预防心血管事件的分期护理与基于危险因素护理的随机比较

数据集获取

源站：https://clinicaltrials.gov/study/NCT06112418

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

疾病：2型糖尿病、糖尿病前期、代谢综合征。心血管疾病（CVD）仍是全球发病和死亡的首要原因，并造成高昂的社会成本。当前CVD一级预防策略依赖于使用年龄、性别、糖尿病、高血压、血脂异常和吸烟等人群健康指标进行风险分层，并对较高风险层强化预防性治疗。由于这些危险因素只是潜在疾病——动脉粥样硬化——的间接替代标志物，该策略会导致对有危险因素但无动脉粥样硬化的个体进行治疗，而对有明显动脉粥样硬化但缺乏危险因素的个体未能治疗。当前策略也无法确定哪些个体尽管危险因素管理有效但仍治疗不充分（残余风险）。采用当前方法，美国CV死亡率呈上升趋势，尽管有证据表明筛查无症状患者可减少CV事件，且有效预防疗法已广泛可及。这项随机、对照、实用性试验旨在解决尚未满足的需求，即需要更好的策略来识别因动脉粥样硬化而CV事件风险增加的无症状个体，并利用冠状动脉疾病（CAD）可视化和定量进行CV风险评估，据此个体化其治疗。本研究纳入无已知ASCVD症状、但因年龄以及患有糖尿病、糖尿病前期或代谢综合征而ASCVD风险增加的患者，并检验以下假设：与基于危险因素的诊疗相比，基于CAD分期系统的诊疗策略可减少CV事件。Cleerly CAD分期系统整合了基于影像的冠状动脉粥样硬化评估、算法支持的药物治疗以及关于其CAD的个体化教育。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。