xpertsystems/hc-end-001-sample

一个生理学上一致的1型糖尿病（T1D）患者记录合成队列，涵盖人口统计学、胰岛素治疗、连续血糖监测/葡萄糖指标、纵向糖化血红蛋白轨迹、自身免疫生物标志物、微血管/大血管并发症以及行为/生活质量评分。此存储库包含一个500行、单种子的样本。完整的商业产品可扩展至25,000多名患者，具有多种子队列和Parquet交付格式。

A physiologically consistent synthetic cohort of Type 1 Diabetes (T1D) patient records spanning demographics, insulin therapy, CGM/glucose metrics, longitudinal A1C trajectories, autoimmune biomarkers, microvascular/macrovascular complications, and behavioral/QoL scores. This repository contains a 500-row, single-seed sample. The full commercial product scales to 25,000+ patients with multi-seed cohorts and parquet delivery.

搜集汇总

数据集介绍

构建方式

HC-END-001-Sample数据集是XpertSystems.ai内分泌垂直领域合成数据工厂的产物，旨在为1型糖尿病研究提供生理一致性的合成患者队列。该样本集包含500名患者、101个字段，通过多源校准锚点构建，覆盖人口统计学、胰岛素治疗、动态血糖监测、糖化血红蛋白轨迹、自身免疫生物标志物、微血管与大血管并发症以及行为生活质量评分六大模块。数据生成引擎采用确定性种子机制，可复现于六个标准种子，并通过结构化身份验证而非分布拟合测试来保证数据质量，总体验证评分达到满分10分。

使用方法

数据集的使用极为便捷，用户可通过Pandas或HuggingFace Datasets库直接加载CSV文件进行探索。以Python为例，使用pandas.read_csv即可读取样本数据，并可快速提取患者ID、胰岛素输送方式、时间范围内百分比等核心字段。该数据适用于血糖控制建模、并发症风险预测、不同胰岛素治疗方案比较、CGM分析管线开发及机器学习训练等场景。尤其适合在真实电子健康记录或CGM数据不可得或受隐私保护限制的情况下，作为合成对照组或内分泌信息学原型开发的可靠数据源。

背景与挑战

背景概述

HC-END-001样本数据集由XpertSystems.ai于2026年创建，旨在解决1型糖尿病（T1D）领域真实患者数据获取困难、隐私限制严格以及样本量不足等核心问题。该数据集通过合成数据技术生成一个包含500名患者、101个临床变量的生理一致性队列，覆盖人口统计学、胰岛素治疗、连续血糖监测、糖化血红蛋白轨迹、自身免疫生物标志物、微血管与大血管并发症及行为生活质量指标。其校准锚点依托于T1D Exchange Registry、DCCT/EDIC、AGP共识等权威临床来源，在血糖控制时间、并发症患病率等关键指标上与真实队列高度吻合，为糖尿病信息化研究提供了可复现的高质量合成数据基础。该数据集影响力体现在为机器学习模型训练、血糖控制建模、并发症风险预测及卫生经济学分析提供了隐私无忧的替代方案。

当前挑战

该数据集面临的挑战包括：1)领域问题层面，1型糖尿病研究长期受限于患者数据样本量不足、跨机构数据整合困难以及真实世界数据的隐私保护法规，导致机器学习模型在罕见并发症预测、个性化治疗方案优化等任务中泛化能力不足；2)构建过程中的挑战，合成数据引擎在v1.0版本中存在若干已知缺陷——C肽水平呈指数分布导致约94%的“保留率”偏离真实生理表现，胰岛素自身抗体标志物采取固定40%随机抽样而未与发病年龄关联，视网膜病变分期主要依赖风险乘数而较少达到严重非增殖期阈值，且并发症与行为评分之间的字段相关性可能弱于真实队列。这些局限性提示使用者需谨慎解读部分字段的临床意义，并优先使用GAD65等已验证标志物进行自身免疫信号分析。

常用场景

经典使用场景

HC-END-001样本数据集聚焦于1型糖尿病的糖代谢管理，其经典使用场景涵盖血糖控制建模与治疗方案对比分析。研究人员可利用该数据集探究连续血糖监测指标（如时间在范围、平均血糖、血糖变异性）与糖化血红蛋白之间的动态关联，并基于胰岛素递送方式（自动胰岛素输送系统、连续皮下胰岛素输注、每日多次注射）分层，评估不同治疗手段对血糖结局的差异化影响。该数据集的生理一致性特征使其能够复现真实临床队列中的关键趋势，例如自动胰岛素输送系统相较于传统方案在时间在范围指标上的显著改善，为血糖管理策略的优化提供量化依据。

解决学术问题

该数据集着力破解内分泌学领域长期存在的学术瓶颈：真实世界电子健康档案与持续葡萄糖监测数据受患者隐私保护严格约束，导致大规模、多模态的1型糖尿病研究数据极度稀缺。HC-END-001通过生理仿真引擎生成涵盖人口学、胰岛素治疗、血糖代谢、并发症谱系及行为心理的101维特征空间，精准锚定T1D Exchange Registry、DCCT/EDIC、AGP共识等权威临床基准，使研究者得以在无隐私壁垒的环境中复现经典的并发症风险预测模型、验证血糖暴露与微血管病变的剂量-反应关系，并开展传统随机对照试验难以实现的虚拟对照臂研究，推动内分泌临床信息学的方法学突破。

实际应用

在产业落地层面，该数据集服务于多重真实世界应用场景。医疗科技企业可将其用于持续葡萄糖监测数据分析管线的开发与验证，优化动态血糖报告生成算法的准确性与临床可解释性。健康经济学研究人员能够借助模拟队列评估不同胰岛素递送策略在长期并发症控制中的成本效益，为医疗资源分配与保险覆盖决策提供仿真证据。此外，该数据集的模块化架构支持针对特定研究目标的特征子集抽取，例如仅保留胰岛素治疗方案与行为评分数据进行治疗依从性建模，或提取并发症进展轨迹用于疾病管理指标的仪表盘开发，显著降低了对真实临床数据访问的依赖。

数据集最近研究

最新研究方向

该数据集聚焦于1型糖尿病的合成患者数据生成，覆盖人口统计学、胰岛素疗法、持续葡萄糖监测（CGM）指标、糖化血红蛋白（A1C）纵向轨迹、自身免疫生物标志物及微血管/大血管并发症等多模态临床信息。其前沿方向在于为血糖控制建模（如TIR/A1C/GMI关系）、并发症风险预测（DCCT式分析）及自动化胰岛素输送（AID）与传统方案（CSII/MDI）的疗效比较提供高保真合成数据支撑。在隐私法规趋严与真实世界数据获取受限的背景下，该数据集通过生理一致性校验（如GMI-A1C相关性达0.982）和可复现种子机制，为内分泌信息学的模型预训练、合成对照臂构建及分析工具开发开辟了新路径，有望加速个性化糖尿病管理的科研转化。