走进研究多元宇宙：数据决策如何影响整合社区层面数据的生物医学研究结果

数据集获取

源站：https://doi.org/10.17632/95954hvxvj

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据集大小约 20.5 MB。

数据说明

将电子健康记录数据与环境数据相整合，有潜力为生物医学研究增添关于健康与环境关系的新见解。然而，数据准备过程所蕴含的影响尚未得到充分探讨。本研究的目标是：(a) 确定在同一整合数据集中，不同的数据准备决策是否以及如何影响分析结果；(b) 识别哪些决策引入了最大的变异性。为此，我们重新利用了先前一项研究的数据集，该研究探讨了由野火烟雾导致的空气质量恶劣天数与囊性纤维化患者肺部急性加重之间的关联。临床数据集是通过查询囊性纤维化基金会患者登记处，并提取2010年至2019年（含）期间在俄勒冈健康与科学大学囊性纤维化护理中心和Doernbecher儿童医院接受治疗的患者数据而创建的。关于细颗粒物（PM2.5）的社区级数据来自EPA的空气质量系统数据市场。

我们开发了一种算法，该算法在准备数据时通过多种合理的决策运行相同的数据集，并为每次分析生成相同的统计输出。我们比较了点估计比值比、置信区间和p值，并评估了数据准备方法如何影响所得患者队列的特征。共有135条数据准备路径生成了93个独特的比值比，其中26个在结果中出现不止一次。所得比值比范围从0.83到2.93，平均值为1.31（标准差±0.37）。超过一半（50.37%）的结果p值≤0.05。不同的数据准备决策最多剔除了87.23%的患者和93.51%的患者日。城市地区患者贡献的患者日百分比在67.54%至98.73%之间变化。

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。