合成患者记录电子病历数据集：10万患者、15种疾病、ICD-10编码（2018-2024）
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.csv10万患者、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.csv10万行 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E66.942%、高脂血症E78.538%、慢性肾脏病N18.315%、2型糖尿病E11.911%、骨关节炎M19.9013%、哮喘J45.9098%、抑郁F32.99%、焦虑F41.98%、慢性阻塞性肺病J44.16%、甲状腺功能减退E03.95%、冠状动脉疾病I25.107%、心力衰竭I50.92%、心房颤动I48.912%和 1型糖尿病E10.90.5%。lab_results.csv约220万行 包含关键实验室检测糖化血红蛋白HbA1c4.0-5.6%6.5%为糖尿病、空腹血糖70-99 mg/dL、低密度脂蛋白 LDL0-99 mg/dL、总胆固醇、肌酐0.6-1.2 mg/dL、肾小球滤过率 eGFR60-120 mL/min60为慢性肾病、促甲状腺激素 TSH0.4-4.0 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
)
