结合人群数据与患者特异性左心房虚拟队列预测心房颤动复发数据
该数据集来自 zenodo.org，包含 100 个心房颤动患者的患者特异性左心房生物物理模型文件，患者涵盖 43 例阵发性、41 例持续性和 16 例长程持续性心房颤动，均接受首次消融并随访 1 年动态心电图监测
基本信息
资源简介
结合人群数据与患者特异性左心房虚拟队列预测心房颤动复发数据
Predicting atrial fibrillation recurrence by combining population data and virtual cohorts of patient-specific left atrial models
该数据集来自 zenodo.org，包含 100 个心房颤动患者的患者特异性左心房生物物理模型文件，患者涵盖 43 例阵发性、41 例持续性和 16 例长程持续性心房颤动，均接受首次消融并随访 1 年动态心电图监测。模型整合了纤维化模式、纤维取向图等个体差异信息，结合人群数据与虚拟队列，可用于通过机器学习补充生物物理仿真，预测消融术后长期心房颤动复发，并研究个体间变异对复发的影响（来源 Zenodo，cc-by-4.0 许可）。
【数据集背景】
项目资助方：Predicting Atrial Fibrillation Mechanisms Through Deep Learning。源站首次发布：2022-01-31。
【数据内容】
源站描述（机器翻译，仅供参考）：摘要 背景：当前针对心房颤动的消融治疗并非最优，长期反应难以预测。临床试验识别出的床旁特征对人群长期反应的预测能力有限，而小队列中的患者特异性模型主要解释消融的急性反应。我们旨在通过使用机器学习编码更多个体间变异来补充生物物理仿真，从而预测大队列中消融后长期心房颤动复发。方法：为 100 名接受首次消融的心房颤动患者（43 例阵发性、41 例持续性、16 例长程持续性）构建患者特异性模型。使用动态心电图监测对患者随访 1 年。每个患者特异性生物物理模型结合了不同的纤维化模式、纤维取向图、电
【数据结构与技术规格】
文件数 100 个，合计 3.51 GB。数据集 DOI：10.5281/zenodo.5801337。
【主题与分类】
主题标签：心房颤动、心血管系统疾病、消融术后复发、患者特异性模型、生物物理仿真、机器学习、左心房模型。本站分类：心血管系统疾病/心房颤动。
【获取与许可】
源站页面：https://zenodo.org/records/5801337
使用许可：cc-by-4.0。
【使用注意】
· 源站最后修改于 2022-02-05，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Zenodo 公开直链）
curl -L -o "Mesh_79045564.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_79045564.vtk/content"
curl -L -o "Mesh_79851394.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_79851394.vtk/content"
curl -L -o "Mesh_45275287.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_45275287.vtk/content"
curl -L -o "Mesh_82949971.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_82949971.vtk/content"
curl -L -o "Mesh_44772464.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_44772464.vtk/content"
curl -L -o "Mesh_44771637.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_44771637.vtk/content"
curl -L -o "Mesh_83335866.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_83335866.vtk/content"
curl -L -o "Mesh_83815278.vtk" "https://zenodo.org/api/records/5801337/files/Mesh_83815278.vtk/content"
文件清单
Mesh_79045564.vtk（44.2 MB）Mesh_79851394.vtk（29.7 MB）Mesh_45275287.vtk（29.2 MB）Mesh_82949971.vtk（32.4 MB）Mesh_44772464.vtk（27.9 MB）Mesh_44771637.vtk（34.8 MB）Mesh_83335866.vtk（26.1 MB）Mesh_83815278.vtk（20.9 MB）Mesh_42848777.vtk（41.6 MB）Mesh_84215961.vtk（27.0 MB）Mesh_10954794.vtk（31.6 MB）Mesh_12305955.vtk（31.0 MB）Mesh_12928433.vtk（24.4 MB）Mesh_42551385.vtk（33.0 MB）Mesh_42412446.vtk（31.7 MB）Mesh_13013612.vtk（33.2 MB）Mesh_13142315.vtk（27.0 MB）Mesh_13585216.vtk（46.8 MB）Mesh_13711934.vtk（29.7 MB）Mesh_84758610.vtk（37.0 MB）
数据集大小约 3.51 GB。
数据说明
摘要 背景：目前针对心房颤动的消融治疗效果欠佳，且长期反应难以预测。临床试验所确定的床旁指标对人群长期反应的预测能力有限，而小队列中的患者特异性模型主要解释消融的急性反应。我们的目标是在大队列中预测消融后心房颤动的长期复发，通过使用机器学习来补充生物物理模拟，从而编码更多的个体间变异性。方法：为100例接受首次消融的心房颤动患者（43例阵发性、41例持续性、16例长程持续性）构建了患者特异性模型。使用动态心电图监测对患者进行为期1年的随访。每位患者的特异性生物物理模型结合了不同的纤维化模式、纤维取向图、电学特性和消融模式，以捕捉心房特性的不确定性，并测试组织维持颤动的能力。对这些不同模型变体的模拟压力测试进行后处理，以计算心房颤动模拟指标。
机器学习分类器经过训练，利用患者病史、影像学及心房颤动模拟指标中的特征来预测心房颤动的复发。结果：我们在100个患者特异性模型中进行了1100次心房颤动消融模拟。仅基于模拟压力测试的模型在预测长期颤动复发方面的最大准确率为0.63。结合病史、影像学和模拟压力测试训练的分类器（平均十倍交叉验证曲线下面积0.85±0.09，召回率0.80±0.13，精确率0.74±0.13）优于仅基于病史和影像学（曲线下面积0.66±0.17）或仅基于病史（曲线下面积0.61±0.14）训练的分类器。结论：一种新颖的计算流程通过将结果数据与患者特异性急性模拟反应相结合，准确预测了个体患者的长期心房颤动复发。这项技术可能有助于个性化选择
许可
cc-by-4.0
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
