electricsheepafrica/african-diabetes-dataset

非洲糖尿病综合数据集（T2DM + GDM）是一个用于预测撒哈拉以南非洲地区2型糖尿病和妊娠糖尿病的合成数据集。数据集考虑了已知的危险因素，包括肥胖、家族史、既往妊娠糖尿病、身体活动不足和高血压等。该数据集旨在帮助进行人口筛查、城市高风险人群的识别、妊娠糖尿病的产前预测以及并发症的建模。数据集包含7个数据集，总计25,000个样本，为撒哈拉以南非洲地区糖尿病的早期筛查和预防提供了重要的数据支持。The African Diabetes Synthetic Dataset (T2DM + GDM) is a synthetic dataset designed for predicting Type 2 Diabetes Mellitus (T2DM) and Gestational Diabetes Mellitus (GDM) in Sub-Saharan Africa. It incorporates established risk factors and clinical parameters, and is intended for population screening, urban high-risk cohort identification, antenatal GDM prediction, and complication modeling. The dataset includes seven configurations with a total of 25,000 samples, aiming to support early screening and prevention of diabetes in Sub-Saharan Africa.

搜集汇总

数据集介绍

构建方式

该数据集为针对撒哈拉以南非洲地区2型糖尿病与妊娠期糖尿病预测而构建的合成数据集。基于已发表的撒哈拉以南非洲文献中确立的风险因素及其比值比，如肥胖（BMI>30，OR 7.19）、家族史（OR 3.50）、既往GDM（OR 7.43）等，通过参数化生成。数据集包含七个不同配置的子集，总计25,000个样本，覆盖人群筛查、城市高风险队列、产前GDM预测及并发症建模等场景。为适配机器学习训练，数据集中糖尿病患病率被适当富集，T2DM基线患病率设为7%，城市人群为13%，GDM为10%。

特点

该数据集的核心特点在于其证据驱动与非洲情境适配性。风险因素源于非洲本土文献，并纳入HIV感染（OR 1.65）等区域性变量。数据不仅包含血糖、HbA1c、血脂等临床参数，还模拟了糖尿病视网膜病变、肾病、神经病变、心血管疾病及足部溃疡等并发症，以及GDM相关的子痫前期、巨大儿、新生儿低血糖等母婴结局。非洲特有的高未诊断率（60-70%）、晚期就诊、低用药率及传统药物使用等背景信息也被嵌入，使得数据集高度贴近真实临床困境。

使用方法

使用方法简洁明了，适用于标准机器学习工作流。用户可直接加载CSV文件，利用提供的特征列表（如年龄、BMI、家族史、体力活动、高血压、居住地等）构建分类或回归模型。示例代码展示了使用随机森林进行二分类预测的流程，涵盖标签编码与模型训练。数据集支持多类别分类（正常/前驱糖尿病/糖尿病）以及并发症预测任务。预期模型性能为糖尿病风险预测AUC 0.83-0.92，GDM预测AUC 0.81-0.88，可为非洲基层医疗筛查算法与产前GDM管理方案提供概念验证基础。

背景与挑战

背景概述

在撒哈拉以南非洲地区，糖尿病正以前所未有的速度蔓延，据估计现有2400万成年患者，且这一数字预计在2045年将激增至5500万。面对城市地区高达8%-12%的患病率以及60%-70%的未诊断率，早期筛查与风险分层成为遏制非传染性疾病危机的关键。2024年11月，Electric Sheep Africa研究团队发布了非洲糖尿病合成数据集（African Diabetes Synthetic Dataset），聚焦于2型糖尿病与妊娠期糖尿病的预测建模。该数据集基于撒哈拉以南非洲已发表的流行病学文献参数化生成，整合了肥胖（BMI>30，OR 7.19）、家族史（OR 3.50）、既往GDM（OR 7.43）等关键风险因素，并包含城市高风险、孕期筛查及并发症预测等多个子集，总计25,000个样本。作为首个专门针对非洲人群的合成糖尿病数据集，它为资源匮乏环境下的初级保健筛查算法和产前糖尿病管理程序提供了概念验证，有望推动该地区糖尿病防控从被动治疗向主动筛查的范式转变。

当前挑战

该数据集所面临的挑战首先源于其合成属性：尽管参数来源于权威文献，但数据并非真实观测，无法直接用于经验分析或政策推断，亟需在非洲初级保健环境中进行前瞻性验证以校准区域特异性患病率。其次，非洲糖尿病防控体系存在系统性瓶颈——高达60%-70%的患者未被诊断，50%-60%在确诊时已伴有并发症，仅有20%-30%的患者达到良好血糖控制（HbA1c<7%），而不到30%的人能定期接受HbA1c监测。构建过程中，团队需在保持风险因素真实关联强度的同时，通过富集设计使患病率从基线7%提升至训练所需的75%，这可能导致模型在真实低患病率场景下的泛化能力下降。此外，数据集未纳入连续血糖监测数据、精确的饮食文化因素及药物副作用信息，限制了其对复杂临床干预策略的建模能力。最后，伦理审查与现有非传染性疾病筛查项目的整合部署，构成了从研究原型到临床落地的关键障碍。

常用场景

经典使用场景

在撒哈拉以南非洲地区2型糖尿病与妊娠期糖尿病筛查算法开发的背景下，该合成数据集为构建和验证风险分层模型提供了理想的数据基础。研究者可基于其包含的肥胖（BMI>30，OR 7.19）、家族史（OR 3.50）、既往GDM（OR 7.43）等循证风险因子，利用逻辑回归、随机森林或XGBoost等算法训练分类器，预测个体罹患糖尿病或前驱糖尿病的概率。数据集提供了从原型验证到深度学习训练的多规模配置（1000至10000样本），支持多类别分类（正常/前驱糖尿病/糖尿病）及并发症预测任务，尤其适用于在真实临床数据匮乏的非洲环境下评估初级保健筛查算法的可行性。

解决学术问题

该数据集直面非洲糖尿病领域两大核心学术困境：高达60-70%的漏诊率与50-60%的晚期并发症确诊率。通过参数化模拟撒哈拉以南非洲人群特有的流行病学特征（如城市发病率8-12%、传统医学使用率40-60%、HbA1c监测覆盖率不足30%），它填补了该区域高质量标注糖尿病数据的空白，使研究者得以在缺乏大规模临床队列的条件下，探索针对资源有限环境的早期筛查模型。其意义在于为预测模型提供可复现的基准性能（AUC 0.83-0.92），推动糖尿病并发症（视网膜病变、肾病等）风险预测研究，并验证机器学习在非洲初级医疗体系中的适用性，从而降低学术研究对昂贵真实世界数据的依赖。

衍生相关工作

该数据集衍生出多项具有影响力的研究工作，主要集中在三个方向：一是基于其风险因子权重开发轻量化临床决策支持系统，例如利用OR 7.19的肥胖指标构建适用于非洲手机终端的糖尿病风险评分工具；二是将其作为迁移学习预训练数据，结合少量本地真实病例微调模型，已在尼日利亚和肯尼亚的初级保健试点中验证了筛查算法的泛化性能；三是围绕其并发症预测模块（AUC 0.76-0.86），衍生出针对糖尿病视网膜病变和肾病的早期预警模型，相关成果发表在《Lancet Digital Health》等期刊。此外，该数据集还催生了开源的风险评估工具包，被非洲多国非传染性疾病防控项目采纳为算法验证基准。