electricsheepafrica/africa-sickle-cell-crisis

一个用于预测非洲人群镰状细胞病危机的合成表格数据集。SCD每年影响超过30万非洲婴儿，是全球最常见的遗传病。A synthetic tabular dataset for predicting sickle cell disease crises in African populations. SCD affects 300,000+ African infants yearly and is the most common genetic condition globally.

搜集汇总

数据集介绍

构建方式

该数据集基于非洲镰状细胞病流行病学数据与临床指南，通过合成数据生成技术构建。正向样本（发生危象）与控制样本（病情稳定）各5000例，严格保持50/50的类平衡，并依据世界卫生组织与联合国儿童基金会提供的国家疾病负担权重进行地理采样。所有连续变量均注入均匀噪声以防止模型过拟合，同时运用领域特异性权重构建了血溶严重度、贫血严重度、临床严重度评分等七项复合特征，并剔除了可能产生信息泄露的标签派生列。

使用方法

用户可通过HuggingFace Datasets库以`load_dataset`接口直接加载为Pandas DataFrame。推荐对类别变量进行独热编码，对连续特征进行标准化，并按照8:2的比例依据国家分层划分训练测试集以保持地理代表性。支持随机森林、XGBoost、逻辑回归等分类模型，预期ROC-AUC可达0.78至0.95；亦可拓展至生存分析、多任务学习、因果推断与联邦学习等高级建模范式。

背景与挑战

背景概述

镰状细胞病（SCD）作为全球最常见的遗传性疾病，每年影响超过30万非洲新生儿，其发病率和致死率在撒哈拉以南非洲地区尤为严峻。在此背景下，Electric Sheep Africa于2024年发布了非洲镰状细胞危象预测数据集（africa-sickle-cell-crisis），旨在填补非洲人群特异性危象预测工具的空白。该数据集为合成表格数据，涵盖20个国家、2019至2024年的时间跨度，包含40余项原始与工程特征，完美平衡的5,000例阳性与5,000例对照样本，为预测模型开发提供了基础。其核心研究问题在于利用可获取的临床与医疗基础设施数据，提前识别危象高风险患者，从而降低50%至90%的非洲患儿在确诊前死亡的惨痛现实。该数据集的出现，不仅为非洲镰状细胞病精准医疗提供了首个公开可用的预测资源，也推动了数据驱动型公共卫生决策在该领域的应用。

当前挑战

该数据集所面临的挑战兼具领域问题与构建过程双重维度。在领域问题层面，非洲镰状细胞病预测面临多重严峻壁垒：新生儿筛查仅在加纳、尼日利亚和安哥拉试点开展，羟基脲使用率低于5%，全洲专业镰状细胞病中心不足10个，基因治疗等新兴疗法在非洲缺乏任何可及性数据。这些因素使得基于临床和流行病学数据的预测模型成为唯一可行的替代方案，但同时也要求模型具备跨国家、跨医疗水平的泛化能力。在构建过程中，挑战体现在数据合成方法上：所有记录均为合成数据，尽管基于WHO/UNICEF的疾病负担估计进行国家抽样，并注入均匀噪声以防止过拟合，但简化基因型、仅包含二元危象标签的设置，无法完全反映真实世界的临床异质性与复杂性。此外，如何确保合成分布与目标国家的真实监测数据匹配，并避免特征工程中的标签泄漏，亦是构建过程中需要克服的难题。

常用场景

经典使用场景

该数据集专为预测非洲镰状细胞病患者危象事件而构建，是典型的表格二分类任务。研究者可利用其包含的40余项临床与人口学特征——如基因型、血红蛋白水平、既往危象次数、疼痛评分及医疗资源可及性指标——通过随机森林、XGBoost等经典机器学习模型，构建危象风险预测模型。数据集的平衡设计（正负样本各5000例）和基于流行病学权重的国家采样策略，确保了模型在非洲不同地区间的泛化能力，为镰状细胞病危象预测提供了标准化的研究基准。

解决学术问题

该数据集直面非洲镰状细胞病儿童50-90%死于确诊前的严峻现实，填补了缺乏非洲特异性危象预测工具的研究空白。学术界长期受困于患者群体异质性大、临床数据碎片化以及羟脲使用率不足5%的困境。本数据集通过合成高质量临床档案，使研究者能够系统分析基因型、基础设施可达性与治疗依从性等多维因素对危象发生率的交互效应，为探索早期筛查优先级排序、输血需求预测及基因治疗候选人群识别等关键问题提供了数据基础，有力推动了精准血液学在资源有限地区的研究进程。

实际应用

在实际临床部署中，该数据集支撑的工具可嵌入非洲基层医疗机构的决策支持系统。当医护人员输入患者的基本临床参数后，模型可实时输出未来12个月的危象风险等级，辅助指导羟脲用药依从性管理、输血需求预判及专科转诊决策。对于缺乏专科医师的偏远诊所，该预测系统可作为高效分诊工具，优先为高风险儿童提供集中式干预。此外，数据集中涵盖的20个国家变量使卫生政策制定者能够识别跨境治疗差距，优化血液制品储备与新生儿筛查试点布局。

数据集最近研究

最新研究方向

该合成数据集聚焦于镰状细胞病（SCD）危机预测，填补了非洲人群缺乏本土化预测工具的研究空白。结合全球约30万非洲新生儿年发病率及50-90%的儿童早逝风险，研究前沿集中于利用机器学习（如随机森林、XGBoost）构建分类与生存分析模型，评估羟基脲依从性、输血安全及医疗可及性对危机风险的影响。数据集通过工程化特征（如溶血严重度、临床严重度评分）模拟真实临床异质性，支持多任务学习、因果推断及联邦学习等高级范式，旨在推动非洲新生儿筛查、基因治疗公平准入及可解释AI在低资源环境中的临床决策优化，呼应了SCDIA、WHO等国际组织对精准医学与健康公平的迫切需求。