免费糖尿病患者住院信息数据集性别、年龄、胆固醇水平等关键字段

加沙地带2型糖尿病患者饮食与抑郁关联性研究 研究方法 这项横断面研究调查了巴勒斯坦加沙地带 480 名 2 型糖尿病患者。研究人员使用抑郁、焦虑和压力量表 (DASS-21) 评估患者的抑郁程度，并收集了人口统计学、社会经济和病史数据。同时，他们还使用 98 项半定量食物频率调查表评估了患者的饮食模式。 研究结果 29.0% 的 2 型糖尿病患者患有抑郁症 (女性 58.3%，男性 41.7%)。 轻度、中度、重度和极重度抑郁症的患病率分别为 11.7%、8.5%、6.7% 和 2.1%。 因素分析确定了两种主要的饮食模式：西方饮食模式和谷物-蔬菜-水果饮食模式。 与摄入最多谷物、蔬菜和水果

糖尿病研究里的经典老朋友——Diabetes Dataset，你已经听过好几次了，但它真的是个适合做神经网络和深度学习练手的数据集。442 位患者的真实记录，包含10 个生理特征，像age、bmi、bp这些都比较常见，关键是还有一年后的血糖水平做目标值，直接用来做回归，简直不要太方便。模型搭建也挺灵活的，前馈神经网络能用，玩点花的也可以整CNN、RNN，甚至搞个集成学习来点多任务预测都不难。你要是图快，可以用sklearn.datasets.load_diabetes直接导入，起来顺手。但注意哦，用之前最好做点预，像标准化、异常值啥的，该做还是要做。不然一上来就训练，模型肯定不给你好脸色。还可

基于 RFM 模型的患者分组方法挺有意思，结合了K-Means聚类和C5.0 决策树两种算法，既能把慢性传染病患者分类，又能做精准预测。你只要有一批门诊数据，就能轻松复现整套流程，比较适合做医疗数据或个性化健康管理相关的项目。对了，准确率能跑到 99.94%，这个结果还是挺惊喜的。 数据是从 HIS 系统里提出来的，17 万多条，清洗完剩下 4 万多条，这种量级拿来训练模型刚刚好。而且数据清洗也不复杂，基本做下缺失值就能上手。 K-Means 那块，把人群分成了三类：重要的、主要的、潜在的——就像你做电商用户分群一样，直接给你一个分层策略，拿来就能用。R、F、M三个维度：最近就诊、就诊频率、消

嘿，想了解一下冠心病的危险因素吗？这篇《青年和老年冠心病患者的危险因素(2013 年)》了不同年龄段患者的风险因素，了蛮有价值的数据支持。研究发现，青年组的主要危险因素包括冠心病家族史、吸烟史、体质指数和血甘油三酯，而老年组则更多是高血压和糖尿病史。这篇文章的挺实用的，对防治工作也有，尤其是针对不同年龄群体的精准防治方案。总结一下，想做相关健康研究的朋友可以看看这篇，数据详实且比较有启发。

运用随机树、随机森林和向量机等算法，探索并预测给定样本是否患有糖尿病。通过可视化数据，评估不同模型的性能，并采用多角度交叉验证以确保结果的准确性。

本研究比较精神病患者和对照组在社会各个领域中的歧视情况，并推测精神病患者面临更高水平的社会歧视和更高比例的隐私问题。研究采用结构化问卷调查评估精神科门诊患者和医疗门诊对照组的经验歧视，调查中包括改编自歧视和污名量表（DISC-12）的项目。研究结果显示，与对照组相比，精神病患者在社会生活中遭遇更多形式的歧视（F（1，196）= 24.4，p

本次研究使用某医学调查机构采集的数据，分析了克山病患者（11例）与健康成年人（13名）的血磷值（单位：mg%）。数据集中包含24个样本观测值，通过IBM SPSS Statistics 25进行独立样本T检验。结果显示，克山病患者的血磷值平均为4.7109 mg%，显著高于健康成年人的3.3546 mg%（T统计量=2.539，P值=0.019）。实验表明，克山病患者血磷值存在显著性差异，这为进一步研究提供了理论支持。

眼单色像差的统计挺适合搞图像或医疗成像方向的朋友看一眼。文章用数据讲得明明白白：青光眼和糖尿病视网膜病变患者的高阶像差比正常人高出不少，分别是 2.9 倍和 1.8 倍。也就是说，如果你在做眼科成像、尤其是自适应光学相关的开发，这些参数能帮你搞清楚设备应该达到什么级别。文里还提到要用高阶的泽尼克多项式来校正像差——嗯，不是那种二阶三阶小打小闹的，是高于 8 阶的那种，系统精度得上得去。还有一点比较实用的是：波前校正器的行程需求也给出来了——青光眼要超 39μm，糖网病变要超 14μm。搞硬件调参时你至少心里有个谱。自适应光学系统不只是用在望远镜里，在眼科图像里也一样吃香，只不过面对的是活体人眼

使用Weka软件对糖尿病数据进行挖掘，为研究人员提供借鉴