five

Global Burden of Disease Study (GBD)|健康统计数据集|全球疾病负担数据集

收藏
ghdx.healthdata.org2024-10-23 收录
健康统计
全球疾病负担
下载链接:
http://ghdx.healthdata.org/gbd-results-tool
下载链接
链接失效反馈
资源简介:
全球疾病负担研究(GBD)数据集提供了全球范围内疾病、伤害和风险因素的详细统计数据。该数据集包括了各种健康指标,如死亡率、发病率、伤残调整生命年(DALYs)等,涵盖了多个国家和地区。数据集还提供了不同年龄组、性别和时间段的详细分析。
提供机构:
ghdx.healthdata.org
AI搜集汇总
数据集介绍
main_image_url
构建方式
全球疾病负担研究(Global Burden of Disease Study, GBD)数据集的构建基于多源数据的综合分析,包括公共卫生记录、流行病学调查和地理信息系统数据。通过系统化的数据收集和标准化处理,GBD项目整合了来自全球各地的疾病、伤害和风险因素的详细信息。这一过程涉及复杂的统计模型和机器学习算法,以确保数据的准确性和一致性。
特点
GBD数据集以其全面性和多维度分析著称,涵盖了从传染病到慢性病的广泛疾病谱系。该数据集不仅提供了疾病负担的量化指标,如伤残调整生命年(DALYs)和死亡率,还深入分析了不同年龄、性别和地理位置的健康状况差异。此外,GBD数据集还定期更新,确保其时效性和应用价值。
使用方法
GBD数据集广泛应用于公共卫生政策制定、医疗资源分配和全球健康研究。研究人员可以通过访问GBD数据库,获取详细的疾病负担数据,进行深入的统计分析和模型构建。政策制定者则可以利用这些数据,评估不同干预措施的效果,优化公共卫生策略。此外,GBD数据集还支持跨学科研究,促进全球健康领域的知识共享和合作。
背景与挑战
背景概述
全球疾病负担研究(Global Burden of Disease Study, GBD)是由华盛顿大学健康指标与评估研究所(Institute for Health Metrics and Evaluation, IHME)主导的一项综合性公共卫生研究项目。自1990年首次发布以来,GBD已成为全球健康领域最具影响力的数据集之一。该研究通过系统收集和分析全球范围内的疾病、伤害和风险因素数据,旨在全面评估不同国家和地区的健康状况及其变化趋势。GBD的核心研究问题包括疾病负担的量化、健康不平等的识别以及公共卫生政策的优化。其研究成果广泛应用于全球卫生政策的制定和实施,对提升全球健康水平具有重要意义。
当前挑战
尽管GBD在公共卫生领域取得了显著成就,但其构建和应用过程中仍面临诸多挑战。首先,数据收集的广泛性和准确性是GBD面临的主要挑战之一。由于不同国家和地区的数据收集能力和质量存在差异,确保数据的全球一致性和可靠性极具挑战性。其次,GBD需要处理大量复杂且多维度的健康数据,如何有效整合和分析这些数据以得出准确的健康负担评估,是另一个重要挑战。此外,GBD的研究结果需要不断更新以反映全球健康状况的动态变化,这要求研究团队具备持续的数据更新和分析能力。最后,GBD的研究成果在实际政策应用中的有效性和可操作性,也是其面临的重要挑战之一。
发展历史
创建时间与更新
Global Burden of Disease Study (GBD) 数据集首次创建于1990年,由华盛顿大学健康指标与评估研究所(IHME)主导。该数据集自创建以来,每五年进行一次大规模更新,最近一次更新是在2019年,涵盖了全球204个国家和地区的健康数据。
重要里程碑
GBD数据集的重要里程碑包括其在2010年的更新,首次引入了伤残调整生命年(DALYs)的概念,这一指标综合考虑了疾病导致的死亡和残疾,极大地提升了健康评估的全面性。2016年的更新则进一步细化了疾病分类,增加了对非传染性疾病和伤害的关注,标志着GBD在公共卫生领域的应用更加广泛和深入。
当前发展情况
当前,GBD数据集已成为全球公共卫生研究和政策制定的重要参考。其数据不仅用于评估各国健康状况和疾病负担,还为全球卫生资源的分配提供了科学依据。GBD的持续更新和扩展,使其在应对新兴疾病、评估卫生干预措施效果等方面展现出巨大潜力,对推动全球健康公平和可持续发展具有深远意义。
发展历程
  • 全球疾病负担研究(Global Burden of Disease Study, GBD)首次发表,由哈佛大学公共卫生学院的Christopher Murray教授和Alan Lopez教授领导,旨在量化全球疾病、伤害和危险因素的负担。
    1990年
  • GBD 1996年更新版发布,进一步细化了疾病分类和负担评估方法,首次引入了伤残调整生命年(DALYs)作为衡量健康损失的综合指标。
    1996年
  • GBD 2000年更新版发布,扩展了研究范围,涵盖了更多的国家和地区,并增加了对非传染性疾病和伤害的详细分析。
    2000年
  • GBD 2010年更新版发布,由华盛顿大学健康指标与评估研究所(IHME)主导,采用了更先进的数据收集和分析方法,提供了更精确的全球健康负担估计。
    2010年
  • GBD 2013年更新版发布,进一步改进了数据模型和方法,首次提供了按年龄、性别和地区细分的全球健康负担数据,并强调了非传染性疾病和伤害的日益重要性。
    2013年
  • GBD 2016年更新版发布,继续深化对全球健康负担的分析,增加了对新兴健康问题的关注,如抗生素耐药性和空气污染对健康的影响。
    2016年
  • GBD 2019年更新版发布,提供了最新的全球健康负担数据,强调了全球健康不平等的持续存在,并提出了应对策略和政策建议。
    2019年
常用场景
经典使用场景
在全球健康研究领域,Global Burden of Disease Study (GBD) 数据集被广泛用于评估和比较不同国家和地区的疾病负担。通过整合全球范围内的流行病学数据,GBD 提供了一个全面的健康指标框架,包括死亡率、发病率和残疾调整生命年(DALYs)。这些指标帮助研究人员和政策制定者识别健康问题的优先级,优化资源分配,并制定有效的公共卫生策略。
解决学术问题
GBD 数据集解决了全球健康研究中的多个关键学术问题。首先,它提供了跨时间和空间的疾病负担比较,揭示了不同地区和人群的健康差异。其次,GBD 通过量化非致命性健康结果,如残疾和失能,填补了传统健康统计的空白。此外,GBD 还促进了多因素健康风险评估,帮助理解环境、行为和遗传因素对健康的影响。这些研究成果为全球健康政策的制定提供了科学依据。
衍生相关工作
GBD 数据集的发布催生了大量相关的经典研究工作。例如,研究人员利用 GBD 数据进行了关于全球疾病负担趋势的长期分析,揭示了慢性病和非传染性疾病在全球范围内的上升趋势。此外,GBD 数据还被用于开发和验证健康预测模型,帮助预测未来疾病负担和健康需求。这些研究不仅深化了对全球健康问题的理解,还为公共卫生干预和政策制定提供了有力的支持。
以上内容由AI搜集并总结生成
用户留言
有没有相关的论文或文献参考?
这个数据集是基于什么背景创建的?
数据集的作者是谁?
能帮我联系到这个数据集的作者吗?
这个数据集如何下载?
点击留言
数据主题
具身智能
数据集  4098个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集

中国农村金融统计数据

该数据集包含了中国农村金融的统计信息,涵盖了农村金融机构的数量、贷款余额、存款余额、金融服务覆盖率等关键指标。数据按年度和地区分类,提供了详细的农村金融发展状况。

www.pbc.gov.cn 收录

YOLO Drone Detection Dataset

为了促进无人机检测模型的开发和评估,我们引入了一个新颖且全面的数据集,专门为训练和测试无人机检测算法而设计。该数据集来源于Kaggle上的公开数据集,包含在各种环境和摄像机视角下捕获的多样化的带注释图像。数据集包括无人机实例以及其他常见对象,以实现强大的检测和分类。

github 收录

LIDC-IDRI

LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。

OpenDataLab 收录

中国区域地面气象要素驱动数据集 v2.0(1951-2020)

中国区域地面气象要素驱动数据集(China Meteorological Forcing Data,以下简称 CMFD)是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素,时间分辨率为 3 小时,水平空间分辨率为 0.1°,时间长度为 70 年(1951~2020 年),覆盖了 70°E~140°E,15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据,并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品,其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展,其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本,而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集,但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外,在制作 CMFD 2.0 的过程中,研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息,显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时,CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年,并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同,但其有效数据扩展到了中国之外,能够更好地支持跨境区域研究。为方便用户使用,CMFD 2.0 还在基础变量集之外提供了若干衍生变量,包括近地面相对湿度、雨雪分离降水产品等。此外,CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术,转而直接将实型数据压缩存储于 NetCDF4 格式文件中,从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7,但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变,故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致,仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新,以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中,计划于 2025 年上半年发布,从而使 CMFD 2.0 延伸至 2024 年底。

国家青藏高原科学数据中心 收录

中国高分辨率高质量PM2.5数据集(2000-2023)

ChinaHighPM2.5数据集是中国高分辨率高质量近地表空气污染物数据集(ChinaHighAirPollutants, CHAP)中PM2.5数据集。该数据集利用人工智能技术,使用模式资料填补了卫星MODIS MAIAC AOD产品的空间缺失值,结合地基观测、大气再分析和排放清单等大数据生产得到2000年至今全国无缝隙地面PM2.5数据。数据十折交叉验证决定系数R2为0.92,均方根误差RMSE为10.76 µg/m3。主要范围为整个中国地区,空间分辨率为1 km,时间分辨率为日、月、年,单位为µg/m3。注意:该数据集持续更新,如需要更多数据,请发邮件联系作者(weijing_rs@163.com; weijing@umd.edu)。 数据文件中包含NC转GeoTiff的四种代码(Python、Matlab、IDL和R语言)nc2geotiff codes。

国家青藏高原科学数据中心 收录