摘要：合成患者记录电子病历数据集是一个人工生成的 EHR 数据集（10万患者、15种疾病、5个文件），基于 CDC/NIH/NHANES 数据校准，专为规避 HIPAA 限制的临床机器学习和医学教育而构建，仅供研究使用。
数据集简介
数据集概述
合成患者记录电子病历数据集（2018-2024）是一个人工生成的 EHR 数据集，模拟 10万名美国成年患者（18-95岁）的临床数据，涵盖 15 种常见疾病。数据集基于 CDC/NIH/NHANES 公共卫生数据构建，反映真实的疾病流行率、实验室范围和用药模式，用于规避 HIPAA 限制。包含 5 个文件：patients.csv（10万患者）、diagnoses.csv（约27.4万诊断记录含 ICD-10）、medications.csv（约24.5万处方）、lab_results.csv（约220万检测值）、outcomes.csv（约1.08万住院记录）。专为临床机器学习、生存分析、再入院预测和医学 NLP 研究而构建，仅供研究和教育使用。
数据结构与校准基准
数据集采用多表关系结构，通过 patient_id 关联 5 个核心文件。patients.csv（10万行） 包含人口统计信息（年龄、性别）、生命体征（BMI 16.0-55.0、收缩压、舒张压、心率）、生活方式（吸烟状况：从不/以前/当前、饮酒：无/轻度/中度/重度、运动水平：久坐/轻度/中度/剧烈）、保险类型（商业保险/联邦医疗保险/医疗补助/无保险/三军医疗保险）、Charlson 合并症指数（0-8+，死亡风险指标）和 15 种疾病的二元标志（如 dx_hypertension, dx_type2_diabetes）。15 种模拟疾病包括：高血压（ICD-10: I10，患病率 47%）、肥胖（E66.9，42%）、高脂血症（E78.5，38%）、慢性肾脏病（N18.3，15%）、2型糖尿病（E11.9，11%）、骨关节炎（M19.90，13%）、哮喘（J45.909，8%）、抑郁（F32.9，9%）、焦虑（F41.9，8%）、慢性阻塞性肺病（J44.1，6%）、甲状腺功能减退（E03.9，5%）、冠状动脉疾病（I25.10，7%）、心力衰竭（I50.9，2%）、心房颤动（I48.91，2%）和 1型糖尿病（E10.9，0.5%）。lab_results.csv（约220万行） 包含关键实验室检测：糖化血红蛋白（HbA1c，4.0-5.6%，>6.5%为糖尿病）、空腹血糖（70-99 mg/dL）、低密度脂蛋白 LDL（0-99 mg/dL）、总胆固醇、肌酐（0.6-1.2 mg/dL）、肾小球滤过率 eGFR（60-120 mL/min，<60为慢性肾病）、促甲状腺激素 TSH（0.4-4.0 mIU/L）、BNP（心力衰竭标志物）、肌钙蛋白 I（心脏损伤标志物）和血红蛋白。outcomes.csv（约1.08万行） 包含住院结果：住院时长（1-30天）、ICU 入住（约10.8%住院率）、院内死亡（约1.4%死亡率）、出院去向（首页/家庭护理/专业护理/康复/临终关怀/已过期）、30天再入院（约15.2%再入院率）和医院总费用。数据集校准至：CDC NHANES（生命体征、实验室参考范围）、CDC 国家卫生统计中心（疾病患病率）、CMS Medicare/Medicaid（住院和再入院基准）、WHO ICD-10 分类系统（诊断代码）。
应用价值与研究方向
该数据集为临床预测建模、医疗数据科学教育和健康信息学研究提供全面数据支撑，支持多个关键应用方向。临床预测模型：30天再入院预测（经典临床机器学习任务，特征包括年龄、Charlson 指数、住院时长、诊断、生命体征，目标为 readmitted_30d，挑战为类别不平衡约15%阳性率）、住院时长预测、ICU 入住风险预测、院内死亡率预测。实验室值预测/插补：根据人口统计和合并症预测缺失的实验室值（在实际 EHR 系统中常见，因为并非所有检测都会被开具）。生存分析：使用 outcomes.csv + patients.csv 进行事件发生时间分析，Cox 比例风险模型，按疾病亚组绘制 Kaplan-Meier 生存曲线。药物依从性：根据患者特征预测 adherence_pct（依从性百分比），低依从性（<80%）是主要临床问题。多病共存聚类：使用疾病标记（dx_* 列）通过 k-means 或 LDA 识别患者亚组，分析哪些疾病聚集在一起。医学 NLP / 合成文本生成：利用结构化数据生成合成临床笔记。药物相互作用分析：查找正在服用多种药物的患者，标记潜在相互作用（如华法林+阿司匹林）。人口健康分析：按年龄、性别、保险类型分析疾病患病率，重现 CDC 风格的流行病学数据。Charlson 合并症指数研究：CCI 是经过验证的死亡风险评分，CCI 越高表示住院、ICU 入住和院内死亡概率越高。数据集统计：性别比例 49% 男 / 51% 女，平均年龄约52岁，平均 Charlson 指数约1.8，约87%患者患有≥1种疾病，约45%患者患有≥3种疾病。局限性：(1) 病情没有时间上的进展（固定在”当前状态”）；(2) 不包含儿科患者（仅18岁以上成人）；(3) 简化的以美国为中心的保险模式；(4) 无影像或基因组数据；(5) 实验室数值均为独立采集（无患者纵向趋势）；(6) 无程序代码（CPT/HCPCS）；(7) 作为合成数据，可能无法完全反映真实临床实践的复杂性。
数据集来源
该数据集为人工生成的合成数据（10万患者、15种疾病、5个文件），基于 CDC NHANES、CDC 卫生统计、CMS Medicare/Medicaid 和 WHO ICD-10 公共卫生数据校准，专为规避 HIPAA 限制的临床机器学习和医学数据科学教育而构建，仅供研究使用。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-84
文件大小：30M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)