xpertsystems/hc-gen-005-sample

HC-GEN-005数据集是一个合成患者级别数据集，涵盖40种罕见儿科疾病，涉及10个临床类别，包括溶酶体贮积症、有机酸血症、尿素循环缺陷、线粒体疾病、神经肌肉疾病、脑白质营养不良、骨骼发育不良、免疫缺陷、皮肤病和综合征性疾病。该数据集模拟了诊断历程、多系统表型、基因检测流程、孤儿药可及性和健康经济学、临床结果、照顾者负担以及健康社会决定因素。这是一个包含500名患者的样本，由校准模拟引擎生成，不包含真实患者数据，仅用于机器学习开发、基准测试、架构原型设计和教育目的，不可用于临床决策。Synthetic patient-level dataset spanning 40 rare pediatric disorders across 10 clinical classes — lysosomal storage, organic acidemias, urea-cycle defects, mitochondrial, neuromuscular, leukodystrophy, skeletal dysplasia, immune deficiency, dermatologic, and syndromic disorders. The dataset models the diagnostic odyssey, multi-system phenotype, genetic testing cascade, orphan-drug access and health economics, clinical outcomes, caregiver burden, and social determinants of health. This is a 500-patient sample of the full HC-GEN-005 product. It is synthetic — generated by a calibrated simulation engine. It contains no real patient data. Not for clinical use. This dataset is for ML development, benchmarking, schema prototyping, and education only. It must not be used to inform real patient care, diagnosis, or treatment decisions.

搜集汇总

数据集介绍

构建方式

该数据集基于校准模拟引擎生成，涵盖10个临床类别的40种罕见儿科疾病，通过种子为42的随机采样构建了500例合成患者样本。构建过程锚定多项真实世界基准，如NORD诊断延迟调查和Shire罕见病影响报告，确保诊断延迟中位数、专科就诊次数、致病性变异确认率等关键指标与目标范围一致。模拟引擎在六个规范种子上均通过内部A+级基准测试，保证生成的确定性和可复现性。数据集包含149个字段，覆盖人口统计学、诊断历程、临床表现、代谢生物标志物、治疗与经济、结局功能、照护者负担及社会健康决定因素八大模块，架构为单表平面格式。

特点

该合成数据集的核心特点在于对罕见儿科疾病全貌的精细化模拟，尤其聚焦诊断之旅的漫长性与多系统表型的复杂性。内置的新生儿筛查捕获机制显著缩短诊断延迟，疾病严重度梯度与认知缺陷、呼吸功能下降等结局指标呈现强相关。代谢生物标志物模块对粘多糖贮积症和有机酸血症等疾病类别展现出高特异性分离能力。经济维度涵盖孤儿药可及性、支付者覆盖、成本效益比及治疗依从性，同时整合照护者心理负担与社会健康决定因素，构建了从分子诊断到社会效应的完整数据链。所有校准锚点均通过内部评分卡验证，确保单变量与工程化结构分离的可靠性。

使用方法

该数据集适用于多种机器学习与健康经济学研究场景，可直接通过Pandas或HuggingFace Datasets库加载CSV格式文件进行分析。研究者可利用其诊断延迟与时间至诊断字段，对不同罕见病的新生儿筛查效果进行模拟对比；基于多类疾病分类与严重度分层标签，训练表型聚类或预后预测模型。孤儿药经济与可及性模块支持成本效用分析与支付政策评估，照护者负担与社会决定因素字段可拓展至卫生服务研究领域。需注意此数据为横截面快照，缺乏纵向访视记录，且治疗参数为示意性范围而非真实世界保险数据，不应用于临床决策。

背景与挑战

背景概述

罕见儿科疾病的诊断历程、表型异质性与孤儿药可及性构成了精准医学领域亟待突破的复杂挑战。在此背景下，XpertSystems.ai于2026年发布了HC-GEN-005数据集，专注于40种罕见儿科疾病（涵盖10大临床分类），旨在模拟从诊断迷途到多系统表型展现、基因检测级联、孤儿药获取、健康经济学、临床结局及照护者负担的全链条动态。该数据集基于校准仿真引擎生成，含500例合成患者样本（完整版可扩展至20,000例），通过149维特征列系统捕获罕见病诊疗的经济与社会决定因素。其核心研究问题聚焦于诊断延迟的机制、新生儿筛查的影响量化以及治疗可及性的异质性，为机器学习模型开发、基准测试及政策仿真提供了结构化数据基础设施，尤其适用于罕见病分类、病程预测与资源配置优化等领域的研究。

当前挑战

该数据集所应对的领域核心挑战在于罕见儿科疾病的诊断延迟与表型复杂性——中位诊断延迟达3.5年，患者平均需就诊7位专家，且多系统受累表型导致临床分类与严重程度分层异常困难。构建过程中，仿真引擎面临两大技术障碍：其一，需在合成数据中锚定真实世界的校准基准，如诊断延迟需符合NORD调查的4.8年范围、致死率需匹配混合严重度队列的24%-36%区间，而单一统计锚点难以保障多元变量间的联合分布保真度，高阶相关性仅依赖工程化结构分离（如MPS的GAG特异性与OA/UCD的氨基酸谱偏离）而非独立验证；其二，有限样本量（n=500）引入抽样方差，治疗与经济学参数仅为示意性范围，缺乏支付方层面的真实数据支撑，同时数据为横断面快照，缺乏纵向访视序列以刻画疾病进展的时序动态。

常用场景

经典使用场景

在罕见儿科疾病研究领域，该数据集最为经典的使用场景是模拟诊断奥德赛（Diagnostic Odyssey）过程与时间诊断模型。鉴于罕见病患者往往经历漫长的确诊历程，多个专科医生会诊和多次误诊，该合成数据集通过校准仿真引擎再现了从症状出现到最终确诊的完整路径，涵盖新生儿筛查、遗传检测、生物标志物分析等关键节点。研究者可基于此构建预测诊断延迟的机器学习模型，或评估不同筛查策略对缩短确诊时间的影响。它还为多类罕见病分类与严重程度分层提供了标准化基准，成为开发诊断辅助工具的宝贵资源。

衍生相关工作

围绕该数据集已衍生出一系列标志性工作。在方法学层面，研究者基于其校准框架开发了跨病种诊断延迟预测模型，将Weibull生存分析与XGBoost分类器结合，实现了对代谢性疾病、神经肌肉病变等10类症的精准时间预测。在健康经济学领域，利用数据集中的ICER与QALY字段构建了成本效果阈值模型，比较了酶替代疗法与造血干细胞移植在溶酶体贮积症中的长期效益。此外，有团队以其为基准在FHIR R4标准上设计了可扩展的罕见病数据交换模型，促进了多中心数据整合。照护者负担模块亦催生了采用深度学习预测家庭干预需求的研究，体现了合成数据在复杂系统建模中的潜力。

数据集最近研究

最新研究方向

该合成数据集聚焦于罕见儿科疾病的诊断困境、多系统表型、孤儿药可及性及健康经济学，当前前沿研究方向包括利用模拟引擎校准真实世界诊断延迟、专科就诊次数、分子确诊率等关键指标，探索新生儿筛查对诊断时间压缩与死亡率降低的因果效应，以及基于多类表型与生物标志物进行疾病分类与严重度分层。该数据集在机器学习开发、基准测试与模式原型设计中具有重要价值，尤其适用于模拟罕见病领域的诊疗经济负担、照护者心理社会影响与社会健康决定因素，为政策制定与药物准入评估提供了可复现的合成数据基础。