在行政健康索赔数据集中识别多发性硬化病例的算法验证
包含来自四个医疗机构的行政健康索赔表格数据，用于验证识别多发性硬化病例的算法。
基本信息
资源简介
在行政健康索赔数据集中识别多发性硬化病例的算法验证
【一句话概览】
本数据集是 DataONE 公开的结构化表格数据集，主题涵盖 prevalence、2008-2016、algorithm、2008 - 2016、validation study，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《Validation of an algorithm for identifying MS cases in administrative health claims datasets》。
【数据内容】
源站原始描述：Objective: To develop a valid algorithm for identifying multiple sclerosis (MS) cases in administrative health claims (AHC) datasets. Methods: We used 4 AHC datasets from the Veterans Administration (VA), Kaiser Permanente Southern California (KPSC), Manitoba (Canada), and Saskatchewan (Canada). In the VA, KPSC, and Manitoba, we tested the performance of candidate algorithms based on inpatient, outpatient, and disease-modifying therapy (DMT) claims compared to medical records review using sensit…
中文译文（机器翻译，仅供快速理解，请以原文为准）：目的：建立一种有效算法，用于在行政健康索赔（AHC）数据集中识别多发性硬化（MS）病例。方法：我们使用了来自退伍军人事务部（VA）、南加州凯撒永久医疗集团（KPSC）、加拿大曼尼托巴省和加拿大萨斯喀彻温省的4个AHC数据集。在VA、KPSC和曼尼托巴省，我们测试了基于住院、门诊和疾病修饰治疗（DMT）索赔的候选算法的性能，并与病历审查进行比较，使用灵敏度、特异度、阳性和阴性预测值以及评分者间信度（Youden J统计量），并在总体以及按性别和年龄分层后进行分析。在萨斯喀彻温省，我们在一个从一般人群中随机选取的队列中测试了这些算法。结果：首选算法要求在1年时间段内，由住院、门诊或DMT索赔中任意组合达到≥3次与MS相关的索赔；2年时间段在性能上几乎没有增加。包含DMT索赔的算法...
【主题与分类】
主题标签：prevalence、2008-2016、algorithm、2008 - 2016、validation study、case ascertainment、claims data、Multiple sclerosis。
【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://search.dataone.org/view/sha256:70a2f1d18fa47d0648423819ed52d86754b391e9b2c21622995a142b111cfdf5
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:
数据集大小约 6.0 KB。
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。
