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
Plugg inn medisinske data 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 lege-pasientmøter i sykehus/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
Transkribert medisinske journaler
Med transkribert journal menes transkripsjon av lege og pasientsamtale, transkripsjon av sykemeldinger og medisinsk vurdering. Det hjelper med å kartlegge sykehistorien til pasienten for fremtidige besøk og fungerer også som et referansepunkt for legene. Det hjelper legen med å vurdere 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
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.
- 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
- 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-skanningsbildet til å diagnostisere og oppdage unormale eller normale tilstander i en pasients kropp (dvs. for å identifisere sykdom eller skade i ulike kroppsdeler). 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. Med Shaip kan du få tilgang til pålitelige og nøyaktige medisinske data for å forbedre forskningen din og forbedre pasientresultatene.
MR-bildedatasett
Datasynsmodeller er designet for å hente meningsfull informasjon fra digitale bilder og videoer, ifølge IBM. 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 MR-bildedatasett av høy kvalitet 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.
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.
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
Ofte stilte spørsmål (FAQ)
Et helsevesendatasett er en samling helserelaterte data, ofte strukturert og samlet for analyse, forskning og beslutningstaking innen medisinske og helsefaglige domener.
Eksempler inkluderer elektroniske helsejournaler (EPJ), medisinske bildedatabaser, genomiske sekvenser, pasientdemografi og datasett fra bærbare helseenheter.
Helsetjenestedatasett støtter medisinsk forskning ved å gi innsikt i sykdomsmønstre, behandlingsresultater, pasientadferd, medikamenteffektivitet og mer, og dermed hjelpe til med medisinske fremskritt og politikkutforming.
Vanlige formater inkluderer CSV, Excel, DICOM (for medisinsk bildebehandling) og HL7 (for helsejournaler).
Personvernhensyn oppstår fra potensiell misbruk av sensitive pasientdata, som fører til identitetstyveri, diskriminering eller uønsket eksponering for personlig helseinformasjon.
Pasientinformasjon er beskyttet ved hjelp av avidentifikasjon (fjerning av personlig identifiserbar informasjon), kryptering, strenge tilgangskontroller og overholdelse av forskrifter som HIPAA (i USA).
For å sikre kvalitet, valider og rengjør datasettet regelmessig, bruk standardiserte datainnsamlingsmetoder, kryssreferanse med pålitelige kilder og involver domeneeksperter for verifisering.