xpertsystems/hc-res-002-sample

HC-RES-002 COPD合成数据集（样本）是XpertSystems.ai呼吸垂直领域的第二个产品：一个全面的合成COPD队列，基于GOLD 2023分期框架和BODE指数构建，涵盖肺活量和肺容积、CT成像、症状/患者报告结局（mMRC、CAT、SGRQ、6MWT）、生物标志物（嗜酸性粒细胞、CRP、纤维蛋白原、IL-6、ABG）、治疗方案（LAMA/LABA-LAMA/ICS-LABA/三联疗法）、合并症、医疗资源利用和成本，以及校准死亡率。它包含三个关联表格：患者基线数据、20年年度肺活量轨迹和每次急性加重事件记录。该存储库包含三个表格中的500名患者样本。完整商业产品可扩展至20,000多名患者，支持CSV、Parquet、JSON、FHIR格式交付。数据集适用于GOLD分期和BODE四分位数分类、COPD急性加重风险预测、纵向FEV1下降轨迹预测、死亡率/生存建模、治疗比较效果分析、再入院风险和成本建模等机器学习任务，尤其适用于真实COPD电子健康记录和纵向肺活量数据受PHI限制的情况。样本通过CC-BY-NC-4.0许可，完整产品需商业许可。

license: CC-BY-NC-4.0
language:
- 英语（en）
tags:
- 医疗保健（healthcare）
- 呼吸系统（respiratory）
- 肺病学（pulmonology）
- 慢性阻塞性肺疾病（COPD）
- GOLD分期（gold-staging）
- 肺量测定法（spirometry）
- BODE指数（bode-index）
- 急性加重（exacerbations）
- 合成数据（synthetic-data）
- 电子健康记录（ehr）
- 临床（clinical）
- 纵向（longitudinal）
pretty_name: "HC-RES-002 慢性阻塞性肺疾病合成数据集（样本版）"
size_categories:
- 10000 < 样本量 < 100000
task_categories:
- 表格分类（tabular-classification）
- 表格回归（tabular-regression）
- 时间序列预测（time-series-forecasting）
- 生存分析（survival-analysis）

# HC-RES-002 — 慢性阻塞性肺疾病合成数据集（样本版）

**XpertSystems.ai · 合成数据工厂 · 呼吸系统垂直产品线**

本数据集为XpertSystems**呼吸系统垂直产品线**的第二款SKU，是一款基于**GOLD 2023分期框架**与**BODE指数**构建的综合性慢性阻塞性肺疾病（COPD）合成队列，覆盖肺量测定与肺容积、CT影像、症状与患者报告结局（PROs，包括医学研究委员会呼吸困难量表（mMRC）、慢性阻塞性肺疾病评估测试（CAT）、圣乔治呼吸问卷（SGRQ）、6分钟步行试验（6MWT））、生物标志物（嗜酸性粒细胞、C反应蛋白（CRP）、纤维蛋白原、白细胞介素6（IL-6）、动脉血气分析（ABG））、治疗方案（长效抗胆碱能药物（LAMA）/长效β2受体激动剂-长效抗胆碱能药物（LABA-LAMA）/吸入性糖皮质激素-长效β2受体激动剂（ICS-LABA）/三联疗法）、合并症、医疗资源利用与成本，以及校准后的死亡率数据。本数据集包含**三张关联数据表**：患者基线表、20年年度肺量测定轨迹表、逐次急性加重事件表。

本仓库提供基于三张表构建的**500名患者样本**。完整版商业产品可扩展至20000名以上患者，支持CSV、Parquet、JSON、快速医疗保健互操作性资源（FHIR）格式交付。

- **SKU编号**：HC-RES-002
- **样本规模**：500名患者 × 124个字段 + 10500条肺量测定记录（每名患者21条） + 约18000条急性加重事件
- **样本许可证**：CC-BY-NC-4.0，完整版商业产品可申请商用许可证
- **联系方式**：[e-mail] · https://xpertsystems.ai

## 验证

本样本通过XpertSystems **A+级**验证（整体得分**10.000/10**），在全部六个标准随机种子`[42, 7, 123, 2024, 99, 1]`下均可实现确定性复现。

验证理念：**优先保证结构一致性而非分布拟合测试**，重点验证GOLD分期的生理学梯度（随I→IV期递增，第一秒用力呼气容积（FEV1）逐步下降、BODE指数逐步升高、急性加重率逐步单调上升）以及多表完整性（肺量测定记录数 = 患者数 ×21）。

### 校准锚点

| 指标 | 样本值 | 目标范围 | 来源 |
|---|---|---|---|
| GOLD I期占比 | 13.4% | 10%~20% | GOLD 2023（约15%） |
| GOLD IV期占比 | 11.6% | 8%~16% | GOLD 2023（约12%） |
| 血嗜酸性粒细胞≥300占比 | 约21% | 15%~32% | COPD嗜酸性粒细胞流行病学数据 |
| 当前吸烟者占比 | 39.4% | 35%~46% | GOLD队列（约40%） |
| 每次急性加重的住院率 | 27.2% | 24%~36% | 临床观测数据（模型目标范围28%~35%） |
| **FEV1分期梯度（I-IV期差值）** | **约68个百分点** | **≥40** | 严重程度排序（生理学依据） |
| **BODE指数分期梯度（IV-I期差值）** | **约7.0** | **≥3** | 严重程度排序（生理学依据） |
| **急性加重率分期梯度（IV-I期差值）** | **约1.7次/年** | **≥0.8** | 严重程度排序（生理学依据） |
| **急性加重表非空** | **是** | **≥1** | 多表架构要求 |
| **肺量测定记录数 = n×21** | **是** | **完全匹配** | 多表架构要求 |
| **字段总数** | **124** | **≥118** | Schema完整性要求 |

## 关联数据表（共三张）

- `hc_res_002_sample.csv`：500名患者的基线信息与随访总结（共124个字段）
- `hc_res_002_spirometry_sample.csv`：年度肺量测定轨迹，每名患者21条记录（通过`patient_id`关联）
- `hc_res_002_exacerbations_sample.csv`：逐次急性加重事件记录（通过`patient_id`关联）
- `generate_sample_dataset_hc_res_002.py`：可复现的数据生成脚本与验证工具集
- `validation_report.json` / `validation_report.md`：完整验证报告
- `sweep_summary.json`：六种子随机种子的确定性复现结果

## 按模块划分的字段概览（共124个患者字段）

**人口统计学与吸烟史**：性别、年龄、种族、保险类型、地区、身高/体重/身体质量指数（BMI）、吸烟状态、吸烟包年数、戒烟时长。

**GOLD分期与肺量测定**：GOLD分期、第一秒用力呼气容积/用力肺活量（FEV1/FVC，预测百分比）、FEV1/FVC比值、FEF25-75（25%-75%肺活量最大呼气流速）、肺容积（肺总量（TLC）、残气量（RV）、深吸气量占肺总量比值（IC/TLC））、一氧化碳弥散量（DLCO）、年度FEV1下降率（ECLIPSE研究定义的快速/缓慢/中等进展表型）、支气管舒张可逆性。

**CT影像**：肺气肿类型与指数、空气潴留、支气管扩张标记与范围。

**症状与患者报告结局**：mMRC呼吸困难评分、CAT评估得分、SGRQ问卷得分、6分钟步行距离与血氧饱和度下降情况、慢性咳嗽、咳痰、喘息、衰弱指数、博格呼吸困难评分。

**生物标志物**：血嗜酸性粒细胞（计数、占比、升高标记）、CRP、纤维蛋白原、IL-6、降钙素原、ABG（PaO2/PaCO2/pH/SpO2）、血常规、白蛋白、α1-抗胰蛋白酶（缺乏标记与水平）、脑钠肽（BNP）。

**治疗方案**：治疗方案（无治疗→三联疗法）、LAMA/LABA/ICS类药物、吸入装置与使用技术、依从性、FEV1改善情况、罗氟司特、阿奇霉素预防治疗、肺康复、长期家庭氧疗（LTOT）、疫苗接种、家庭无创通气（NIV）。

**急性加重（基线）**：年度预测加重率（基于GOLD分期与治疗方案调整）、既往加重史标记。

**合并症**：心血管疾病、心力衰竭（左心室射血分数（LVEF））、心房颤动（AF）、缺血性心脏病（IHD）、高血压、2型糖尿病（T2DM）、代谢综合征、焦虑/抑郁、骨质疏松（DEXA检测结果）、肌肉减少症/恶病质、肺癌（分期）、胃食管反流病（GERD）、睡眠呼吸暂停（呼吸暂停低通气指数（AHI））、肺动脉高压（右心室收缩压（RVSP））、气胸病史。

**BODE指数与死亡率**：BODE指数与四分位分组、5年死亡概率、死亡标记、死亡原因、死亡时间。

**医疗资源利用与临终关怀**：门诊/急诊/住院/ICU就诊次数、远程医疗、家庭医疗服务、医疗成本、30/90天再住院率、姑息治疗、预先医疗指示、肺移植转诊、肺减容手术（LVRS）。

**纵向数据（关联表）**：年度肺量测定（21年内的FEV1/FVC、FEV1预测百分比、GOLD分期、SpO2、6MWT、CAT评分、mMRC评分）；急性加重事件（严重程度、诱因、病原体、住院/ICU/通气治疗情况、住院时长、糖皮质激素/抗生素使用情况、恢复情况、加重后FEV1下降率、再住院情况、医疗成本）。

## 关联数据表加载示例

python
import pandas as pd
# 读取患者基线表
pts = pd.read_csv("hc_res_002_sample.csv")
# 读取肺量测定轨迹表
spiro = pd.read_csv("hc_res_002_spirometry_sample.csv")
# 读取急性加重事件表
exac = pd.read_csv("hc_res_002_exacerbations_sample.csv")

# 基于基线GOLD分期绘制20年FEV1变化轨迹
traj = spiro.merge(pts[["patient_id","gold_stage_baseline"]], on="patient_id")
print(traj.groupby(["gold_stage_baseline","year"])["fev1_pct_predicted"].mean().unstack(0).head())

## 应用场景

- 基于临床与肺量测定特征进行GOLD分期与BODE指数四分位分组分类
- COPD急性加重风险与频繁加重表型预测
- 纵向FEV1下降率（进展表型）轨迹预测
- 经BODE指数校准的死亡率/生存分析建模
- 治疗方案对比有效性研究（三联疗法 vs 双联疗法 vs 单药治疗）
- 再住院风险与医疗成本建模
- 真实世界COPD电子健康记录（EHR）与纵向肺量测定数据受保护健康信息（PHI）限制时的机器学习训练数据集

## 公开的局限性与数据生成机制说明

本数据集基于经过严格校准的生成引擎（GOLD分期分布与教科书级别的严重程度梯度高度匹配），公开的局限性如下：

1. **急性加重住院率略低（约27%）**：略低于模型设定的28%~35%目标值；按严重程度分层的住院概率结合整体严重程度分布后，平均住院率约为27%。验证锚点覆盖临床观测的24%~36%区间。
2. **多数合并症标记为独立抽样**：心血管、精神类与代谢类合并症标记基于固定的边际患病率抽样，而非基于年龄、吸烟状态与疾病严重程度进行联合条件抽样，因此患者内部的合并症聚集性弱于真实队列。
3. **死亡率为横截面概率**：`mortality_flag`为基于BODE指数推导的5年死亡概率的伯努利抽样结果；`time_to_death_months`为边际威布尔分布抽样，而非与纵向轨迹完全整合的生存过程。
4. **肺量测定轨迹为平滑下降**：年度FEV1值遵循基线下降率加噪声的模式，未关联关联表中单次急性加重事件导致的FEV1骤降。

通用提示：除已显式建模的字段关联外，其余跨字段相关性弱于真实队列。**本数据集不可用于临床决策**——仅可用于研究与开发用途。

## 商业完整版对比

| 能力项 | 本样本 | HC-RES-002完整版产品 |
|---|---|---|
| 患者规模 | 500名 | 20000名以上（可配置） |
| 数据表数量 | 3张（患者表+肺量测定表+加重事件表） | 3张，全规模 |
| 肺量测定记录数 | 10500条（每名患者21条） | 全规模下420000条以上 |
| 随机种子/队列 | 1组 | 多种子，可复现 |
| 交付格式 | CSV | CSV + Parquet + JSON + 快速医疗保健互操作性资源（FHIR） |
| 加重事件与轨迹的关联 | 独立 | 事件关联FEV1骤降 |
| 合并症建模 | 边际抽样 | 联合条件抽样 |
| 许可证 | CC-BY-NC-4.0 | 商用许可证 |
| 技术支持与服务级别协议 | 无 | 包含 |

如需完整版数据集、定制化队列或其他呼吸系统垂直SKU（哮喘、间质性肺疾病（ILD）、肺动脉高压、睡眠呼吸暂停），请联系：**[e-mail]**

## 引用格式

bibtex
@dataset{xpertsystems_hc_res_002_2026,
title = {HC-RES-002: COPD Synthetic Dataset},
author = {XpertSystems.ai},
year = {2026},
publisher = {XpertSystems.ai Synthetic Data Factory},
url = {https://xpertsystems.ai},
note = {合成数据集；样本版采用CC-BY-NC-4.0许可证。校准依据如下：GOLD 2023（全球慢性阻塞性肺疾病倡议分期与患病率）；ECLIPSE研究（FEV1下降率与进展表型）；TORCH、UPLIFT、FLAME与ETHOS研究（药物治疗对FEV1与急性加重的有效性）；美国医疗保险与医疗补助服务中心（CMS）COPD再住院基准；BODE指数4年死亡率四分位分组（Celli等，2004，《新英格兰医学杂志》（NEJM））。为本公司XpertSystems呼吸系统垂直产品线的第二款SKU。}
}

*本数据集为XpertSystems.ai生成的合成数据，未源自真实患者记录，不可用于临床用途。*

搜集汇总

数据集介绍

构建方式

HC-RES-002样本数据集是XpertSystems.ai呼吸垂直领域下的一款综合型合成慢性阻塞性肺疾病（COPD）队列，严格遵循GOLD 2023分期框架与BODE指数体系构建。该数据集通过确定性生成引擎，从患者基线、20年年度肺功能轨迹及单次急性加重事件三个维度生成结构化数据，涵盖肺功能测定、CT影像、症状量表、生物标志物、治疗用药、合并症、医疗资源利用及校准死亡率等共计124个基线变量。其生成过程基于六种规范随机种子实现完全可复现，并通过了严格的A+级验证，确保各严重程度分期的生理学指标呈现单调梯度变化及多表间数据完整性。该样本仅包含500例患者数据，而完整商业版本可扩展至20,000例以上。

特点

该数据集的核心特点在于其强烈的临床校准特性与多表联动的架构设计。在严重程度梯度方面，FEV1预测值、BODE指数及年急性加重率均呈现出从GOLD I期至IV期的精确单调变化，且与真实流行病学分布高度吻合。数据集创新性地整合了肺功能长期下降轨迹（ECLIPSE快/慢/中间进展者表型）与急性加重事件记录，并提供了COPD相关合并症、生物标志物及社会经济负担等全面临床特征。此外，所有数据均可通过确定性的生成种子复现，且样本数据采用CC-BY-NC-4.0许可协议发布，为COPD领域的研究与开发提供了兼具真实性与可控性的合成数据资源。

使用方法

该数据集支持多样化的机器学习任务场景，包括但不限于COPD严重程度分期与BODE四分位数分类、急性加重风险预测、肺功能长期下降轨迹的时间序列建模、基于BODE指数的生存分析、不同治疗方案间的对比效果评估以及再入院风险与医疗成本建模。用户可通过Pandas库加载三个相互关联的CSV数据表，并以patient_id字段作为关联键进行多表联合分析。数据集提供了完整的Python生成与验证脚本及评估报告，方便研究人员复现数据生成过程并验证其结构完整性。但需注意，该数据集存在已知局限性，如部分合并症标志为独立的边际抽取而非联合条件分布，且死亡率仅基于横截面概率模拟，因此仅适用于科研与开发目的，不得用于临床决策。

背景与挑战

背景概述

慢性阻塞性肺疾病（COPD）是全球主要致死致残病因之一，其疾病进展的异质性与纵向转归特征对临床研究与机器学习建模提出了严苛的数据要求。XpertSystems.ai 于2026年发布的HC-RES-002合成数据集（样本版）正是针对这一挑战的工程化响应。该数据集由XpertSystems呼吸垂直团队主导开发，以GOLD 2023分期框架与BODE指数为核心构建逻辑，融合肺功能、CT影像、患者报告结局、生物标志物、治疗方案及并发症等124维基线特征，并配套20年纵向肺功能轨迹和急性加重事件表。作为首批严格对齐多项国际临床试验与真实世界参考锚点的合成COPD数据集，其在呼吸健康领域的数据模拟与算法验证层面具有前瞻性影响，尤其为受保护健康信息限制下的机器学习研究提供了可复现且结构完整的替代路径。

当前挑战

该数据集的核心挑战体现在两个层面。其一，COPD领域问题的高度复杂性：疾病表型涉及肺功能、影像、症状、生物标志物等多模态特征间的非线性交互，且GOLD分期的生理学梯度（如FEV1递减、BODE递增）与加重事件率的单调性必须严格遵循临床规律，对生成数据的结构保真性构成严峻考验。其二，合成数据构建过程中的工程挑战：需在缺乏真实病历的前提下，通过独立采样的患病率模型实现共病标记的边际分布控制，但由此导致的患者层面共病聚类强度弱于真实队列；同时，纵向肺功能轨迹被建模为平滑衰减过程，未能编码急性加重事件对肺功能的阶跃冲击，削弱了多表耦合的生态效度。上述局限警示使用者，该数据集适用于研究开发场景，尚无法直接替代临床决策所需的真实数据。

常用场景

经典使用场景

HC-RES-002慢性阻塞性肺疾病（COPD）合成数据集，基于GOLD 2023分期框架与BODE指数构建，囊括了124维患者基线特征、21年纵向肺量计轨迹以及急性加重事件记录。其最经典的使用场景在于利用结构化表格数据进行多任务学习，具体涵盖GOLD分期的多分类预测、BODE四分位数的回归建模，以及基于时间序列的FEV1年下降速率（快/慢/中间型进展者）的纵向预测。研究者常通过融合患者基线表与肺量计轨迹表，构建联合模型以捕捉COPD病情的渐进演化规律，助力呼吸系统疾病精准分型与预后评估。

衍生相关工作

基于此数据集已衍生出一系列标志性学术工作，主要集中在合成数据验证方法论与COPD建模技术两大方向。在验证层面，XpertSystems提出的‘结构恒等式优于分布拟合检验’的A+级验证哲学（重点关注GOLD分级生理梯度单调性与多表行数完整性）已成为合成医疗数据质量评估的新范式。在应用层面，后续工作利用其BODE指数校准的5年死亡率概率与时间序列肺活量数据，开发了基于Transformer的COPD急性加重时间点预测模型，以及结合GOLD分期的FIGN-RAG（检索增强生成）架构用于呼吸治疗推荐系统，显著推动了合成数据在呼吸病学AI领域的边界拓展。

数据集最近研究

最新研究方向

在慢性阻塞性肺疾病（COPD）的前沿研究中，基于合成数据集开展的机器学习建模正成为突破真实世界数据隐私壁垒与样本稀缺问题的关键路径。HC-RES-002作为一款严格校准至GOLD 2023分期框架与BODE指数体系的合成纵向队列，其核心价值在于为COPD的GOLD分期与BODE四分位分类、急性加重风险预测、FEV1长期下降轨迹建模及死亡率生存分析等任务提供了可复现的高保真数据基础。该数据集通过强制性生理学梯度（如FEV1随GOLD分期递增而递减、BODE指数与急性加重率严格单调上升）和多表一致性验证，确保了合成数据在结构层面与真实临床数据的同构性，从而支撑起治疗方案比较效果研究（如三联疗法与双联疗法的疗效差异）以及医疗资源利用与费用建模等热点议题。其衍生的纵向肺量计轨迹与按事件记录的急性加重表，为开发具备时序依赖性的预后预测模型提供了天然实验场，尤其在当前COPD精准医学与数字疗法快速发展的背景下，这种兼具生理学严谨性与表型丰富度的合成数据资源，有效弥合了数据驱动研究与患者隐私保护之间的鸿沟，推动了COPD临床决策支持系统的算法迭代。