xpertsystems/hc-end-008-sample

HC-END-008 PCOS合成数据集（样本）是一个全面的多囊卵巢综合征（PCOS）患者合成队列，围绕鹿特丹表型（A/B/C/D）组织，涵盖HPO轴激素谱（LH/FSH、雄激素、AMH）、胰岛素抵抗和代谢综合征、卵巢形态（AFC、体积、子宫内膜）、生育结局（来曲唑/克罗米芬/IUI/IVF伴OHSS风险）、药物治疗轨迹以及长期心脏代谢风险。该存储库包含一个500行、单种子的样本，全商业产品可扩展至20,000多名患者，具有15年随访轨迹，并提供CSV、Parquet、JSON和FHIR R4格式。数据集包括190列，涵盖人口统计、表型诊断、激素谱、胰岛素抵抗与代谢、卵巢形态、生育能力、药物治疗、心脏代谢风险、临床实验室和利用情况等模块，适用于PCOS表型分类、生育结局建模、胰岛素抵抗风险分层等研究用途，但仅限研究开发使用，不适用于临床决策。

HC-END-008 PCOS Synthetic Dataset (Sample) is a comprehensive synthetic cohort of Polycystic Ovary Syndrome patients organized around the Rotterdam phenotypes (A/B/C/D) and spanning HPO-axis hormonal profiles (LH/FSH, androgens, AMH), insulin resistance & metabolic syndrome, ovarian morphology (AFC, volume, endometrium), fertility outcomes (letrozole/clomiphene/IUI/IVF with OHSS risk), pharmacological treatment trajectories, and long-term cardiometabolic risk. This repository contains a 500-row, single-seed sample, with the full commercial product scaling to 20,000+ patients with 15-year follow-up trajectories and CSV/Parquet/JSON/FHIR R4 delivery. The dataset includes 190 columns across modules such as demographics, phenotype & diagnosis, hormonal profile, insulin resistance & metabolic, ovarian morphology, fertility, pharmacotherapy, cardiometabolic & long-term risk, clinical labs & utilization, and coding, suitable for PCOS phenotype classification, fertility-outcome modeling, insulin-resistance risk stratification, and other research applications, but for research/development use only and not for clinical decision-making.

搜集汇总

数据集介绍

构建方式

该数据集源自XpertSystems.ai合成数据工厂的内分泌学垂直领域，基于鹿特丹分型体系构建了一个涵盖多囊卵巢综合征患者全谱系的综合合成队列。构建过程严格遵循结构性身份验证哲学，确保在六种标准种子下实现确定性复制。数据集从九大模块出发，整合了包括人口统计学、激素谱、胰岛素抵抗与代谢、卵巢形态、生育结局、药物治疗轨迹以及长期心血管代谢风险在内的190个特征列，从而模拟出真实临床电子健康记录中的复杂关联结构。

特点

数据集具备高度生理学校准特性，通过内嵌的九项基准测试套件严格验证，例如表型A比例与LH/FSH比值分别锚定于Azziz 2016和PCOS LH高分泌特性。其独特之处在于涵盖从基础生化标志物到生育治疗结局的纵向轨迹，包括以JSON格式存储的年度AMH与HOMA-IR演变序列。此外，数据集中多囊卵巢综合征表型间的激素分离度、卵巢形态学范围以及代谢综合征患病率均与临床流行病学数据高度吻合，确保了合成数据的真实性与科研适用性。

使用方法

用户可直接通过pandas库加载CSV文件以进行初步探索性分析，示例代码展示了如何提取患者ID、鹿特丹表型、HOMA-IR与抗缪勒管激素等核心变量。对于需要处理纵向轨迹的研究者，可通过json.loads解析JSON编码的年度序列字段。该数据集适用于构建多囊卵巢综合征表型分类模型、生育结局预测、胰岛素抵抗风险分层以及药物反应比较效果研究，尤其适用于因真实患者数据受隐私保护限制而无法获取大规模纵向内分泌数据的机器学习训练场景。

背景与挑战

背景概述

多囊卵巢综合征（PCOS）是育龄女性最常见的内分泌代谢紊乱疾病之一，全球发病率约8%-13%，其临床表现呈现显著异质性，涵盖生殖、代谢及心理等多维度健康问题。2026年，由XpertSystems.ai合成数据工厂创建的内分泌垂直领域数据集HC-END-008，以鹿特丹A/B/C/D表型分型体系为核心组织框架，系统模拟了PCOS患者的激素轴特征（LH/FSH比值、雄激素、抗苗勒管激素）、胰岛素抵抗与代谢综合征、卵巢形态学参数（窦卵泡计数、体积、子宫内膜）以及促排卵与辅助生殖结局。该样本数据集包含500例患者×190个特征字段，经九项临床基准验证（包括PPCOS-II来曲唑活产率、Azziz表型分布等）获得满分10/10评分，为PCOS表型分类、生育结局预测及代谢风险分层等研究提供了高质量合成数据基础。

当前挑战

该数据集致力于解决的领域核心挑战在于：真实PCOS电子健康档案数据因包含患者隐私信息而受到严格保护，导致机器学习模型训练面临数据稀缺、标签不平衡及跨中心通用性不足等问题；同时，PCOS临床表现的高度异质性使得传统基于真实数据的表型分类模型难以在不同人群中泛化。在构建过程中，数据集面临模拟生理复杂性的技术挑战：由于临床标志物（如痤疮、黑棘皮症等）是基于表型条件独立抽取的，患者内部症状聚类强度弱于真实队列；年度轨迹简化为基线加随机噪声，无法反映治疗干预或妊娠相关的生理波动；生育结局以人群边际率而非个体条件性概率呈现；某些排除标准（如高泌乳素血症）作为独立叠加而非完全分离的诊断处理，导致跨字段相关性可能弱于实际临床数据。

常用场景

经典使用场景

HC-END-008样本数据集专为多囊卵巢综合征（PCOS）的临床与计算研究而设计，其经典使用场景集中于基于鹿特丹表型（A/B/C/D）的分类任务。研究者可利用该数据集中的激素谱（如LH/FSH比值、雄激素、AMH）、卵巢形态学指标（如窦卵泡计数、卵巢体积）及代谢参数，构建机器学习模型以实现PCOS亚型的精准判别。该数据集还广泛用于生育结局预测，例如卵巢诱导治疗（来曲唑、克罗米芬）或体外受精（IVF）的反应性建模，以及卵巢过度刺激综合征（OHSS）风险的评估工具开发。凭借其190维特征列和经严格校验的生理学一致性，该样本成为验证PCOS相关诊断与预后算法的理想基准数据集。

衍生相关工作

该数据集衍生了一系列具有学科影响力的相关工作。在生成模型领域，其合成引擎采用的“结构一致性优先于分布拟合”验证哲学启发了新型数据保真度评估框架，推动了生理约束下的条件生成对抗网络（CGAN）发展。在临床预测建模方面，基于该数据集开发的PCOS表型分类器（如随机森林与梯度提升模型）被后续研究采纳为基准方法，用以对比新型图神经网络在卵巢形态学特征提取中的表现。此外，该数据集的校准流程可直接溯源至Aziz 2016的流行病学数据与PPCOS-II临床试验结果，使其成为PCOS领域因果推断研究的参考标准，例如用于反事实推理模型中治疗效应的估计。这些衍生工作共同构建了从合成数据到临床洞见的完整知识链。

数据集最近研究

最新研究方向

当前，以多囊卵巢综合征（PCOS）为代表的生殖内分泌疾病研究正迎来数据驱动的新纪元，而HC-END-008合成数据集则在这一前沿领域中扮演着关键角色。该数据集基于鹿特丹表型分型（A/B/C/D），精准模拟了涵盖HPO轴激素谱、胰岛素抵抗与代谢综合征、卵巢形态学特征，以及促排卵与辅助生殖结局等九大模块的190维临床特征，其核心创新在于通过结构性生理校验（如高雄激素表型与睾酮水平的关联）而非传统分布拟合来确保合成数据的临床真实性。该样本级数据集已通过Azziz表型分布、PPCOS-II来曲唑活产率、AMH升高比例及HOMA-IR等九项基准校准，校准结果与真实世界大型队列（如Azziz 2016、Legro 2014 NEJM）高度吻合，这使其在PCOS表型分类预测、胰岛素抵抗风险分层、卵巢过度刺激综合征（OHSS）风险评估及治疗路径比较效果建模等前沿研究中，为因受限于患者隐私保护法规（PHI）而难以获取真实数据的机器学习模型训练，提供了可靠且可复现的合成数据基础设施。同时，该数据集支持FHIR R4标准输出，并具备15年纵向随访轨迹的扩展能力，显著推动了合成数据在生殖内分泌领域从理论验证向临床研究应用的转化进程。