electricsheepafrica/africa-amr-surveillance

一个用于非洲医疗机构抗菌素耐药性监测的合成表格数据集。旨在解决全球最严重的抗菌素耐药性数据缺口问题，其中非洲负担最重但监测基础设施最薄弱。

A synthetic tabular dataset for antimicrobial resistance surveillance in African healthcare facilities. Addresses the worst global AMR data gap where Africa bears the highest burden but has the weakest surveillance infrastructure.

搜集汇总

数据集介绍

构建方式

非洲作为全球抗生素耐药性（AMR）负担最重但监测基础设施最薄弱的地区，长期面临数据缺失的困境。为填补这一空白，本数据集以合成数据技术为核心，基于非洲20国2019至2024年间AMR流行病学权重分布与临床指南，系统构建了10,000条结构化表格记录。构建过程严格遵循临床现实逻辑：阳性样本（耐药病例）源自高风险临床特征分布，对照样本（敏感病例）则从低风险特征中抽选，并通过泄漏过滤机制剔除因临床标准本应归为阳性的对照，确保类别间界限清晰、异质性合理。每条记录均包含40余项原始与工程化特征，所有分类变量保留原始字符串标签以保证可解释性。

特点

该数据集最显著的特点在于其均衡性与领域深度。正负样本严格维持5,000比5,000的完美平衡，从根源上规避了类别不平衡对下游模型产生的偏差。国家采样参考非洲人口与疾病负担的流行病学权重，使地理分布具有代表性。尤为突出的是，数据集创新性地融合了“One Health”理念，引入家畜抗生素使用、水卫生指数等跨领域指标，并基于临床权重构建了侵袭性护理负担、感染控制评分等7项复合风险分数，这些高灵敏度标志物在随机森林分析中稳居特征重要性前五。缺失值为零的完整性进一步保障了建模流畅性。

使用方法

研究者在应用中可直接通过HuggingFace数据集库加载数据，或采用Pandas读取CSV文件进行离线分析。针对分类任务，推荐对类别型变量进行独热编码并对连续特征实施标准化。鉴于数据集已通过国家分层确保地理表征，训练集、验证集、测试集建议按70%、15%、15%划分，并采用5折分层交叉验证以避免模型过拟合于特定国家。基线实验表明，随机森林可达成0.82至0.88的准确率与0.88至0.93的ROC-AUC；进阶应用可拓展至生存分析、多任务学习、因果推断乃至联邦学习等前沿范式，同时应借助SHAP等可解释性工具确保临床可信度。

背景与挑战

背景概述

非洲大陆承受着全球最沉重的抗菌药物耐药性（AMR）负担，每年约有25万人因AMR死亡，然而其监测基础设施却最为薄弱，不足20%的医院具备细菌培养与药敏检测能力。为弥合这一数据鸿沟，Electric Sheep Africa团队于2024年发布了africa-amr-surveillance数据集，这是一个针对非洲医疗机构AMR监测的合成表格数据集，覆盖20个国家、2019至2024年间10,000条记录，包含40余项原始与工程特征。该数据集的核心研究问题在于通过生成高质量、平衡且具临床合理性的合成监测数据，为AMR预测、医院感染风险评分、抗微生物药物管理效能评估及One Health路径分析等下游任务提供标准化基准。作为首个聚焦非洲AMR监测的公开合成数据集，它填补了该领域无集中式数据的空白，对推动全球AMR防控策略的数据驱动研究具有里程碑意义。

当前挑战

该数据集所应对的领域挑战在于非洲AMR监测面临的多重结构性困境：中央数据库缺失、实验室能力薄弱、One Health维度（人-动物-环境）忽视、抗生素非处方使用泛滥以及AMR死亡率严重漏报。这些因素导致现有流行病学模型无法获得可靠训练数据，从而难以实现耐药菌早期预警与干预优先级排序。在构建过程中，团队面临的核心挑战包括：如何以合成方式精准模拟非洲当地耐药谱系、患者临床特征及医疗资源分布，同时避免过度简化复杂的One Health关联；如何从文献与临床指南中推导域特异权重以构建复合风险评分，并确保工程特征与原始变量间避免在多线性模型中造成信息冗余；此外，还需在保持类平衡（5,000正例与5,000对照）、引入噪声防过拟合的同时，使合成分布映射真实异质性，并防止标签泄露，这对生成算法的临床真实性与统计严谨性提出了极高要求。

常用场景

经典使用场景

在抗菌药物耐药性（AMR）监测领域，非洲因监测基础设施薄弱而长期面临数据真空，该数据集恰如一座桥梁，填补了这一关键空白。其最经典的使用场景聚焦于构建耐药性预测模型，研究人员可依托其中丰富的患者临床特征、医疗基础设施指标及‘同一健康’维度变量，训练分类器以精准区分耐药与敏感感染案例。例如，利用随机森林或梯度提升模型，基于患者年龄、合并症数量、既往抗生素暴露史、医院感染控制评分等40余项特征，实现对耐药表型的稳健预测。该场景尤其适合验证特征工程策略的有效性，如复合风险评分对模型性能的增益作用。

衍生相关工作

围绕该数据集已衍生出多项具有启发性的研究工作。在模型层面，研究者引入了生存分析中的Cox比例风险模型，用于建模患者入院后30天内耐药性发展的时变风险；因果推断领域的工作则利用倾向评分匹配，评估医院抗生素管理政策对耐药率的影响。此外，联邦学习框架的实现使得多中心协作训练成为可能，在不共享原始数据的前提下提升模型对非洲各地异质性的鲁棒性。可解释人工智能方面，SHAP和LIME工具的应用帮助阐释了复合特征如‘侵袭性护理负担’如何主导模型决策，为临床可解释性奠定了基础。

数据集最近研究

最新研究方向

当前抗菌素耐药性（AMR）研究的前沿正聚焦于填补非洲地区严峻的数据鸿沟，该数据集应运而生，为这一全球负担最重却监测体系最薄弱的区域提供了标准化、高质量的合成监测数据。研究热点集中于利用多源特征（如基础设施、患者临床指标、畜牧用药及环境卫生指数）训练预测模型，以识别耐药性高风险人群并评估干预措施的有效性。前沿方向包括结合生存分析与因果推断探索耐药性传播路径，运用联邦学习在不集中数据的前提下模拟跨医院协同，以及通过可解释AI（如SHAP）增强临床决策的可信度。该数据集精准呼应了非洲每年25万例AMR相关死亡、不足20%医院具备药敏检测能力的紧迫现实，其平衡设计、复合风险评分与多任务建模潜力，正推动从单纯耐药预测向“同一健康”路径分析、医院感染风险评分及管理策略优化等综合研究范式的演进，对提升非洲乃至全球AMR监测与应对能力具有里程碑意义。