慢性骨髓炎骨与非骨标本微生物一致性数据集
肿瘤领域表格公开数据集，来源：catalog.data.gov。
基本信息
资源简介
慢性骨髓炎骨与非骨标本微生物一致性数据集
【一句话概览】
一项回顾性观察研究比较了50例细菌性慢性骨髓炎患者的骨标本与非骨标本培养结果，以骨培养为诊断金标准。结果显示，所有病原体的一致率为28%，金黄色葡萄球菌为38%，其他菌种为19%。非骨标本培养可导致52%假阴性和36%假阳性。研究认为，非骨标本的微生物学与骨标本存在显著差异，不能据此指导慢性骨髓炎的诊断与治疗（来源 catalog.data.gov）。
【数据集背景】
本数据集源站标题为《Lack of microbiological concordance between bone and non-bone specimens in chronic osteomyelitis: an observational study》。
【数据内容】
源站原始描述：Background Prognosis of chronic osteomyelitis depends heavily on proper identification and treatment of the bone-infecting organism. Current knowledge on selecting the best specimen for culture is confusing, and many consider that non-bone specimens are suitable to replace bone cultures. This paper compares the microbiology of non-bone specimens with bone cultures, taking the last as the diagnostic gold standard. Methods Retrospective observational analysis of 50 patients with bacterial chronic…
中文译文（机器翻译，仅供快速理解，请以原文为准）：背景 慢性骨髓炎的预后在很大程度上取决于对感染骨组织的病原体的正确识别和治疗。目前关于选择最佳培养标本的知识令人困惑，许多人认为非骨标本适合替代骨培养。本文以骨培养作为诊断金标准，比较非骨标本与骨培养的微生物学。方法 对一所拥有750张床位的大学附属医院中50例细菌性慢性骨髓炎患者进行回顾性观察分析。结果 两种标本在所有病原体上的一致性为28%，对金黄色葡萄球菌为38%，对金黄色葡萄球菌以外的病原体为19%。与骨培养相比，非骨标本培养在识别慢性骨髓炎致病菌方面产生52%的假阴性和36%的假阳性。结论 慢性骨髓炎的诊断和治疗不能以非骨标本培养为指导，因为其微生物学与骨微生物学存在实质性差异。
【主题与分类】
主题标签：bone-infection、diagnostic-accuracy、nih、osteomyelitis-microbiology、specimen-culture。
【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://catalog.data.gov/dataset/lack-of-microbiological-concordance-between-bone-and-non-bone-specimens-in-chronic-osteomy
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
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
慢性骨髓炎患者骨标本与非骨标本培养结果比较数据，用于病原体识别和诊断准确性研究。
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。
