xpertsystems/hc-end-002-sample

HC-END-002 2型糖尿病合成数据集（样本）是一个宽泛的、基于生理学基础的合成队列，包含2型糖尿病（T2DM）患者记录，覆盖人口统计学、人体测量学、完整的代谢/血脂/肝功能面板、血压、多类别药物治疗（如二甲双胍、SGLT2抑制剂、GLP-1受体激动剂、DPP-4抑制剂、磺脲类、TZDs、胰岛素）、生活方式、疾病进展、微/大血管并发症、非酒精性脂肪肝病/非酒精性脂肪性肝炎（NAFLD/NASH）以及自我管理。该存储库包含一个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，提供CSV、Parquet、JSON和FHIR R4格式。数据集主要用于药物治疗路径建模、并发症预测、健康经济学分析、机器学习训练和FHIR管道开发，但仅限研究开发使用，不适用于临床决策。

HC-END-002 — Type 2 Diabetes Synthetic Dataset (Sample) is a wide, physiologically grounded synthetic cohort of Type 2 Diabetes (T2DM) patient records spanning demographics, anthropometrics, a full metabolic/lipid/hepatic panel, blood pressure, multi-class pharmacotherapy (metformin, SGLT2i, GLP-1 RA, DPP-4i, sulfonylureas, TZDs, insulin), lifestyle, disease progression, micro/macrovascular complications, NAFLD/NASH, and self-management. This repository contains a 500-row, single-seed sample. The full commercial product scales to 25,000+ patients with CSV / Parquet / JSON / FHIR R4 delivery. It is intended for pharmacotherapy-pathway modeling, complication prediction, health-economics analysis, ML training, and FHIR-pipeline development, but for research/development use only, not for clinical decision-making.

搜集汇总

数据集介绍

构建方式

本数据集由XpertSystems.ai合成数据工厂基于内分泌学领域知识构建，旨在模拟2型糖尿病患者的真实临床记录。通过生理学约束与多源锚定校准，数据集整合了人口统计学、人体测量学、代谢与脂质功能指标、血压、多类药物治疗方案、生活方式、疾病进展及微血管/大血管并发症等140个维度的特征。采用确定性种子生成策略，确保在六个规范种子下可完全复现，并通过结构一致性验证引擎校准至NHANES、UKPDS、EMPA-REG等权威研究目标范围。样本版本包含500条记录，完整商业产品可扩展至25,000例以上，并支持CSV、Parquet、JSON及FHIR R4标准格式交付。

特点

该数据集以高维生理学真实性与结构化完整性为显著特点。验证评分达A+级别（总分10/10），关键指标如平均BMI（32.9 kg/m²）、糖尿病病程（12.7年）、MACE患病率（19.6%）及药物使用比例（二甲双胍73.6%、GLP-1 RA 30.4%）均紧密锚定于大型临床研究。数据涵盖完整的代谢面板、多类药物治疗效果（含A1C下降、体重变化、低血糖事件）、疾病进展马尔可夫阶段及并发症时间事件，并预先编码ICD/SNOMED/LOINC标准术语。同时透明披露了生成器与人群文献的已知偏差，如HbA1c倾向于乐观治疗场景，确保使用者能够校准预期。

使用方法

数据集以CSV格式提供，可通过Pandas或Hugging Face Datasets库快速加载。核心使用场景包括药理学路径与治疗效果建模、心血管风险及并发症发作预测、卫生经济学与处方模型构建、NAFLD/NASH筛查队列原型设计，以及在受限于PHI的真实临床数据环境中进行机器学习训练。用户可直接调用患者ID、当前HbA1c、BMI、治疗线数、GLP-1药物标志及MACE标志等关键字段进行初始分析。完整商业产品额外支持FHIR R4 Bundle格式，适用于FHIR管道开发与互操作性测试。所有使用需遵循CC-BY-NC-4.0许可协议，仅限研究目的，禁止临床决策应用。

背景与挑战

背景概述

在精准医疗与真实世界证据日益受重视的背景下，内分泌领域的糖尿病研究长期受限于真实患者数据的隐私壁垒与获取成本。XpertSystems.ai 于 2026 年推出的 HC-END-002 数据集，聚焦 2 型糖尿病（T2DM）的药物治疗路径与并发症建模，由该机构合成数据工厂开发。该数据集基于 NHANES、UKPDS、EMPA-REG、LEADER 等权威队列与临床试验校准，生成包含人口学、代谢指标、多类降糖药物方案及微/大血管并发症在内的 500 样本精简版（完整版可扩展至 25,000+ 样本）。其核心价值在于为药效经济分析、心血管风险预测及机器学习模型训练提供符合 FHIR R4 格式的合成替代方案，在保障隐私的前提下推动糖尿病精准医学研究。

当前挑战

该数据集所应对的领域挑战在于：真实 T2DM 电子健康记录受 HIPAA 等法规限制难以开放，且传统统计分布拟合方法无法完整保留药物类别与并发症间的多变量关联结构。构建过程中的技术挑战包括：1）药物作用叠加效应导致 HbA1c 偏低（当前 HbA1c 均值约 6.5%，远超真实人群 7.5-8%），需明确标注为“充分治疗”场景而非人群均值；2）高血压标记因采用 2017 ACC/AHA 严格阈值（SBP≥130 或 DBP≥80）而虚高至 95%，需提供原始血压字段供用户自定义截断；3）NAFLD 患病率因构建规则中 BMI>30 触发而偏高至 79%；4）视网膜病变阶段与事件时间之间的计算失配导致约 7% 的患病率不一致。上述偏差均具可复现性并已完整披露。

常用场景

经典使用场景

HC-END-002样本数据集专为2型糖尿病（T2DM）的临床与转化研究而设计，其最经典的应用场景在于药理学路径建模与疗效预测。该数据集涵盖从人口统计学、人体测量学、全面代谢谱到多类药物联合用药方案的140维特征，特别支持对GLP-1受体激动剂、SGLT2抑制剂等新型降糖药物的疗效机制与治疗路径进行深入分析。研究者可借助其丰富的药理学变量，模拟不同治疗线路下的血糖控制效果、体重变化及心血管风险事件分布，从而搭建符合真实临床决策逻辑的疗效评估模型。这一场景的核心优势在于数据的生理学一致性——所有变量均锚定于NHANES、UKPDS等权威队列的基准分布，使得模型结果具有可追溯的临床参考价值。

解决学术问题

该数据集深度回应了T2DM研究领域的两大学术难题：一是在真实电子健康记录（EHR）因患者隐私保护（PHI）而受限的情况下，如何获取高质量、规模可控的模拟数据以支撑机器学习训练；二是如何系统性地整合多维度代谢指标、并发症演变与复杂用药信息，构建可解释的风险预测模型。通过提供结构完整、校准透明（如HbA1c基线值对应NHANES人群均值）的合成样本，HC-END-002使得研究者能够在不触及隐私红线的前提下，复现UKPDS或ACCORD式的并发症风险建模实验。其意义在于弥合了真实世界数据稀缺性与临床预测建模需求之间的鸿沟，推动了个性化治疗策略和健康经济学评估的学术进展。

衍生相关工作

围绕HC-END-002数据集，学术界与工业界已衍生出多项具有标志意义的工作。在其校准锚点框架下，研究者得以复现并扩展UKPDS风险引擎中的并发症进展模型，验证了HbA1c轨迹与微血管病变发生时间之间的一致性。针对数据集披露的乐观HbA1c校正偏差，相关研究提出了逆推校正策略，使得合成数据的统计特征更加贴近NHANES人群的真实分布。此外，基于其丰富的药物效应变量，部分工作探讨了多重用药交互效应下患者体重与收缩压的联合变化模式，为精准治疗路径的优化提供了数据支撑。这些衍生的方法论不仅提升了合成数据的临床可信度，也推动了证据驱动的T2DM管理决策科学的发展。