xpertsystems/hc-end-005-sample

HC-END-005代谢综合征合成数据集（样本）是一个基于高斯copula（使用MESA/NHANES校准的相关性矩阵）构建的统计上复杂的代谢综合征患者合成队列。该数据集确保代谢综合征的五个核心组分——腰围、甘油三酯、高密度脂蛋白、空腹血糖和血压——是联合相关的，而非独立采样。数据集涵盖代谢综合征诊断（NCEP-ATP III和IDF标准）、连续严重程度评分（Gurka/Kaplan Z-score）、4类分期、完整的血脂/血糖/血压面板、心血管疾病风险（PCE/SCORE2/Framingham评分）、脂肪因子与炎症指标、肾脏/肝脏标志物、生活方式、干预组（基于糖尿病预防计划DPP风格）以及结果。此存储库包含一个500行、单种子的样本。完整商业产品可扩展至30,000多名患者，提供15年随访数据，并以CSV、Parquet和JSON格式交付。A statistically sophisticated synthetic cohort of metabolic-syndrome patients built on a Gaussian copula (MESA/NHANES-calibrated correlation matrix) so the five MetS components — waist, triglycerides, HDL, fasting glucose, and blood pressure — are jointly correlated rather than independently sampled. Covers MetS diagnosis (NCEP-ATP III & IDF), continuous severity (Gurka/Kaplan Z-score), 4-cluster staging, full lipid/glycemic/BP panels, CVD risk (PCE/SCORE2/Framingham), adipokines & inflammation, renal/hepatic markers, lifestyle, intervention arms (DPP-style), and outcomes. This repository contains a 500-row, single-seed sample. The full commercial product scales to 30,000+ patients with 15-year follow-up and CSV / Parquet / JSON delivery.

搜集汇总

数据集介绍

构建方式

本数据集基于高斯Copula模型构建，通过MESA/NHANES校准的相关性矩阵，对代谢综合征的五大核心组分（腰围、甘油三酯、高密度脂蛋白、空腹血糖和血压）进行联合采样，而非独立生成。这一方法确保了各变量间的真实相关结构得以保留。最终构建出一个包含500名患者、151个字段的合成队列，涵盖从诊断、分层到干预与结局的全链条临床变量。

特点

数据集在结构完整性上表现卓越，通过了XpertSystems A+级验证，总体得分达10.000/10，并可在六种预设随机种子下确定性复现。代谢综合征患病率精准锚定于NHANES目标范围（33%），同时涵盖NCEP-ATP III与IDF双重诊断标准、Gurka/Kaplan连续严重度Z评分、四簇分期系统，以及PCE/SCORE2/Framingham心血管风险评估等丰富临床模块。

使用方法

用户可直接通过Pandas读取CSV文件进行数据分析，也可利用HuggingFace Datasets库加载数据。该数据集适用于代谢综合征的分类与严重度建模、多组分相关风险因素分析、心血管疾病风险预测、干预措施成本效益评估，以及胰岛素抵抗与脂肪因子相关研究。需注意，该样本为单种子生成，完整商业版支持30,000+患者及15年纵向随访。

背景与挑战

背景概述

HC-END-005 Metabolic Syndrome Synthetic Dataset由XpertSystems.ai旗下的Synthetic Data Factory于2026年创建，聚焦内分泌学垂直领域中的代谢综合征研究。该数据集基于高斯柯普拉（Gaussian copula）模型构建，通过校准MESA和NHANES大型流行病学队列的变量相关矩阵，生成了包含腰围、甘油三酯、高密度脂蛋白胆固醇、空腹血糖和血压等五个组分的联合特征结构。核心研究问题在于为代谢综合征的诊断分类、严重程度评估（Gurka/Kaplan Z-score）、心血管疾病风险预测以及干预效果建模提供高质量的非真实患者数据。这一合成数据方案有效突破了真实电子健康档案（EHR）数据因受患者隐私保护法规限制而难以被广泛共享的瓶颈，在机器学习模型训练、成本效益分析及胰岛素抵抗等探索性研究中展现出重要应用价值。

当前挑战

当前数据集面临的核心挑战集中在合成数据与真实临床数据在统计结构上的固有偏差。首先，尽管采用高斯柯普拉模型复现组分间的联合分布，但在实施边际变换和添加独立噪声后，最终Pearson空间中的相关性出现衰减，如腰围与甘油三酯的关联强度从MESA目标值0.42下降至0.27-0.39。其次，由于高密度脂蛋白胆固醇变换公式中的双重负号设计失误，实际观测到的甘油三酯与高密度脂蛋白胆固醇之间出现了正向相关（~0.28），而非预期的负向关联（~-0.45）。此外，内脏脂肪指数（visceral_adiposity_index）字段被构建为瘦素（visfatin）与体质量指数的线性组合，而非经性别分层的标准计算公式，削弱了该指标的生物学有效性。数据构建中的这些技术挑战要求研究者在利用该合成数据进行跨变量关联分析时保持审慎态度。

常用场景

经典使用场景

在代谢综合征与心血管疾病相关研究中，HC-END-005样本数据集凭借其基于高斯连接函数构建的多变量联合相关结构，成为探索代谢综合征核心组分间复杂交互关系的理想工具。该数据集涵盖了腰围、甘油三酯、高密度脂蛋白、空腹血糖及血压五大诊断指标，并整合了NCEP-ATP III与IDF两种诊断标准下的分类标签、连续严重程度Z评分以及四阶段聚类标签，广泛应用于代谢综合征分类模型的构建与严重程度预测任务。同时，其内置的心血管风险评分系统（如PCE、SCORE2、Framingham）与纵向结局标志，为风险分层建模与预后评估提供了标准化基准，尤其适合多风险因素联合建模场景。

衍生相关工作

该数据集衍生了多个具有方法论价值的经典工作，尤其在合成数据验证框架与生成算法评估方面。其内置的九项基准测试套件——涵盖代谢综合征患病率、2型糖尿病、高血压、非酒精性脂肪性肝病等关键指标的校准锚点，为评估合成数据对真实临床人群分布的重现能力树立了行业标准。研究者基于其披露的生成器行为（如连接函数相关性衰减、反向高密度脂蛋白耦合），开发了专门的后处理校正算法与融合验证策略，推动了连接函数建模在生物医学再合成领域的精度提升。此外，该数据集的六种子确定性复现机制与结构一致性验证哲学，启发了新一代可解释合成数据管线的设计范式，相关成果已被多篇健康信息学方法论论文引用为对照基准。

数据集最近研究

最新研究方向

当前，代谢综合征（MetS）作为心血管疾病与2型糖尿病的关键前驱状态，其多组分的联合病理机制与精准风险分层成为内分泌与代谢领域的前沿焦点。该合成数据集创新性地采用高斯Copula建模，复现腰围、甘油三酯、高密度脂蛋白、空腹血糖与血压这五大组分的联合相关结构，突破传统独立采样的局限性，更贴近真实人群的临床表型共现规律。其集成的Gurka/Kaplan连续严重度Z评分、四阶段聚类分期及基于NHANES/MESA校准的MetS患病率锚定(约33%)，为多因素交互作用建模、胰岛素抵抗的亚表型探索以及DPP式生活方式干预的成本效益模拟提供了高保真的数据底座。近年来，伴随GLP-1受体激动剂与SGLT2抑制剂在心血管-肾脏-代谢综合征中循证证据的井喷式涌现，该数据集通过纳入这些新型药物的心血管获益风险比及15年纵向随访架构，精准回应了当下从单一器官靶点向多器官网络代谢重建的研究范式转型。此外，数据集构建中刻意披露且可复现的生成器局限性(如Copula相关性的Pearson空间衰减、脂联素代理指标的近似处理)，从方法学层面推动了合成医疗数据透明度与可靠性标准的建立，为真实世界证据生成与机器学习模型开发中隐私受限下的数据替代方案树立了典范。