急性呼吸窘迫综合征患者风险分层机器学习数据集
该数据集来自单中心电子健康记录，用于急性呼吸窘迫综合征（ARDS）的风险分层预测。训练队列包含2016年1621例中度低氧患者，其中51例发生ARDS；测试队列为2017年1122例患者，其中27例发生ARDS
基本信息
资源简介
急性呼吸窘迫综合征患者风险分层机器学习数据集
Machine learning for patient risk stratification for acute respiratory distress syndrome
该数据集来自单中心电子健康记录，用于急性呼吸窘迫综合征（ARDS）的风险分层预测。训练队列包含2016年1621例中度低氧患者，其中51例发生ARDS；测试队列为2017年1122例患者，其中27例发生ARDS。数据包含8个补充文件，涉及模型开发与评估材料。该数据可用于构建和验证全自动、可在临床相关时间点应用的ARDS预测模型，并评估其判别性能（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Machine learning for patient risk stratification for acute respiratory distress syndrome》发表于 PLOS ONE（2019），DOI：10.1371/journal.pone.0214465。源站首次发布：2019-03-28。
【数据内容】
源站描述（机器翻译，仅供参考）：背景：现有的急性呼吸窘迫综合征（ARDS）预测模型需要人工病历摘录，且性能仅一般，限制了其驱动临床干预的适用性。我们试图开发一种ARDS预测的机器学习方法，该方法（a）利用电子健康记录（EHR）数据，（b）完全自动化，（c）可在患者住院期间临床相关时间点应用。方法与发现：我们使用2016年单中心1621例中度低氧患者队列训练了ARDS风险分层模型，其中51例患者发生ARDS。我们在2017年时间上独立的1122例患者队列中测试了该模型，其中27例患者发生ARDS。ARDS的金标准诊断由受过重症监护培训的医师在回顾性病历审查中做出。我们考虑了线
【数据结构与技术规格】
文件数 8 个，合计 1.99 MB。数据集 DOI：10.1371/journal.pone.0214465。
【主题与分类】
源站学科分类：Medicine、Biotechnology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Developmental Biology、Science Policy。主题标签：patient risk stratification、51 patients、27 patients、health record、L 2-logistic regression、AUROC、discriminative performance、time points、984 features、distress syndrome Background。本站分类：呼吸系统疾病。
【适用方向】
源站学科分类标注为 Medicine、Biotechnology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Developmental Biology、Science Policy。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/Machine_learning_for_patient_risk_stratification_for_acute_respiratory_distress_syndrome/7913303
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Zeiberg, Daniel; Prahlad, Tejas; K. Nallamothu, Brahmajee; J. Iwashyna, Theodore; Wiens, Jenna; Sjoding, Michael W. (2019). Machine learning for patient risk stratification for acute respiratory distress syndrome. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-05-30，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：Machine learning for patient risk stratification for acute respiratory distress syndrome
- DOI：10.1371/journal.pone.0214465
- 发布日期：2019-03-28
- 文件数：8 个
- 文件总体积：1.99 MB
- 源站页面：https://plos.figshare.com/articles/dataset/Machine_learning_for_patient_risk_stratification_for_acute_respiratory_distress_syndrome/7913303
命令行下载
curl -L -o "pone.0214465.s001.doc" "https://ndownloader.figshare.com/files/14736404"
curl -L -o "pone.0214465.s002.docx" "https://ndownloader.figshare.com/files/14736407"
curl -L -o "pone.0214465.s003.docx" "https://ndownloader.figshare.com/files/14736410"
curl -L -o "pone.0214465.s004.docx" "https://ndownloader.figshare.com/files/14736413"
curl -L -o "pone.0214465.s005.docx" "https://ndownloader.figshare.com/files/14736416"
curl -L -o "pone.0214465.s006.docx" "https://ndownloader.figshare.com/files/14736419"
curl -L -o "pone.0214465.s007.docx" "https://ndownloader.figshare.com/files/14736422"
curl -L -o "pone.0214465.s008.xlsx" "https://ndownloader.figshare.com/files/14736425"
文件清单
pone.0214465.s001.doc（86.02 KB）pone.0214465.s002.docx（22.42 KB）pone.0214465.s003.docx（15.74 KB）pone.0214465.s004.docx（16.68 KB）pone.0214465.s005.docx（50.52 KB）pone.0214465.s006.docx（18.32 KB）pone.0214465.s007.docx（1.68 MB）pone.0214465.s008.xlsx（108.70 KB）
文件总体积 1.99 MB（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
背景
现有的急性呼吸窘迫综合征（ARDS）预测模型需要人工提取病历数据，且性能仅属中等，限制了其用于指导临床干预的适用性。我们试图开发一种ARDS预测的机器学习方法，该方法（a）利用电子健康记录（EHR）数据，（b）完全自动化，（c）可在患者住院期间的临床相关时间点应用。方法与结果
我们使用2016年单中心1，621例中度低氧血症患者的队列训练了ARDS风险分层模型，其中51例患者发展为ARDS。我们在2017年时间上独立的1，122例患者队列中测试了该模型，其中27例患者发展为ARDS。ARDS的金标准诊断由接受过重症监护培训的医师在回顾性病历审查中作出。我们考虑了线性和非线性建模方法。最佳模型使用L2-逻辑回归，其特征为从EHR中提取的984个特征。
对于在医院观察至少六小时后出现中度低氧血症的患者，该模型的受试者工作特征曲线下面积（AUROC）为0.81（95% CI：0.73–0.88）。基于风险第85百分位数选择阈值时，模型的敏感性为56%（95% CI：35%，74%），特异性为86%（95% CI：85%，87%），阳性预测值为9%（95% CI：5%，14%），识别出的群体发生ARDS的风险是其他中度低氧血症患者的四倍，是住院成人的17倍。结论
我们基于EHR数据开发了一个具有良好判别性能的ARDS预测模型。我们的结果证明了仅利用从EHR中自动提取的数据，采用机器学习方法对患者进行ARDS风险分层的可行性。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0214465（source: https://plos.figshare.com/articles/dataset/Machine_learning_for_patient_risk_stratification_for_acute_respiratory_distress_syndrome/7913303）。
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。
