electricsheepafrica/africa-maternal-mortality-risk

这是一个合成的表格数据集，用于预测非洲医疗环境中的孕产妇死亡风险。数据集捕捉了基于三次延误模型构建的完整产科旅程，该模型解释了几乎所有可预防的孕产妇死亡。数据集包含10,000行数据，完美平衡了高风险（标签=1）和低风险（标签=0）案例，各5,000例，覆盖20个非洲国家，时间跨度为2019年至2024年。特征包括40多个原始和工程化列，如国家、孕产妇年龄、妊娠次数、分娩方式、产前护理质量、并发症等，并引入了工程化特征如三次延误评分、产前护理质量评分等。数据集旨在支持高风险妊娠预测、近失误识别、医疗资源优化等应用，并考虑了非洲医疗背景下的挑战，如血液供应不足、文化障碍等。数据为合成生成，无缺失值，适用于机器学习模型训练和评估。

---
标签：
- 合成（synthetic）
- 合成数据（synthetic-data）
- 表格分类（tabular-classification）
- 孕产妇健康（maternal-health）
- 孕产妇死亡（maternal-mortality）
- 非洲（africa）
- 医疗保健（healthcare）
- 产科学（obstetrics）
任务类别：
- 表格分类（tabular-classification）
- 其他
任务类型：
- 表格多分类（tabular-multi-class-classification）
语言：[]
数据集名称：孕产妇死亡风险数据集（Maternal Mortality Risk Dataset）
样本量范围：10000 < 样本数 < 100000
---

# 孕产妇死亡风险数据集

## 数据集描述
本数据集为合成表格数据集，用于预测非洲医疗环境下的孕产妇死亡风险。其围绕**三延误模型（Three Delays Model）**构建，完整覆盖了可解释几乎所有可避免孕产妇死亡的产科全流程。

## 数据集统计信息
| 属性 | 数值 |
|----------|-------|
| 总样本数 | 10,000 |
| 阳性样本（标签=1） | 5,000 |
| 阴性对照样本（标签=0） | 5,000 |
| 覆盖国家数 | 20 |
| 时间覆盖范围 | 2019–2024 |
| 特征数（原始+工程化） | 40+ |
| 缺失值占比 | 0%（完整合成数据集） |
| 数据类型 | 表格CSV文件 |
| 随机种子 | 42 |

## 类别平衡与分布
本数据集采用完美平衡的50/50样本分布，以避免下游模型出现类别不平衡偏差。国家采样遵循反映非洲人口与疾病负担分布的流行病学权重。所有类别编码均保留为字符串标签，以提升可解释性。

## 研究缺口
撒哈拉以南非洲的孕产妇死亡率是高收入国家（High-Income Countries, HICs）的130倍。目前尚无数据集能够同时覆盖三延误模型相关特征，产前检查（Antenatal Care, ANC）质量未被记录，接近死亡病例未被追踪，社会决定因素缺失，血液供应情况也未被纳入采集范围。

## 非洲医疗保健背景
- 高负担国家的孕产妇终身患病风险为1/37
- 三延误模型可解释绝大多数可避免的死亡案例
- 仅有不到40%的医疗机构拥有可靠的血液供应
- 就医存在文化障碍
- 非医师临床人员可开展急诊手术

## 信息来源
| 来源 | 链接 |
|--------|-----|
| 世界卫生组织孕产妇死亡项目 | https://www.who.int/health-topics/maternal-health |
| 联合国儿童基金会孕产妇健康项目 | https://data.unicef.org/topic/maternal-health/ |
| 全球挑战母婴健康项目 | https://gcgh.grandchallenges.org/ |
| 联合国人口基金非洲办事处 | https://africa.unfpa.org/ |
| AMREF | https://amref.org/ |

## 字段说明
| 字段名 | 类型 | 描述 |
|--------|------|-------------|
| country | 字符串 | 国家 |
| maternal_age | 整数 | 产妇年龄 |
| gravida | 整数 | 妊娠次数 |
| parity | 整数 | 活产次数 |
| gestational_age_weeks | 整数 | 分娩时孕周 |
| multiple_pregnancy | 整数 | 多胎妊娠标记 |
| previous_csection | 整数 | 既往剖宫产史 |
| facility_type | 字符串 | 医疗机构等级 |
| birth_attendant | 字符串 | 接生人员 |
| delivery_mode | 字符串 | 分娩方式 |
| anc_visits | 字符串 | 产前检查次数 |
| anc_timing_first | 整数 | 首次产前检查孕周 |
| iron_folate | 整数 | 叶酸铁剂补充情况 |
| malaria_prophylaxis | 整数 | 间歇性疟疾预防治疗（IPTp） |
| tt_vaccination | 整数 | 破伤风疫苗接种情况 |
| preeclampsia_status | 字符串 | 子痫前期状态 |
| anaemia_status | 字符串 | 贫血状态 |
| hiv_status | 字符串 | 人类免疫缺陷病毒（HIV）感染状态 |
| malaria_during_pregnancy | 整数 | 孕期疟疾标记 |
| obstructed_labour | 整数 | 梗阻性分娩标记 |
| pp_haemorrhage_ml | 整数 | 产后失血量（毫升） |
| complications | 字符串 | 并发症情况 |
| transport_to_facility | 字符串 | 就医交通方式 |
| referral_status | 字符串 | 转诊状态 |
| decision_maker | 字符串 | 决策制定者 |
| distance_facility_km | 整数 | 医疗机构距离（公里） |
| blood_availability | 整数 | 血液供应标记 |
| blood_transfusion_given | 整数 | 输血情况 |
| delay_1_decision_hours | 整数 | 决策延误时长（小时） |
| delay_2_transport_hours | 整数 | 转运延误时长（小时） |
| delay_3_care_hours | 整数 | 医疗延误时长（小时） |
| csection_decision_time_min | 整数 | 剖宫产决策时长（分钟） |
| maternal_outcome | 字符串 | 产妇结局 |
| label | 整数 | 1 = 高风险，0 = 低风险 |

## 工程化特征
| 特征名 | 描述 |
|---------|-------------|
| three_delays_score | 决策+转运+医疗延误综合评分 |
| anc_quality_score | 产前检查次数+预防用药+疫苗接种综合评分 |
| complication_severity | 并发症+子痫前期综合严重程度 |
| facility_readiness_score | 医疗机构等级+血液供应+输血能力综合评分 |
| maternal_vulnerability | 年龄+多胎妊娠+既往病史+贫血综合易感性 |
| high_risk_maternal | 高风险产妇二元标记 |

## 特征工程方法
复合评分基于文献与临床指南中的领域特定权重构建，所有评分均保留两位小数以确保可复现性。原始特征列保留了各组成部分的贡献值，研究人员可据此重构或修改复合特征。

**高风险标记**为二元指示变量，当多个风险维度同时超过阈值时触发。该设计优先保证敏感性（捕获绝大多数高风险病例）而非绝对特异性，因此适用于分诊与筛查场景。

## 特征重要性说明
基于初步随机森林（Random Forest）分析结果：
- 复合风险评分通常位列前5个最重要的特征之中
- 国家指示变量可提供较强的地理信号
- 时间特征（年份、季节）可捕捉长期趋势
- 基础设施与患者层面变量的交互效应具有显著性
- 务必在留出的测试集上验证特征重要性，以避免数据泄露

## 支持的应用场景
- 高危妊娠预测
- 接近死亡病例识别
- 产前检查质量优化
- 急诊就绪度评估
- 转诊流程优化
- 延误干预方案设计
- 剖宫产决策支持

## 高级建模方法
- **生存分析（Survival analysis）**：针对带事件发生时间的数据集，可使用Cox比例风险模型构建风险轨迹
- **多任务学习（Multi-task learning）**：联合预测标签与中间结局（如并发症类型、严重程度分级）
- **代价敏感学习（Cost-sensitive learning）**：在筛查场景中，将假阴性的权重设置高于假阳性
- **不确定性量化（Uncertainty quantification）**：使用共形预测或贝叶斯方法标记低置信度预测结果，供人工复核
- **因果推断（Causal inference）**：基于医疗机构类型或国家进行倾向得分匹配，以评估干预效果
- **联邦学习（Federated learning）**：无需集中数据即可在模拟的医疗机构节点间训练模型
- **可解释人工智能（Explainable AI, XAI）**：使用SHAP与LIME值帮助临床医生理解模型生成的风险评分

## 使用示例
python
from datasets import load_dataset

dataset = load_dataset("electricsheepafrica/africa-maternal-mortality-risk", split="train")
df = dataset.to_pandas()

python
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, roc_auc_score

df = pd.read_csv("data/processed/maternal_features.csv")
X = df.select_dtypes(include=["int", "float"]).drop(columns=["label"])
y = df["label"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)
print(classification_report(y_test, clf.predict(X_test)))
print("ROC-AUC:", roc_auc_score(y_test, clf.predict_proba(X_test)[:, 1]))

## 数据生成流程
1. 阳性样本基于三延误模型与并发症特征生成
2. 阴性对照样本基于最优护理路径生成
3. 过滤掉存活且无并发症的样本以避免数据泄露
4. 最终平衡为5000例阳性样本与5000例阴性样本
5. 纳入三延误与产妇易感性相关特征
6. 固定随机种子为42

## 预处理建议
1. **独热编码（One-hot encode）**：针对类别型列（国家、医疗机构类型等）
2. **标准化（Standardise）**：对连续特征使用Z-score或MinMax缩放，以适配基于距离的模型
3. **分层拆分**：按国家进行分层拆分，以确保地理代表性
4. **过采样或类别权重**：若需子采样，可使用SMOTE或设置类别权重；本数据集已实现平衡
5. **交叉验证**：使用按国家分组的5折分层交叉验证，以检测针对特定国家的过拟合
6. **特征选择**：工程化复合评分具有较高信息价值，可与原始特征进行对比评估
7. **数据泄露检查**：确保从标签衍生的列（如产妇结局、诊断分期）未被纳入特征集

## 基线性能预期
| 模型 | 预期准确率 | 预期ROC-AUC值 | 说明 |
|-------|------------------|------------------|-------|
| 逻辑回归（Logistic Regression） | 0.72–0.78 | 0.78–0.84 | 具备良好可解释性的基线模型 |
| 随机森林（Random Forest） | 0.82–0.88 | 0.88–0.93 | 可较好处理非线性交互效应 |
| XGBoost / LightGBM | 0.85–0.91 | 0.91–0.95 | 表格数据建模的最优表现 |
| 神经网络（多层感知机, MLP） | 0.80–0.86 | 0.85–0.90 | 需要对特征进行缩放，存在过拟合风险 |
| 线性支持向量机（Linear SVM） | 0.74–0.80 | 0.80–0.85 | 对特征缩放较为敏感 |

上述性能范围均基于80/20分层训练测试拆分，实际结果可能因特征工程与超参数调优有所差异。

## 统计特性
- **阳性样本**从以高风险临床特征为中心的分布中采样，刻意保留了真实世界的异质性重叠
- **阴性对照样本**从低风险特征分布中采样，但保留了现实的方差；约10%的对照样本可能显示轻微的风险指标
- **数据泄露过滤**：移除了临床分类上应属于阳性的对照样本，以确保清晰的类别分隔
- **国家权重**基于世界卫生组织与联合国儿童基金会的疾病负担估计与人口规模计算
- **相关结构**：工程化特征与原始临床指标存在刻意的相关性，在线性模型中需避免重复计数
- **噪声注入**：连续变量加入了均匀噪声，以避免模型过拟合于精确的合成阈值
- **时间一致性**：年份、季节与天气异常值的生成具备逻辑一致性（如干旱月份与作物减产相关）

## 验证清单
在将本数据集用于研究或生产前，请完成以下检查：
- [ ] 确认训练/测试拆分中的类别平衡情况
- [ ] 检查工程化特征与标签之间是否存在意外的相关性
- [ ] 验证高风险标记在极端案例中的表现是否符合预期
- [ ] 确认国家分层特征不会虚假主导模型预测
- [ ] 通过完全留出一个或多个国家的方式测试模型泛化能力

## 局限性
- 合成产科数据
- 简化的延误模型
- 二元分类结局
- 高度场景化的文化背景

## 伦理考虑
- 保护患者隐私
- 避免指责女性/家属
- 采用符合文化背景的干预措施
- 公平分配医疗资源
- 提供尊重的产科护理

## 数据治理与保护
- **匿名化**：所有记录均为合成数据，无真实患者、家庭或医疗机构标识符
- **合成数据验证**：部署前需验证合成数据分布与目标国家的真实监测数据是否匹配
- **社区参与**：在部署预测工具前，需咨询当地卫生部门与社区
- **算法公平性**：审计模型在不同国家、性别与社会经济阶层的性能差异
- **解释权**：当用于临床或政策决策时，需提供可解释的模型输出
- **数据留存**：后续收集的任何真实数据需遵循机构与国家的数据保护政策
- **收益共享**：确保数据所覆盖的社区能够从相关工具与研究成果中获益
- **开放科学**：在同行评审成果中公开方法学、代码与模型卡片

## 推荐数据集拆分
- 训练集：70%
- 验证集：15%
- 测试集：15%

## 引用格式
bibtex
@dataset{maternal_mortality_africa_2024,
title = {Maternal Mortality Risk Dataset},
author = {Electric Sheep Africa},
year = {2024},
url = {https://huggingface.co/datasets/electricsheepafrica/africa-maternal-mortality-risk}
}

## 许可证
CC BY-SA 4.0

## 联系方式
[e-mail]

## 版本历史
- v1.0 — 首次发布

搜集汇总

数据集介绍

构建方式

该数据集通过合成技术构建，旨在模拟非洲孕产妇健康背景下的死亡风险预测场景。其构建过程严格遵循“三延迟模型”，首先基于临床文献与指南定义高风险病例的典型特征，包括延误决策、转运与医疗救治时间，并纳入并发症、贫血、疟疾等变量，生成5,000例阳性样本。对照组则通过模拟最优护理路径生成等量样本，在抽样过程中引入均匀噪声以防止过拟合，并采用流行病学权重从20个非洲国家进行采样，最终形成10,000条完整无缺失值的平衡数据集。

使用方法

用户可通过HuggingFace Datasets库直接加载数据，或读取CSV文件进行本地分析。建议将分类变量执行独热编码，对连续特征进行标准化处理，并在划分训练集时按国家分层以确保地理代表性。该数据集适用于多类分类任务，特别支持高风险妊娠预测、紧急准备评估与延迟干预优化等场景。高级建模可采用生存分析、多任务学习或因果推断方法，研究人员需注意避免标签衍生列造成的特征泄露，并利用交叉验证检测模型对特定国家的过拟合现象。

背景与挑战

背景概述

非洲孕产妇死亡率居高不下，撒哈拉以南非洲地区的风险比高收入国家高出130倍，这一严峻现实亟需数据驱动的解决方案。2024年，Electric Sheep Africa研究机构发布了非洲孕产妇死亡风险数据集（africa-maternal-mortality-risk），旨在填补孕产妇健康领域关键数据空白。该数据集基于“三重延迟模型”构建，该模型解释了几乎所有可预防的孕产妇死亡案例，涵盖决策延迟、运输延迟和护理延迟三大核心维度。数据集包含来自20个非洲国家的10,000条合成记录，时间跨度为2019至2024年，特征数量超过40个，并提供了经过领域专家验证的工程化特征。该数据集为孕产妇高危妊娠预测、近失事件识别、产前保健质量评估和紧急救治准备度分析等研究提供了标准化基准，对推动非洲孕产妇健康领域的机器学习研究具有重要影响力。

当前挑战

该数据集所解决的领域核心挑战在于，现有医疗数据存在三大空白：缺乏同时捕捉三重延迟的综合数据集、产前保健质量未被记录、社会决定因素缺失。传统的孕产妇风险预测模型往往忽视基础设施与患者层面变量的交互效应，且缺乏对血液可用性、决策时间等关键指标的量化。在数据集构建过程中，研究团队面临多重挑战：需从WHO、UNICEF等多源数据中提取流行病学权重以确保国家采样的代表性；工程设计特征时必须避免与原始特征的共线性问题，防止信息泄露；还需在合成数据中注入合理噪声以逼近真实临床异质性，同时保持类别平衡（各5,000条）以避免模型偏差。此外，确保合成数据分布与实际非洲医疗场景的一致性，以及保护文化敏感性和伦理合规性，也是构建过程中的重要挑战。

常用场景

经典使用场景

在孕产妇健康研究领域，非洲孕产妇死亡风险数据集为预测高危妊娠提供了关键的数据支撑。该数据集基于三延迟模型（Three Delays Model）构建，涵盖了从产前检查到分娩结局的完整产科路径，包含40余项特征，如产妇年龄、孕期并发症、交通可及性、血液供应等。研究者常将其用于多分类任务，通过随机森林、XGBoost等算法预测孕产妇死亡风险，基线ROC-AUC可达0.91-0.95，是验证风险评估模型的经典基准。

解决学术问题

该数据集系统性地回应了撒哈拉以南非洲地区孕产妇死亡率高企而数据匮乏的学术困境。传统研究往往仅关注单一延迟因素，而该合成数据首次将决策延迟、转运延迟和救治延迟三个维度融合，填补了无同步记录三延迟、产前保健质量与近乎死亡事件的历史空白。通过引入社会决定因素和血液可得性等变量，数据集使学者得以量化基础设施薄弱与不良妊娠结局间的因果关联，推动孕产妇健康领域从描述性分析向可解释的预测性建模跃迁。

实际应用

在实际临床与公共卫生体系中，该数据集可嵌入多层级决策支持系统。基层卫生工作者借助其训练的分类模型，能在资源受限环境下快速识别高危孕产妇，优先分配有限的救护车和血液资源；区域卫生管理者可依据三延迟评分优化转诊网络布局，例如在转运耗时超过两小时的社区增设急救站点。此外，数据集还支持联邦学习架构，使多国医院在不共享原始数据的前提下协同提升模型泛化能力，契合非洲医疗数据敏感性要求。

数据集最近研究

最新研究方向

该数据集聚焦于撒哈拉以南非洲地区孕产妇死亡风险预测这一公共卫生紧迫议题，基于“三重延误模型”构建了包含40余项临床、社会及卫生系统特征的合成数据集，精准捕捉了从决策、运输到救治的产科延误链条。当前前沿方向集中于利用该数据进行高风险妊娠早期识别、近漏诊病例筛查及产前保健质量评估，并结合生存分析、多任务学习与因果推断等高级建模方法，探索卫生基础设施匮乏情境下的干预优化路径。该数据集的发布填补了非洲语境下同时涵盖三重延误与社会决定因素的公开数据集空白，为推动可解释AI与公平性导向的预测工具在资源有限地区的临床决策支持提供了关键基准。