾病负担与未来预防机会之间的差异”的国家层面衍生数据和敏感性数据。其中包括国家层面历史呼吸系统疾病负担评分、2030年预防缺口、规划背景分类、阈值敏感性分析、死亡率情景差异、福利等价值以及WHO政策一致性数据。该数据集覆盖204个国家和地区；福利估计值可用于190个具有完整估值参数的国家。该数据集仅包含衍生的、非披露性的国家层面结果，不包括个体层面的CHARLS数据或来自GBD、WHO、WDI或WPP的限制性原始数据。
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。
