Advertisement

心力衰竭预测的临床记录数据集 CSV格式 5K+条目

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本数据集包含超过5000条CSV格式的心力衰竭患者临床记录，涵盖多项生理指标和治疗信息，旨在支持心力衰竭预后的研究与模型构建。 该数据集包含5000名心力衰竭患者的医疗记录，在随访期间收集的资料中每个患者档案有13个临床特征。 这些特征包括： - 年龄：患者年龄（岁） - 贫血：红细胞或血红蛋白减少（布尔值） - 肌酐磷酸激酶 (CPK)：血液中的 CPK 酶水平 （mcgL） - 糖尿病：如果患者患有糖尿病（布尔值） - 射血分数：每次心脏收缩时离开心脏的血液百分比（百分比） - 高血压：如果患者患有高血压（布尔值） - 血小板：血液中的血小板数量（千个/mL） - 性别：女性或男性（二元变量） - 血清肌酐：血液中血清肌酐水平 （mg/dL） - 血清钠：血液中血清钠水平（mEq/L） - 吸烟：患者是否吸烟（布尔值） - 时间：随访期天数 - DEATH_EVENT：如果患者在随访期间死亡，该字段为真（布尔值）

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 心力衰竭预测的临床记录数据集 CSV格式 5K+条目
    优质
    本数据集包含超过5000条CSV格式的心力衰竭患者临床记录，涵盖多项生理指标和治疗信息，旨在支持心力衰竭预后的研究与模型构建。 该数据集包含5000名心力衰竭患者的医疗记录，在随访期间收集的资料中每个患者档案有13个临床特征。 这些特征包括： - 年龄：患者年龄（岁） - 贫血：红细胞或血红蛋白减少（布尔值） - 肌酐磷酸激酶 (CPK)：血液中的 CPK 酶水平 （mcgL） - 糖尿病：如果患者患有糖尿病（布尔值） - 射血分数：每次心脏收缩时离开心脏的血液百分比（百分比） - 高血压：如果患者患有高血压（布尔值） - 血小板：血液中的血小板数量（千个/mL） - 性别：女性或男性（二元变量） - 血清肌酐：血液中血清肌酐水平 （mg/dL） - 血清钠：血液中血清钠水平（mEq/L） - 吸烟：患者是否吸烟（布尔值） - 时间：随访期天数 - DEATH_EVENT：如果患者在随访期间死亡，该字段为真（布尔值）
     
  • 心力衰竭预测的数据集 Heart Failure Prediction
    优质
    本数据集用于构建心力衰竭预测模型，包含患者的年龄、性别、血压等信息，旨在帮助临床医生提前识别高风险患者并进行干预。 在医疗领域，数据分析与预测模型的应用变得越来越重要，尤其是在疾病诊断及预后评估方面。心力衰竭预测的数据集就是其中一个实例，其目的是通过分析患者的临床特征来预测患者发生心力衰竭的可能性以及死亡风险。 数据集中核心文件名为`heart_failure_clinical_records_dataset.csv`，这是一份CSV格式的表格数据，每行代表一个患者记录，列则对应不同类型的临床特征。为了进行心力衰竭预测，我们需要理解这些特征的意义、它们如何影响疾病发展及利用这些信息构建预测模型。 以下是可能包含的一些关键特征及其重要性： 1. **年龄（Age）**：随着年龄的增长，心脏的功能可能会逐渐减弱，增加患心力衰竭的风险。 2. **性别（Sex）**：男性患者的心脏健康状况与女性可能存在差异。研究表明，男性更易患心力衰竭。 3. **体重指数（BMI）**：过重或肥胖会加大心脏负担，可能引发心力衰竭。 4. **糖尿病（Diabetes）**：患有糖尿病的个体往往伴有心血管问题，增加发生心力衰竭的风险。 5. **高血压（HighBloodPressure）**：长期未控制的高血压会对心脏血管造成损害，导致心力衰竭的发生。 6. **血清肌酐水平（Creatinine）**：高水平的肌酐可能指示肾脏受损，影响到心脏功能。 7. **血清钠含量（Sodium）**：电解质失衡如钠离子浓度异常会影响心脏收缩和舒张的功能。 8. **心率（HeartRate）**：不正常的心跳速率，无论是过快还是过慢都可能与心力衰竭有关联。 9. **胆固醇水平（Cholesterol）**：高血脂可能会导致动脉硬化加剧，从而引发心脏病包括心力衰竭。 10. **左室射血分数（ejection_fraction）**：这是衡量心脏泵血效率的关键指标。低于正常值可能表明存在心力衰竭的风险。 11. **胸痛（ChestPain）**：虽然不是所有的心力衰竭患者都会经历胸痛，但它是心脏病症状的常见表现。 12. **是否使用ACE抑制剂（anaemia）**：这类药物用于治疗高血压和心力衰竭，其应用情况可能反映病情严重程度。 分析这个数据集时，我们可以采用各种机器学习算法如逻辑回归、决策树、随机森林和支持向量机等训练模型以预测患者未来是否会发展成心力衰竭或面临死亡风险。评估这些模型的性能可以通过准确率、召回率、F1分数和AUC-ROC曲线来实现。 在实际应用中，这样的预测模型可以帮助医生提前识别高风险患者，并采取早期干预措施，改善患者的预后情况。此外，通过深入挖掘数据还可以发现新的风险因素或关联性，推动医学研究的进步。
     
  • 心脏衰竭预测-源码
    优质
    本项目提供了一套用于预测心脏衰竭风险的代码库，通过分析患者数据来评估疾病进展的可能性，旨在早期识别高危个体并及时干预。 GitHub有时无法从ipynb文件加载某些图表，因此建议直接访问相关链接来查看内容。 心脏在生物体内扮演着至关重要的角色。对于心脏疾病的诊断与预测而言，精确度、完整性和准确性至关重要，因为即便是细微的误差也可能导致患者出现疲劳问题甚至死亡。据统计，由心脏疾病引起的死亡案例数量庞大，并且这一数字正在以指数级的速度增长。因此，建立一个能够有效进行疾病预警的系统显得尤为重要。 机器学习作为人工智能的一个重要分支，在预测各种类型的事件（基于对自然现象的学习）方面具有显著的优势和支持作用。在医疗领域，AdaBoost、RandomForest和SVM等算法被广泛应用。 我们研究了一个数据集，该数据集中包含了2015年4月至12月期间从巴基斯坦旁遮普省费萨拉巴德心脏病研究所及联合医院收集的299名心力衰竭患者的病历记录。这些患者包括了105位女性和194位男性，年龄在40岁以上。
     
  • 艾滋病病毒感染预测数据集 CSV格式含7.2万+条记录
    优质
    本数据集为CSV格式，包含超过72,000条记录，旨在用于研究和预测艾滋病病毒（HIV）感染情况，支持相关疾病的预防与控制工作。 数据集包含已诊断为艾滋病患者的医疗保健统计数据及分类信息。 字段包括： - 时间：失败或审查的时间。 - trt：治疗指示（0=仅 ZDV；1 = ZDV + ddI，2 = ZDV + Zal，3 = 仅 ddI）。 - 年龄：基线时的年龄（岁）。 - WTKG：基线时体重 （千克）。 - 血友病：是否患有血友病（0=否；1=是）。 - 同性恋活动：是否有同性恋活动（0=否，1=是）。 - 药物滥用历史：有无静脉注射毒品史（0=否，1=是）。 - Karnofsky 评分：基线时的Karnofsky评分（范围从0到100分）。 - oprior：在前175年中是否接受过非 ZDV 的抗逆转录病毒治疗（0 = 否；1 = 是）。 - z30：前175天内是否使用过ZDV ( 0=否， 1=是 )。 - Preanti: 前175年的抗逆转录病毒疗法情况 - 种族：种族分类（0=白人，1=非白人）。 - 性别：性别（0=F；1=M）。 - STR2：患者之前是否接受过任何类型的抗逆转录治疗 ( 0 = 初次使用, 1 = 经验丰富 )。 - strat：根据既往的抗逆转录病毒疗法进行分类，分为三种情况( 1=初次使用者，2=>1但<=52周的既往治疗者，3=>52周)。 - 症状指示器：患者是否出现症状 (0 = 渐进性；1 = 出现症状 )。 - 治疗方式：当前使用的具体治疗方案（0=仅 ZDV, 1=其他）。 - offtrt: 在96+-5周前是否有停药情况 ( 0=否， 1=是)。 - CD4细胞计数：基线时的CD4细胞数量以及20+-5周后的值；另外还有相应的基线和后续时间点上的CD8 细胞 计数。 - 感染者状态：是否感染艾滋病（0 = 否，1 = 是）。
     
  • CSV格式的抑郁症与心理健康数据集（含825条记录）
    优质
    这是一个包含825条记录的CSV格式的数据集合，专门用于研究抑郁症及其他心理健康问题。 RHMCD-20 数据集包含来自广泛来源的信息，包括孟加拉国的青少年、大学生、家庭主妇以及企业和公司的专业人士等群体的数据。这些数据用于分析抑郁症和心理健康状况。 该数据集中包含以下信息： - Age：代表参与者的年龄。 - Gender：表示参与者的性别。 - Occupation：代表参与者的职业。 - Days_Indoors ：表示参与者未出门的天数。 - Growing_Stress：表示参与者的压力与日俱增（是/否）。 - Quarantine_Frustration：隔离前两周的挫败感（是/也许/否）。 - Changes_Habits：代表饮食习惯和睡眠的重大变化（是/可能/否）。 - Mental_Health_History ： 上一代精神障碍的先例（是/否）。 - Weight_Change ：突出显示隔离期间体重的变化（是/可能/否） - Mood_Swings：代表极端的情绪变化，分为低、中和高三个等级。 - Coping_Struggles：表示无法应对日常问题或压力（是/也许/否）。 - Work_Interest ：表示参与者是否对工作失去兴趣（是/否）。 - Social_Weakness ：在与他人互动时传达精神虚弱的感觉（是/否）。
     
  • 海上风电发电量预测数据集（CSV格式，含4万余条记录）
    优质
    本数据集包含超过四万条详细的海上风力发电记录，以CSV格式提供，旨在为研究者与开发者提供精确的海上风电发电量预测所需的数据支持。 海上风电出力预测的数据分为训练组和测试组两大类，主要包括风电场基本信息、气象变量数据和实际功率数据三个部分。风电场基本信息涵盖各风电场的装机容量等信息；气象变量数据包含从2022年1月到2024年1月份期间，每间隔15分钟记录的各风电场的气象情况；实际功率数据则是各风电场每间隔15分钟的发电出力详情。这些数据集文件采用csv格式存储。A榜提供两个训练集和两个测试集的数据。
     
  • CSV格式的金融欺诈检测数据集含104万+条记录
    优质
    本数据集包含超过104万条记录，采用CSV格式存储，专为金融欺诈检测设计，涵盖多种交易类型与特征信息，助力模型训练及算法优化。 该数据集展示了移动货币交易的全面表示，并经过精心设计以反映现实世界金融活动中的复杂性以及欺诈行为的研究目的。此数据来源于名为PaySim的模拟器，利用了非洲某国实际财务日志中汇总的数据来填补公开可用金融数据集中用于检测欺诈研究方面的空白。它涵盖了多种类型的交易，包括现金存入、兑现输出、借记、支付和转账等，并为评估各种欺诈检测方法提供了一个全面的环境。 **数据集结构** - **step：** 表示现实世界中的时间单位，1 步等于 1 小时；整个模拟历时744步，相当于30天。 - **type：** 包括CASH-IN、CASH-OUT、BIT-OUT、PAYMENT 和 TRANSFER等交易类型。 - **amount：** 表示以当地货币单位表示的每笔交易金额。 - **nameOrig：** 发起该笔交易的客户名称。 - **oldbalanceOrg：** 代表发起方在进行特定操作前账户中的余额。 - **newbalanceOrig：** 指的是执行完相关操作后，发起方账户的新余额。 - **nameDest：** 接收这笔交易的客户的标识符（或称目的地）。 - **oldbalanceDest：** 表示接收方在收到资金前的账户余额。对于以M表示商家身份的客户而言，此字段不适用。 - **newbalanceDest：** 收到转账后的新收款人账户余额；同样地，如果交易涉及的是一个标识为“M”的实体，则该信息不被提供。 - **isFraud：** 标识由欺诈代理执行的那些企图通过诸如提现或转移等操作来耗尽客户资金的行为。 - **isFlaggedFraud：** 用于标记账户间未经授权的大额转账行为，任何单笔金额超过20万单位货币的交易都被视为非法。
     
  • 心脏衰竭预测：基于患者医疗记录评估生存率
    优质
    本研究旨在通过分析患者的医疗记录数据，开发模型以预测心脏衰竭患者的生存率，为临床治疗提供依据。 心衰预测是基于患者的医学和临床指标来预测其生存率和死亡风险的模型。用于此分析的数据集是从Kaggle网站下载的，并且根据Attribution 4.0 International（CC BY 4.0）许可证可以自由共享和使用。数据集由Davide Chicco 和 Giuseppe Jurman 编写，他们的研究发表在《BMC Medical Information and Decision Making》期刊上，题为“机器学习仅凭血清肌酐和射血分数即可预测心力衰竭患者的存活率”。
     
  • 心力衰竭预测：基于集成学习与Spark的技术应用
    优质
    本研究探讨了利用集成学习方法结合Apache Spark技术，在大数据背景下有效预测心力衰竭的可能性，旨在提升临床诊断效率和准确性。 我们的研究目标是利用患者的历史病历数据来预测他们未来是否可能患上心力衰竭（充血性心力衰竭）。为此，我们使用了ExactData数据库中超过10,000名患者的医疗记录，并在五年的时间范围内根据诊断、风险因素、用药历史和实验室测试结果构建特征。接下来，通过集成机器学习方法训练分类器，主要采用逻辑回归与随机森林进行装袋处理。为了评估模型性能并选择最佳参数设置，我们采用了k折交叉验证以及Spark的ML管道框架。 实验结果显示，在包含50%从未患过此病和另外50%已被诊断为心力衰竭患者的测试数据集中，我们的分类器准确率达到了98%以上，并且保持了较低的假阴性率。此外，我们通过分析混淆矩阵来评估模型性能并讨论潜在的数据集偏差问题。 综上所述，我们在预测患者未来是否可能患心脏病方面取得了显著成果，并对研究结果进行了深入探讨以确保其可靠性和有效性。
     
  • 糖尿病数据集CSV格式含770条记录（Diabetes Dataset）
    优质
    本数据集为糖尿病相关研究设计，包含770条详细记录，以CSV格式存储。每一记录均提供多项关键指标，便于分析与建模。 糖尿病是一种全球性的慢性疾病，严重影响着人们的健康状况。科研人员与医疗工作者常利用数据集来研究如何更好地理解和预防这种病症。本篇文章将详细介绍一个名为“糖尿病数据集 CSV”的资源，其中包括770条记录，涵盖其来源、内容以及潜在的应用价值。 该数据集由美国国家糖尿病、消化和肾脏疾病研究所提供，是科研领域的重要资料之一。它的主要目标在于通过一系列的诊断测量来预测患者是否患有糖尿病。每个记录代表一个个体，并包含多个特征变量，这些变量反映了患者的生理指标，有助于评估患糖尿病的风险。 CSV文件格式是一种通用的数据交换格式，特别适合于存储结构化的表格数据。“糖尿病数据集 CSV”中的每行表示一位患者的信息，而各个列则包含了各种特征和结果变量。例如，该数据集中可能包括年龄、性别、体重、身高及血压等基本信息，以及空腹血糖水平与胰岛素水平等直接关联到糖尿病的生物指标。 在770条记录中，每个个体的特征通常可以分为以下几类： 1. 基本人口统计信息：如年龄和性别。这些因素可能影响着患糖尿病的风险。 2. 生理测量值：例如体重、身体质量指数（BMI）及血压等。这些都是与糖尿病发生和发展密切相关的指标。 3. 生化标志物：包括空腹血糖水平以及糖化血红蛋白浓度，它们是诊断糖尿病的关键依据。 4. 长期并发症的迹象：如视网膜病变和肾功能情况，这些信息可以反映疾病的严重程度。 通过分析此数据集，研究者们能够探究不同特征与糖尿病患病率之间的关系，并揭示风险因素、建立预测模型或评估现有干预措施的效果。此外，该数据集规模适中，非常适合初学者进行数据分析实践，例如使用Python的Pandas库执行数据清洗和探索性数据分析（EDA），并应用机器学习算法如逻辑回归、决策树和支持向量机来构建预测模型。 总的来说，“糖尿病数据集 CSV”为研究提供了丰富的实证材料。无论是在学术领域还是临床实践中，该资源都能帮助我们更深入地了解糖尿病的成因，预测疾病的发展趋势，并可能推动新的预防和治疗策略的研发。通过CSV格式存储的数据易于处理与共享，从而促进了全球范围内的科研合作。