基于机器学习的不同类型急性主动脉夹层术后急性肾损伤预测模型数据表3
该数据集来自figshare，包含新疆医科大学第一附属医院2019年1月1日至2021年12月31日收治的急性主动脉夹层患者的基线数据，用于构建A型与B型急性主动脉夹层术后合并急性肾损伤的机器学习预测模型
基本信息
资源简介
基于机器学习的不同类型急性主动脉夹层术后急性肾损伤预测模型数据表3
Data_Sheet_3_Prediction model of acute kidney injury after different types of acute aortic dissection based on machine learning.CSV
该数据集来自figshare，包含新疆医科大学第一附属医院2019年1月1日至2021年12月31日收治的急性主动脉夹层患者的基线数据，用于构建A型与B型急性主动脉夹层术后合并急性肾损伤的机器学习预测模型。数据涵盖血清肌酐基线估算、训练集与测试集划分、多种机器学习方法建模验证及基于AUC的模型选择与变量筛选，可用于急性肾损伤风险预测研究（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Preoperative renal malperfusion is an independent predictor for acute kidney injury and operative death but not associated with late mortality after surgery for acute type A aortic dissection》发表于 European Journal of Cardio-Thoracic Surgery（2020），DOI：10.1093/ejcts/ezaa063。源站首次发布：2022-09-22。
【数据内容】
源站描述（机器翻译，仅供参考）：目的：利用机器学习（ML）构建A型急性主动脉夹层（TAAAD）和B型急性主动脉夹层（TBAAD）患者术后合并急性肾损伤（AKI）的临床预测模型。方法：收集2019年1月1日至2021年12月31日期间新疆医科大学第一附属医院收治的急性主动脉夹层（AAD）患者的基线数据。（1）我们确定了基线血清肌酐（SCR）估算方法，并将其作为AKI诊断的依据。（2）将总数据集随机分为训练集（70%）和测试集（30%），在训练集中使用多种ML方法对特征进行Bootstrap建模和验证，并选择对应最大曲线下面积（AUC）的模型用于后续研究。（3）通过模型可视化工具筛选最佳ML模型变量。
【数据结构与技术规格】
文件数 1 个，合计 12.53 KB。数据集 DOI：10.3389/fcvm.2022.984772.s003。
【主题与分类】
源站学科分类：Cardiology (incl. Cardiovascular Diseases)、Cardiology、Cardiorespiratory Medicine and Haematology not elsewhere classified。主题标签：acute renal injury、machine learning、prediction model、acute aortic dissection、Type A acute aortic dissection、Type B acute aortic dissection。本站分类：泌尿生殖系统疾病。
【适用方向】
源站学科分类标注为 Cardiology (incl. Cardiovascular Diseases)、Cardiology、Cardiorespiratory Medicine and Haematology not elsewhere classified。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_3_Prediction_model_of_acute_kidney_injury_after_different_types_of_acute_aortic_dissection_based_on_machine_learning_CSV/21184534
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Xinsai, Li; Zhengye, Wang; Xuan, Huang; Xueqian, Chu; Kai, Peng; Sisi, Chen; et al. (2022). Data_Sheet_3_Prediction model of acute kidney injury after different types of acute aortic dissection based on machine learning.CSV. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-06-16，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：Data_Sheet_3_Prediction model of acute kidney injury after different types of acute aortic dissection based on machine learning.CSV
- DOI：10.3389/fcvm.2022.984772.s003
- 发布日期：2022-09-22
- 文件数：1 个
- 文件总体积：12.53 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_3_Prediction_model_of_acute_kidney_injury_after_different_types_of_acute_aortic_dissection_based_on_machine_learning_CSV/21184534
命令行下载
curl -L -o "Data_Sheet_3_Prediction model of acute kidney injury after different types of acute aortic dissection based on machine learning.CSV" "https://ndownloader.figshare.com/files/37560925"
文件清单
Data_Sheet_3_Prediction model of acute kidney injury after different types of acute aortic dissection based on machine learning.CSV（12.53 KB）
文件总体积 12.53 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
目的利用机器学习（ML）构建A型急性主动脉夹层（TAAAD）与B型急性主动脉夹层（TBAAD）患者术后合并急性肾损伤（AKI）的临床预测模型。方法收集2019年1月1日至2021年12月31日新疆医科大学第一附属医院收治的急性主动脉夹层（AAD）患者的基线数据。（1）确定基线血清肌酐（SCR）估算方法，并将其作为AKI诊断依据。（2）将总数据集随机分为训练集（70%）和测试集（30%），在训练集中采用多种ML方法进行Bootstrap建模与特征验证，选择曲线下面积（AUC）最大的对应模型用于后续研究。（3）通过模型可视化工具Shapley Additive Explanations（SHAP）和递归特征消除（REF）筛选最佳ML模型变量。（4）最后，利用测试集数据从区分度、校准度和临床获益三个方面对预筛选的预测模型进行评价。
结果：在173例TAAAD患者中，急性肾损伤（AKI）的最终发生率为69.4%（120/173）；在283例TBAAD患者中为28.6%（81/283）。对于TAAAD-AKI，随机森林（RF）模型在训练集中表现出最佳的预测性能（AUC=0.760，95%CI：0.630–0.881）；而对于TBAAD-AKI，轻量梯度提升机（LightGBM）模型表现最佳（AUC=0.734，95%CI：0.623–0.847）。特征变量筛选显示，AAD术后AKI的两个最终预测模型共有的预测因素为基线SCR、入院时血尿素氮（BUN）和尿酸（UA）、机械通气时间（MVT）。TAAAD-AKI模型中的特异性预测因素为：入院时白细胞（WBC）、血小板（PLT）和D-二聚体、血浆……TBAAD-AKI模型中的特异性预测因素为：N末端B型利钠肽原（BNP）、血清钾、入院时活化部分凝血活酶时间（APTT）和收缩压（SBP）、术中联合肾动脉造影。最后，我们从区分度方面使用了……
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fcvm.2022.984772.s003（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_3_Prediction_model_of_acute_kidney_injury_after_different_types_of_acute_aortic_dissection_based_on_machine_learning_CSV/21184534）。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
