通过随机森林方法选择的谵妄发生的强预测因子
提供通过随机森林方法筛选的谵妄发生预测因子数据集，模态为表格。
基本信息
资源简介
通过随机森林方法选择的谵妄发生的强预测因子
【数据集背景】
本数据集源站标题为《Strong predictors of the occurrence of delirium selected by a random-forest approach.》。配套论文《Delirium in hospitalized COVID-19 patients: Predictors and implications for patient outcome》发表于 PLOS ONE（2022），DOI：10.1371/journal.pone.0278214。源站首次发布：2022-12-22。
【数据内容】
源站原始描述：Strong predictors of the occurrence of delirium selected by a random-forest approach
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。Table 3.xls：application/vnd.ms-excel，5.63 KB。数据集 DOI：10.1371/journal.pone.0278214.t003。
【主题与分类】
源站学科分类：Medicine、Genetics、Neuroscience、Biotechnology、Cancer、Infectious Diseases。主题标签：worse patient outcomes、overall median admission、minimal depth value、blood urea nitrogen、extreme values ),、43 ), ferritin、median age 68、7 %) died、19 pcr test、33 ), age。
【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://plos.figshare.com/articles/dataset/Strong_predictors_of_the_occurrence_of_delirium_selected_by_a_random-forest_approach_/21773275
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Wilke, Vera; Sulyok, Mihaly; Stefanou, Maria-Ioanna; Richter, Vivien; Bender, Benjamin; Ernemann, Ulrike; et al. (2022). Strong predictors of the occurrence of delirium selected by a random-forest approach.. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-06-09，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（Figshare）
- 源站标题：Strong predictors of the occurrence of delirium selected by a random-forest approach.
- DOI：10.1371/journal.pone.0278214.t003
- 发布日期：2022-12-22
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Strong_predictors_of_the_occurrence_of_delirium_selected_by_a_random-forest_approach_/21773275
命令行下载
curl -L -o "Table 3.xls" "https://ndownloader.figshare.com/files/38637025"
文件清单
Table 3.xls（5.63 KB）
文件总体积 5.63 KB（源站 API 实测）。
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。
数据说明
Strong predictors of the occurrence of delirium selected by a random-forest approach.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0278214.t003（source: https://plos.figshare.com/articles/dataset/Strong_predictors_of_the_occurrence_of_delirium_selected_by_a_random-forest_approach_/21773275）。
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。
