Lisens av høykvalitets helsetjenester/medisinske data for AI- og ML-modeller

Hyllevare for helsetjenester/medisinske datasett for å sette i gang Healthcare AI-prosjektet ditt

Medisinsk datakatalog

Koble til datakilden du har gått glipp av i dag

Medisin- og helsedatasett for maskinlæring

Legediktering Lyddata

Vårt avidentifiserte datasett for helsetjenester inkluderer 31 forskjellige spesialitetslydfiler diktert av leger som beskriver pasienters kliniske tilstand og behandlingsplan basert på møter mellom lege og pasient i kliniske omgivelser.

Hyllevare diktatlydfiler for lege:

  • 257,977 31 timer med real-world legedikteringstaledatasett fra XNUMX spesialiteter for å trene talemodeller i helsevesenet
  • Dikteringslyd tatt opp fra forskjellige enheter som telefondiktering (54.3 %), digital opptaker (24.9 %), talemikrofon (5.4 %), smarttelefon (2.7 %) og ukjent (12.7 %)
  • PII-redigert lyd og transkripsjoner som følger Safe Harbor-retningslinjene i samsvar med HIPAA
Lege diktering lyddata

Transkribert medisinske journaler

Transkribert journal refererer til transkripsjon av lege- og pasientsamtale, transkripsjon av medisinske rapporter og medisinsk vurdering. Det hjelper med å kartlegge pasientens sykehistorie for fremtidige besøk og fungerer også som et referansepunkt for legene. Det hjelper med å evaluere den nåværende tilstanden til pasienten og foreslå en passende behandling.

Hylletranskriberte medisinske journaler:

  • Transkripsjon av 257,977 31 timer med legediktater fra den virkelige verden fra XNUMX spesialiteter for å trene talemodeller i helsevesenet
  • Transkriberte medisinske journaler fra ulike arbeidstyper som operasjonsrapport, utskrivningssammendrag, konsultasjonsnotat, innrømmelsesnotat, ED-notat, klinikknotat, radiologirapport, etc.
  • PII-redigert lyd og transkripsjoner som følger Safe Harbor-retningslinjene i samsvar med HIPAA
Elektronisk helsejournal (ehr)

Elektroniske helseregistre (EHR)

Elektroniske helsejournaler eller EPJ er medisinske journaler som inneholder pasientens sykehistorie, diagnoser, resepter, behandlingsplaner, vaksinasjons- eller immuniseringsdatoer, allergier, røntgenbilder (CT-skanning, MR, røntgen) og laboratorietester og mer.

Hyllevare elektronisk helsejournal (EPJ):

  • 5.1 millioner+ registrerer og legelydfiler i 31 spesialiteter
  • Medisinske journaler i den virkelige verden for å trene Clinical NLP og andre Document AI-modeller
  • Metadatainformasjon som MRN (Anonymisert), Innleggelsesdato, Utskrivelsesdato, Lengde på oppholdsdager, Kjønn, Pasientklasse, Betaler, Finansklasse, Stat, Utskrivningsdisposisjon, Alder, DRG, DRG-beskrivelse, $ Refusjon, AMLOS, GMLOS, Risiko for dødelighet, alvorlighetsgrad av sykdom, Grouper, sykehuspostnummer, etc.
  • Medisinske journaler fra forskjellige amerikanske stater og regioner - Nordøst (46%), Sør (9%), Midtvesten (3%), Vest (28%), Andre (14%)
  • Medisinske journaler som tilhører alle pasientklasser som dekkes - poliklinisk, poliklinisk (klinisk, rehabilitering, tilbakevendende, kirurgisk barnehage), akutt.
Elektronisk helsejournal (ehr)
  • Medisinske journaler som tilhører alle pasientaldersgrupper <10 år (7.9%), 11-20 år (5.7%), 21-30 år (10.9%), 31-40 år (11.7%), 41-50 år (10.4% ), 51-60 år (13.8%), 61-70 år (16.1%), 71-80 år (13.3%), 81-90 år (7.8%), 90+ år (2.4%)
  • Pasientens kjønnsforhold på 46 % (mann) og 54 % (kvinnelig)
  • PII-redigerte dokumenter som følger Safe Harbor-retningslinjene i samsvar med HIPAA

CT-skanne bildedatasett

Leger bruker CT-skanning for å diagnostisere og oppdage unormale eller normale tilstander i en pasients kropp. I den datastyrte bildebehandlingsdiagnosen går et CT-skanningsbilde gjennom sofistikerte faser, nemlig innhenting, bildeforbedring, utvinning av viktige funksjoner, identifikasjon av interesseregion (ROI), resultattolkning, etc.

Shaip leverer høykvalitets CT-skanningsbildedatasett som er avgjørende for forskning og medisinsk diagnose. Våre datasett inkluderer tusenvis av høyoppløselige bilder samlet inn fra ekte pasienter og behandlet med state-of-the-art teknikker. Disse datasettene er utviklet for å hjelpe medisinske fagfolk og forskere med å forbedre sin kunnskap og forståelse av ulike medisinske tilstander, inkludert kreft, nevrologiske lidelser og hjerte- og karsykdommer. 

Ct-skann bildedatasett

MR-bildedatasett

Datasynsmodeller er designet for å utlede meningsfull informasjon fra digitale bilder og videoer. Den tillater omfattende bruk av bildedata fra helsevesenet for å gi bedre diagnose, behandling og prediksjon av sykdommer. Den kan bruke kontekst fra bildesekvensen, tekstur, form og konturinformasjon, så vel som tidligere kunnskap, for å produsere 3D- og 4D-informasjon som hjelper til med forbedret menneskelig forståelse. I likhet med CT-skanninger brukes MR-er også til å diagnostisere og oppdage unormale eller normale tilstander i en pasients kropp (dvs. for å identifisere sykdom eller skade i ulike kroppsdeler).

Shaip leverer høykvalitets MR-bildedatasett fra ekte pasienter og behandlet med state-of-the-art teknikker.

Mri bildedatasett

Datasett for røntgenbilde

Røntgentesting brukes til å verifisere den interne strukturen og integriteten til objektet. Røntgenbilder av et testobjekt kan genereres i forskjellige posisjoner og forskjellige energinivåer for å diagnostisere og oppdage unormale tilstander i en pasients kropp.

Shaip leverer høykvalitets røntgenbildedatasett som er avgjørende for forskning og medisinsk diagnose. Våre datasett inkluderer tusenvis av høyoppløselige bilder samlet inn fra ekte pasienter og behandlet med state-of-the-art teknikker. Med Shaip kan du få tilgang til pålitelige og nøyaktige medisinske data for å forbedre forskningen din og forbedre pasientresultatene.

Røntgenbildedatasett
Shaip kontakt oss

Finner du ikke det du leter etter?

Nye medisinske datasett blir samlet inn på tvers av alle datatyper 

Kontakt oss nå for å gi slipp på bekymringene for datainnsamling av helsetreningsdata

  • Ved å registrere meg godtar jeg Shaip Personvernserklæring og Våre vilkår og gi mitt samtykke til å motta B2B-markedsføringskommunikasjon fra Shaip.