基于术后呼吸衰竭分层的未调整与调整结局数据集
该数据集包含按术后呼吸衰竭(PRF)发生情况分层的患者临床结局数据,数据模态为临床表格形式,涵盖了未调整和经统计调整的结局指标,主要用于研究PRF对手术患者预后的影响、评估围手术期呼吸系统风险,并支持呼吸衰竭相关的临床决策与医疗质量优化研究。

基本信息
资源简介
基于术后呼吸衰竭分层的未调整与调整结局数据集
【数据集背景】
本数据集源站标题为《Unadjusted and adjusted outcomes stratified by presence of postoperative respiratory failure (PRF).》。配套论文《Machine learning-based modeling of acute respiratory failure following emergency general surgery operations》发表于 PLOS ONE(2022),DOI:10.1371/journal.pone.0267733。源站首次发布:2022-04-28。
【数据内容】
源站原始描述:Unadjusted and adjusted outcomes stratified by presence of postoperative respiratory failure (PRF)
【数据结构与技术规格】
文件数 1 个,合计 5.63 KB。Table 2.xls:application/vnd.ms-excel,5.63 KB。数据集 DOI:10.1371/journal.pone.0267733.t002。
【主题与分类】
源站学科分类:Medicine、Biotechnology、Mathematical Sciences not elsewhere classified、Marine Biology、Cancer、Infectious Diseases。主题标签:traditional statistical methods、small bowel resection、present study aimed、fold greater odds、congestive heart failure、600 – 12、998 vs 0、901 vs 0、899 – 0、862 – 0。
【适用方向】
源站学科分类标注为 Medicine、Biotechnology、Mathematical Sciences not elsewhere classified、Marine Biology、Cancer、Infectious Diseases。
【获取与许可】
源站页面:https://plos.figshare.com/articles/dataset/Unadjusted_and_adjusted_outcomes_stratified_by_presence_of_postoperative_respiratory_failure_PRF_/19676565
使用许可:CC BY 4.0(https://creativecommons.org/licenses/by/4.0/)。
规范引用:Hadaya, Joseph; Verma, Arjun; Sanaiha, Yas; Ramezani, Ramin; Qadir, Nida; Benharash, Peyman (2022). Unadjusted and adjusted outcomes stratified by presence of postoperative respiratory failure (PRF).. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-06-15,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)
按页面 Download 按钮获取。
数据说明
该数据集是一个医学研究数据集,聚焦于术后呼吸衰竭(PRF)患者的临床结局分析。数据集包含了按是否发生术后呼吸衰竭进行分层的患者群体的未调整和调整后的结局数据,如死亡率、并发症发生率等指标。数据来源于临床研究或医疗记录,通过统计方法对混杂因素进行调整,以评估PRF对术后结果的独立影响。该数据集主要用于呼吸衰竭的临床研究、围手术期风险评估、医疗质量改进以及相关预后模型的开发。
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。




