Twin_hospital_sample100

Twin Hospital Synthetic Dataset 是一个合成的确定性医院患者数据集，包含两个匹配的医院队列（Hospital A 和 Hospital B）。数据集采用 CC-BY-NC-4.0 许可，主要面向表格分类和回归任务，数据规模为 100-1000 条样本。

数据集包含两个主要文件：hospital_a_patients.csv 和 hospital_b_patients.csv，分别记录了两家医院的 1000 名患者信息（Hospital A：55-95 岁患者，seed=4200；Hospital B：30-75 岁患者，seed=4201）。数据具有确定性、纯合成、无个人健康信息(PHI)、模式匹配和受控变异等特点。

主要应用场景包括：模型比较、偏差测试、部署模拟和 A/B 评估。数据集还提供 schema.json 结构描述文件和 twin_validation.txt 验证文件，且可扩展更大规模的队列。

原始信息汇总

Twin Hospital Dataset 数据集概述

数据集基本信息

• 数据集名称：Twin Hospital Dataset
• 发布者/来源：HipAAsynth
• 版本：1.0.2
• 许可协议：CC BY-NC 4.0
• 数据规模：n<1K
• 任务类别：表格分类、表格回归
• 标签：合成数据、医疗健康、电子健康记录、确定性生成、hipaasynth、双队列、偏差测试、人群分布偏移

数据集内容与结构

数据集包含两个匹配的、确定性生成的合成医院患者队列，具有受控的人口统计学差异。

• Hospital A 患者：100名患者，年龄55-95岁，生成种子为4200。
• Hospital B 患者：100名患者，年龄30-75岁，生成种子为4201。

主要文件

• 00_twin_summary.csv：队列对比指标汇总。
• hospital_a_patients.csv：医院A的100名患者数据。
• hospital_b_patients.csv：医院B的100名患者数据。
• schema.json：列定义。
• twin_validation.txt：验证报告。

数据格式

标准化的13列CSV文件，包含结构化的电子健康记录风格字段：

• patient_id：患者唯一标识符
• age：年龄
• sex：性别
• ethnicity：种族
• height_cm：身高（厘米）
• weight_kg：体重（千克）
• bmi：身体质量指数
• bmi_category：BMI分类
• conditions：管道符分隔的疾病列表
• num_visits：临床就诊次数
• num_labs：实验室结果数量
• synthetic：始终为True
• disclaimer：合成数据免责声明

关键差异对比

指标	医院A	医院B
平均年龄	72.8	51.0
女性比例	53.0%	54.3%
平均BMI	28.7	29.2
糖尿病患病率	22.9%	15.1%
高血压患病率	72.9%	52.8%
心力衰竭患病率	8.0%	2.5%
慢性阻塞性肺疾病患病率	10.8%	6.2%
慢性肾脏病患病率	31.5%	17.2%
抑郁症患病率	5.6%	6.5%

设计目的与用途

• 用于跨人群分布偏移的模型比较。
• 用于偏差测试和公平性评估。
• 用于部署模拟。
• 用于A/B评估。

特性

• 确定性生成：可重现，在不同运行中产生相同的输出。
• 合成数据：不包含任何真实的患者数据或受保护的健康信息。
• 用途限制：旨在用于测试、开发、研究和基准测试，不适用于临床决策、诊断、治疗或患者护理。

版本历史

• 1.0.2 (2026年3月)：添加了00_twin_summary.csv文件，修复了README，更新为100名患者样本。
• 1.0.1 (2026年3月)：首次公开发布。