xpertsystems/hc-gen-003-sample

这是一个合成患者级数据集，专注于血友病A和B，涵盖基因型/严重程度分类、预防和因子替代药理学、非因子/先进疗法（如emicizumab、fitusiran、marstacimab、concizumab）、抑制剂发展和免疫耐受诱导、出血事件分析、关节损伤进展、生物标志物和临床结果，并附带三个纵向表。这是一个包含500名患者的样本，由校准模拟引擎生成，不含真实患者数据。仅用于机器学习开发、基准测试、模式原型和教育，不适用于临床用途。

Synthetic patient-level dataset for hemophilia A and B, spanning genotype/severity classification, prophylaxis and factor-replacement pharmacology, non-factor/advanced therapies (emicizumab, fitusiran, marstacimab, concizumab), inhibitor development and immune tolerance induction, bleeding-episode analytics, joint-damage progression, biomarkers, and clinical outcomes — with three companion longitudinal tables. This is a 500-patient sample of the full HC-GEN-003 product. It is synthetic — generated by a calibrated simulation engine. It contains no real patient data. Not for clinical use. This dataset is for ML development, benchmarking, schema prototyping, and education only. It must not be used to inform real patient care, diagnosis, or treatment decisions.

搜集汇总

数据集介绍

构建方式

HC-GEN-003-Sample是一个面向血友病A/B型临床研究的合成患者数据集，由校准模拟引擎生成，包含500名患者样本。其构建基于文献校准锚点，如世界血友病联盟（WFH）全球调查、美国血友病治疗中心网络（USHTCN）及CDC的抑制剂监测数据，以及HAVEN计划、RODIN研究等关键临床试验的统计参数。数据集通过确定性种子（seed 42）生成，确保在六个规范种子下输出完全一致，验证评分达到A+（10.00/10）。模拟引擎不仅生成主患者表，还同步产出了出血事件、关节纵向轨迹和因子PK监测三个关联纵向表，形成完整的星型模式关系结构。

使用方法

研究者可通过多种方式调用该数据集。最直接的方式是使用Pandas加载CSV文件：patients = pd.read_csv("hc_gen_003_sample.csv")，bleeds等关联表同样可独立加载，并通过patient_id进行合并连接，例如统计每位患者的出血次数并与主表关联。也可利用Hugging Face datasets库进行加载：patients = load_dataset("xpertsystems/hc-gen-003-sample", "patients")。典型应用场景包括出血率与关节病变进展建模、预防治疗对比按需治疗的效应模拟、抑制剂风险与免疫耐受诱导结局分析，以及基于多表星型模式的关系型/纵向机器学习管线原型开发。数据集以CC-BY-NC-4.0许可发布，仅供机器学习教育与基准测试使用，严禁用于临床决策。

背景与挑战

背景概述

血友病A/B作为X连锁隐性遗传的罕见出血性疾病，其临床管理长期受限于患者数据的稀疏性与异质性，使得真实世界证据的生成、治疗方案优化及机器学习模型开发面临巨大数据瓶颈。为应对这一挑战，XpertSystems.ai于2026年发布了HC-GEN-003合成患者级数据集，该样本集包含500名模拟患者，覆盖从基因型/严重度分型、因子替代与非因子治疗（如艾美珠单抗、fitusiran等）、抑制剂发生与免疫耐受诱导、出血事件分析、关节损伤进展、生物标志物到临床结局的完整病程。数据集通过校准仿真引擎生成，锚定世界血友病联盟及CDC监测网络等权威流行病学基准，为血友病领域的纵向建模、治疗方案模拟及合成数据方法研究提供了标准化的基准平台。

当前挑战

该数据集所应对的领域核心挑战在于，真实血友病患者纵向记录极为稀缺且分散，难以支撑出血率-关节病进展建模、抑制剂风险预测及基因治疗预后评估等复杂任务。在构建过程中，数据集面临多重困难：基因治疗模块的资格逻辑因年龄分布不匹配而完全失效，病毒污染率（HIV/HCV）因代理变量设计缺陷而高估；年化出血率、预防治疗率及Pettersson关节评分未达到引擎预设的文献目标，需基于观测输出重新校准；此外，合成数据仅保证边际分布锚定与工程化结构分离的有效性，高阶相关性及小样本下的抽样变异仍需审慎对待。

常用场景

经典使用场景

在血友病研究领域，该数据集以其精细的合成患者级数据，成为构建出血率与关节病变进展模型的基石。研究者可借助其横截面和纵向表格，深入分析基因型与严重程度分类对临床结局的影响，尤其适用于探究预防性治疗与按需治疗在不同患者亚群中的疗效差异，从而优化个体化治疗策略。

解决学术问题

该数据集精准回应了血友病研究中长期存在的关键学术问题，例如抑制剂形成的风险预测、免疫耐受诱导的失败因素解析，以及凝血因子替代疗法药代动力学的个体差异。通过模拟大规模患者队列，它弥补了真实世界数据在罕见病中样本量不足的缺陷，为因果推断与生物标志物发现提供了可复现的基准平台。

实际应用

在实际应用中，该数据集主要服务于机器学习模型的开发与基准测试，支持药企与科研机构在血友病治疗方案的仿真环境中验证新药（如非因子疗法或基因治疗）的潜在疗效。此外，它还作为教育工具，用于培训临床医生理解疾病监控数据与治疗决策的逻辑，促进跨团队的数据库架构原型设计。

数据集最近研究

最新研究方向

该合成数据集为血友病A/B的临床预测建模与多模态纵向分析提供了前沿基准资源。研究重点聚焦于出血事件率与关节病进展的联合建模、预防性治疗与按需治疗的疗效对比模拟，以及抑制物风险与免疫耐受诱导结局的预测。数据集通过校准锚点锚定严重型比例、抑制物流行率等关键临床指标，并公开披露基因治疗模块功能性缺陷与ABR/Pettersson评分的偏倚，强调了合成数据在机器学习开发中透明验证的重要性。其多表星型结构支持关系型与纵向管线的原型设计，为罕见病领域的合成数据方法论标准制定和临床决策辅助系统的可靠评估奠定了基石。