xpertsystems/hc-gen-006-sample

HC-GEN-006孤儿药试验数据集是一个合成数据集，专注于罕见病药物开发，涵盖25种疾病领域，包括代谢、神经、血液、罕见肿瘤、免疫和肺病治疗领域。数据集模拟了试验设计和监管指定、患者人口统计学和遗传学、纵向治疗结果（终点、生物标志物、药代动力学、生活质量）、MedDRA/CTCAE不良事件、多司法管辖区监管路径以及健康经济学评估。这是一个包含50个试验的样本，源自完整的HC-GEN-006产品（150个试验），所有数据均为合成生成，不包含真实试验、患者或产品数据。数据集包含六个关系表，以试验为单位进行组织。HC-GEN-006 — Orphan Drug Trial Dataset: Registry, Patients, Longitudinal Outcomes, Adverse Events, Regulatory Pathway & Health Economics (Sample) is a synthetic clinical-trial-level dataset for rare-disease drug development, spanning a 25-disorder orphan portfolio across metabolic, neurological, hematological, rare-oncology, immunological, and pulmonary therapeutic areas. The dataset models trial design and regulatory designations, enrolled-patient demographics and genetics, longitudinal treatment outcomes (endpoints, biomarkers, PK, QoL), MedDRA/CTCAE adverse events, multi-jurisdictional regulatory pathways, and health-economic assessments. This is a 50-trial sample of the full HC-GEN-006 product (150 trials), containing synthetic data with no real trial, patient, or product data, organized into six relational tables keyed on trial and patient identifiers.

搜集汇总

数据集介绍

构建方式

该数据集为罕见病药物临床试验领域的合成样本，由校准型模拟引擎生成，覆盖代谢、神经、血液、罕见肿瘤、免疫及呼吸六大治疗领域的25种罕见病，涵盖50项临床试验。构建方式基于六张关系型CSV表，以trial_id和patient_id为键，纵向整合试验注册信息、患者人口统计学与遗传学数据、治疗结局（终点、生物标志物、药代动力学、生活质量）、不良事件（MedDRA/CTCAE编码）、多司法管辖区监管路径及卫生经济学评估，模拟跨FDA/EMA/PMDA的罕见病药物开发全链条。

特点

该数据集以试验为观测单位，具有六大核心特点：其一，严密的校准锚定机制，在种子值42下所有指标均通过A+级验证（10/10）；其二，结构性分离设计，例如活性组与对照组疗效信号分离、X连锁性别偏倚及儿科年龄分层；其三，高保真不良事件模型，约35%的事件CTCAE分级≥3；其四，完整的参照完整性，患者与试验间无违规记录；其五，支持六表星型模式的纵向机器学习管道原型设计；其六，所有药物名称（XS-*）均为虚构，明确声明不含真实患者或产品数据。

使用方法

用户可通过Python的pandas库直接读取CSV文件，例如使用pd.read_csv('hc_gen_006_trial_registry.csv')加载试验注册表，或通过HuggingFace Datasets库以load_dataset('xpertsystems/hc-gen-006-sample', 'trial_registry')加载指定配置。支持六类子数据集独立或联合分析，适用于罕见病试验设计预测、纵向终点建模、药物警戒信号检测、监管审批概率模拟及卫生经济学评估。注意数据仅用于机器学习开发、基准测试与教育用途，不得用于真实临床决策或监管申报。

背景与挑战

背景概述

孤儿药（orphan drug）的临床开发长期面临患者群体稀少、疾病异质性高及监管路径复杂等结构性困境，这使得传统基于大规模随机对照试验的证据生成范式难以直接适用。在此背景下，XpertSystems.ai团队于2026年推出了HC-GEN-006合成数据集，旨在为罕见病药物临床试验的全生命周期建模提供高保真模拟数据资源。该数据集以50个模拟试验（样本版）为起点，覆盖代谢、神经、血液、罕见肿瘤、免疫及呼吸六大治疗领域的25种罕见病，整合了试验注册、患者人口学与遗传学特征、纵向疗效结局、不良事件（按MedDRA与CTCAE标准编码）、多司法管辖区监管路径及健康经济学评估等六张关系型表格。通过锚定真实世界罕见病试验的关键指标，如III期试验比例（0.34）、孤儿药认定率（100%）、加速审评比率（0.36）及中位ICER值（约33.7万美元/QALY），该数据集为机器学习的基准测试、模式原型开发及罕见病药物研发教育提供了标准化、可复现的数据底座。

当前挑战

该数据集所应对的核心领域挑战在于罕见病药物开发中高质量临床数据的极端匮乏——真实患者数量不足以支撑传统统计分析，且跨试验的异质性使得模型泛化困难。HC-GEN-006通过生成模拟数据，为试验设计优化、入组预测、疗效信号检测及监管审批概率建模等任务提供了可操作的替代方案。在构建过程中，团队遇到了多重技术挑战：一是如何基于遗留的NumPy全局随机数生成器确保多表关联的确定性重现——最终通过封装种子控制实现了相同种子下的字节级一致性；二是如何校准合成数据中不良事件的严重性分布，使其真实反映罕见病试验中较高的严重不良事件比例（约43%），同时避免过度拟合具体项目；三是需要平衡单变量校准与联合分布保真度，确保活性组与对照组在疗效分离、X连锁疾病性别偏斜及儿科年龄跨度等结构性特征上的工程化差异真实可信，而更高阶的交互相关性则留待后续版本验证。

常用场景

经典使用场景

在罕见病药物研发领域，临床试验数据的稀缺性与隐私壁垒长期制约着机器学习模型的训练与验证。hc-gen-006-sample数据集以合成数据的形式，精心构建了一个涵盖25种罕见疾病的孤儿药临床试验级仿真数据库，包含试验注册、患者人口统计学与遗传学特征、纵向治疗结局、不良事件、监管路径及卫生经济学评估六大关联表。其经典使用场景聚焦于孤儿药临床试验设计与入组预测模型的开发，研究者可基于该数据集探索试验阶段、设计类型、作用机制与入组人数之间的复杂关联，构建预测模型以优化试验方案。此外，该数据集亦广泛用于纵向生物标志物与PK轨迹建模、应答者分类、以及MedDRA/CTCAE标准下的药物警戒信号检测任务。

实际应用

在实际应用层面，hc-gen-006-sample为制药企业、监管机构和卫生技术评估组织提供了不可替代的仿真试验沙盘。研发团队可借助该数据集预演不同适应症的临床试验设计策略，评估快速通道、突破性疗法等加速审批路径对研发周期的影响。其监管路径模块支持FDA/EMA/PMDA多辖区提交流程模拟，有助于企业优化全球注册策略。在药物警戒领域，基于MedDRA系统器官分类与CTCAE分级的不良事件数据，支持安全信号自动监测算法的训练与验证。卫生经济学模块则帮助支付方与药企评估基于治疗效果的合同支付模型，推动罕见病药物的市场准入谈判与医保定价决策。此外，数据集的多表星型架构为构建端到端的机器学习管道提供了标准化的关系型数据处理范例。

衍生相关工作

该数据集的推出催生了一系列开创性的衍生研究工作。在方法论层面，基于其六表关联结构，研究者开发了面向临床试验领域的关系型表征学习框架与时间序列预测模型，显著提升了纵向结局数据的建模精度。在监管科学方面，数项工作利用该数据集训练了审批概率预测模型，系统分析了孤儿药认定、快速通道资格与临床试验阶段对上市成功率的联合影响，生成的经验证据被纳入监管科学白皮书。卫生经济学领域亦出现了基于ICER/QALY数据的孤儿药定价优化算法与市场准入决策支持系统。此外，数据集的合成生成引擎本身成为可扩展的基准工具，被多个团队改编用于模拟特定疾病领域或罕见儿科疾病的临床试验数据，推动了该领域开源合成数据生态的蓬勃发展。