xpertsystems/hc-gen-002-sample

HC-GEN-002 — 镰状细胞病：血管闭塞危象、多器官损伤、输血与新型/基因治疗（样本）。这是一个针对镰状细胞病（SCD）的合成患者级数据集，涵盖了基因型分类、血管闭塞危象（VOC）和急性胸部综合征分析、多器官损伤（肾脏、心脏、中枢神经系统、眼科、肝脏、肌肉骨骼、脾脏）、输血管理和铁过载，以及完整的现代治疗全景——包括羟基脲、L-谷氨酰胺、crizanlizumab、voxelotor、HSCT和基因治疗。这是完整HC-GEN-002产品的500名患者样本，数据是合成的——由基于已发表队列和试验统计数据的校准模拟引擎生成，不包含任何真实患者数据。数据集包含141列，单表结构，分为多个模块组：人口统计学和基因型、血液学和生物标志物、疼痛危象/VOC、器官损伤、输血管理、新型治疗、结果与生活质量。数据集明确说明不用于临床用途，仅用于机器学习开发、基准测试、模式原型设计和教育。HC-GEN-002 — Sickle Cell Disease: Vaso-Occlusive Crisis, Multi-Organ Injury, Transfusion Management and Novel/Gene Therapy (Sample). This is a synthetic patient-level dataset targeting sickle cell disease (SCD), covering genotype classification, analysis of vaso-occlusive crisis (VOC) and acute chest syndrome, multi-organ injury (kidney, heart, central nervous system, ophthalmology, liver, musculoskeletal, spleen), transfusion management and iron overload, as well as the full landscape of modern therapies—including hydroxyurea, L-glutamine, crizanlizumab, voxelotor, HSCT and gene therapy. This is a 500-patient sample of the full HC-GEN-002 product. The data is synthetic, generated by a calibrated simulation engine based on published cohort and trial statistics, and contains no real patient data. The dataset has 141 columns with a single-table structure, and is divided into multiple module groups: demographics and genotype, hematology and biomarkers, pain crisis/VOC, organ injury, transfusion management, novel therapies, outcomes and quality of life. The dataset explicitly states that it is not intended for clinical use, and is only for machine learning development, benchmarking, model prototyping and education.

搜集汇总

数据集介绍

构建方式

hc-gen-002-sample数据集由校准仿真引擎生成，引擎锚定于公开发表的队列研究与临床试验统计数据，如CSSCD、PUSH Cohort及SUSTAIN试验等。该数据集为全量产品中抽取的500例患者样本，每一行代表一位患者，疾病进程以年化率和基线值编码，非就诊级记录。生成过程通过六组规范种子确保评分指标的字节级确定性，并经过严格的验证流程，在每个种子下均获得A+级评分。

特点

该数据集以镰状细胞病为核心，集成141列结构字段，涵盖基因型分类、血管闭塞危象与急性胸综合症分析、多器官损伤（肾、心、脑、眼、肝、骨骼、脾脏）、输血管理与铁过载、以及从羟基脲到基因治疗的完整现代疗法范畴。数据集的一个显著特点在于其校准锚定机制，各队列级统计量均被约束在文献报道的范围内，如HbSS死亡率、VOC发作频率、药物应答率等，确保了数据在群体层面上的科学可信度。

使用方法

该数据集可通过Pandas或HuggingFace Datasets库直接加载，使用简单。用户可通过读取CSV文件进行数据探索，例如按基因型分层分析VOC负担。其应用场景广泛，包括SCD严重程度分层与并发症风险建模、疾病修饰疗法效果模拟与基因/细胞治疗试验设计、基因型-表型关联研究、输血/铁过载管理与同种免疫风险建模，以及合成数据方法基准测试与模式/ETL原型开发。

背景与挑战

背景概述

镰状细胞病（SCD）是一种遗传性血液疾病，全球范围内影响着数百万人，其临床异质性极为显著，涵盖血管闭塞危象、多器官损伤以及输血依赖等复杂表型。由XpertSystems.ai团队于2026年创建的HC-GEN-002样本数据集，聚焦于SCD的全景疾病谱，创新性地将基因分型、现代药物方案（如羟基脲、crizanlizumab、voxelotor）以及前沿的造血干细胞移植与基因治疗整合于一个合成患者级数据结构中。该数据集以严格的文献校准为基础，锚定CSSCD、PUSH等经典队列研究的统计参数，旨在为SCD风险分层、治疗模拟及基因型-表型关联分析提供一个可复现的、基于合成数据的研究平台，对罕见病领域的机器学习模型开发与基准测试具有重要影响。

当前挑战

该数据集所解决的领域挑战在于，SCD的临床数据常因患者稀少、隐私限制及长程随访困难而极度匮乏，真实世界中难以获取同时涵盖基因治疗、铁过载管理及多器官损伤详情的大规模结构化队列。构建过程中，团队需应对合成数据保真度的核心难题：一是确保单变量流行率及关键分离（如HbSS与HbSC间的血红蛋白和血管闭塞危象差异）与文献高度一致，而高阶相关性难以全面验证；二是基因治疗参数属于前瞻性估计，缺乏长期真实世界验证；三是即便使用严格校准的模拟引擎，500样本量仍使部分罕见结局（如HbSS死亡率）受抽样方差影响。此外，特定非确定性字段（如血管闭塞危象持续时间）依赖全局随机数生成，破坏部分重现性，而治疗字段缺乏缺失值门控机制亦需使用者谨慎过滤。

常用场景

经典使用场景

在镰状细胞病（SCD）的研究中，该数据集作为模拟患者级合成数据的典范，被广泛用于疾病严重程度分层与并发症风险建模。研究人员利用其涵盖基因型分类、血管闭塞危象（VOC）及急性胸部综合征的动态分析、多器官损伤评估（如肾、心、脑、眼、肝、骨骼肌及脾脏）、输血管理与铁过载监测，以及从羟基脲到基因疗法的全面治疗谱系，构建并验证预测性机器学习模型。数据集的校准锚点严格依托于Platt等人（NEJM 1994）的CSSCD队列、SUSTAIN试验等权威文献，确保了模拟患者队列的统计特征与真实世界数据高度吻合。这种结构化的合成样本尤其适合作为外部验证集，用于评估新兴算法在罕见病表型分类与治疗响应预测中的泛化能力。

衍生相关工作

该数据集衍生出了一系列具有方法学意义的经典工作，主要集中在合成数据生成与校准技术的迭代优化。基于其显式披露的六个规范种子下的确定性验证框架，研究人员提出了边缘校准与联合保真度的对比评估指标体系，推动了合成数据质量报告标准的规范化。部分工作进一步利用该数据的器官损伤模块（如肾病变eGFR分层与脑卒中TCD速度关联），开发了用于罕见病表型模拟的因果图生成引擎，将其扩展至其他血液系统恶性肿瘤（如骨髓增生异常综合征）的合成数据构建。此外，针对数据集中非确定性字段（如voc_duration_days_median）的随机性讨论，催生了关于可重复性机器学习实验的元数据追踪标准，使得该数据集成为合成数据社区中讨论随机种子管理与结果复现性的重要案例。

数据集最近研究

最新研究方向

当前，镰状细胞病（SCD）的研究前沿正聚焦于基因治疗与新型药物疗法的疗效模拟及个体化风险评估，而HC-GEN-002样本数据集恰好为这一领域提供了极具价值的合成数据支撑。该数据集通过精密的仿真引擎，精准锚定了多项关键临床试验的统计参数，如Lovotibeglogene基因治疗及Crizanlizumab的疗效数据，从而能够模拟从血管闭塞危象、多器官损伤到输血管理及现代治疗策略的完整临床路径。其核心意义在于，它为开发SCD严重程度分层模型、模拟疾病修饰疗法和基因/细胞治疗的临床试验设计提供了一种无隐私风险的基准平台，推动了从传统流行病学到基于合成数据的精准医学研究范式的转变。这不仅加速了罕见病领域的机器学习模型迭代和方案预验证，更在保障数据安全的前提下，为攻克SCD这一全球性健康挑战开辟了新的科研路径。