合成健康模拟器:二十年健康轨迹虚拟队列
数据集简介
快速开始
项目以仓库形式公开,获取方式有两种:克隆仓库,或直接复制 generator.py 使用。运行前需通过 pip 或 uv 安装依赖,随后即可执行生成流程。默认参数下,程序为 5000 名合成患者生成 20 年观察期的数据,结果写入 data/synthetic_v2.0.0/ 目录,预期产出 5 个 CSV 文件与 5 个 JSON 元数据文件。
项目定位
SyntheticHealthSimulator 的核心目标是生成逼真的合成医疗数据,服务于机器学习研究。它围绕生活方式因素、生物标志物与遗传风险三类输入,模拟 20 年尺度的健康轨迹,使研究者能够在无需真实患者数据的前提下开展建模实验。项目同时强调其非临床属性:数据仅供研究,不构成任何医疗用途。
生成流程概览
生成管线按主题分层组织输出,各层对应一个数据表:
| 数据表 | 内容主题 |
|---|---|
01_cohort_baseline |
队列基线人口学特征 |
02_lifestyle_history |
生活方式历史 |
03_biomarkers_history |
年度生物标志物历史 |
04_health_risks |
疾病风险与结局 |
05_aggregated_dataset_with_missing |
含缺失值的聚合数据集 |
上述分层既覆盖个体静态特征,也覆盖随时间变化的动态记录,并专门提供带缺失值的聚合版本,便于测试缺失数据处理算法。
安装与依赖
依赖安装支持 pip 与 uv 两种方式。仓库内提供 generator.py 作为可直接复制使用的生成脚本,配合依赖安装即可在本地复现数据生成过程。
数据生成与验证
基础数据生成通过运行生成器完成,参数可配置。生成之后可使用项目自带的验证器对输出进行检查,确认文件结构与内容符合预期。验证环节与生成环节分离,便于在修改配置后快速复核结果。
敏感性分析
项目包含敏感性分析能力,用于考察模型输出对输入参数或假设变化的响应。该环节面向研究场景,帮助使用者理解合成数据在不同设定下的行为差异。
分析笔记本
仓库附带 5 个分析笔记本,以交互方式展示数据读取、检查与分析流程,可作为使用者的上手示例与二次开发起点。
生成数据的结构
输出数据以 CSV 表格承载主体记录,以 JSON 文件承载元数据。5 个 CSV 与 5 个 JSON 一一对应,配合前述分层命名,形成从基线、生活方式、生物标志物到风险结局的完整链路,并额外提供含缺失值的聚合数据集。
校准与配置
生成器支持校准与配置,使用者可调整参数以改变合成人群的规模与特征设定。默认规模为 5000 人、观察期 20 年,这一组合在数据量与轨迹长度之间取得平衡,适合作为研究基线。
文档与许可
仓库提供文档说明使用方式,并设有 License 章节说明授权条款;具体许可条款以仓库 License 章节为准。数据与代码通过公开仓库分发,下载方式为克隆仓库或复制 generator.py。
使用限制
项目明确声明:数据完全合成,不得用于临床诊断、治疗或任何其他医疗决策。使用者应仅在研究用途范围内使用本项目产出的数据。