动脉粥样硬化斑块中的细菌与不良事件
该数据集来自 clinicaltrials.gov,聚焦颈动脉狭窄、脑梗死、糖尿病、高血压等疾病背景下动脉粥样硬化斑块中的细菌

基本信息
资源简介
动脉粥样硬化斑块中的细菌与不良事件
该数据集来自 clinicaltrials.gov,聚焦颈动脉狭窄、脑梗死、糖尿病、高血压等疾病背景下动脉粥样硬化斑块中的细菌。研究拟建立颈动脉内膜剥脱术患者注册中心与标本库,在既定时间内开展斑块检测与分析,进行随访监测、血液实验室指标追踪、数据清洗,分析斑块内细菌种类,识别与术后不良事件相关的细菌并得出预期结论。数据可用于探索斑块细菌与术后不良事件的关联,支持预测性分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:颈动脉狭窄、脑梗死、糖尿病、细菌、细菌定植、高血压、颈动脉斑块、胞内细菌。研究目标 1. 主要研究目标 本项目旨在建立颈动脉内膜剥脱术后的患者与标本库注册中心。在既定时间内对接受颈动脉内膜剥脱术的患者进行斑块检测与分析,开展随访监测,追踪血液实验室指标,执行数据清洗,分析斑块内的细菌种类,识别与术后不良事件相关的细菌,并得出相应的预期结论。 2. 次要研究目标 1. 评估颈动脉斑块内的细菌种类;识别不同疾病类型动脉粥样硬化斑块中的细菌差异并进行功能分析。 2. 检测细菌种
【主题与分类】
主题标签:Carotid Artery Stenosis、Cerebral Infarction、Diabetes、Bacteria、Bacterial Colonization、Hypertension、Carotid Plaque、Intracellular Bacteria、Atherosclerosis of Artery、Bacteria in Plaques。本站分类:循环系统疾病/其他。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT06935279
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
源站:https://clinicaltrials.gov/study/NCT06935279
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 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。
- OpenDataLab:
数据说明
条件:颈动脉狭窄、脑梗死、糖尿病、细菌、细菌定植、高血压、颈动脉斑块、细胞内细菌。研究目标 1. 主要研究目标 本项目旨在建立颈动脉内膜剥脱术患者注册中心及标本库。对规定时间内接受颈动脉内膜剥脱术的患者进行斑块检测与分析,开展随访监测,追踪血液实验室指标,执行数据清洗,分析斑块内细菌种类,识别与术后不良事件相关的细菌,并得出相应的预期结论。 2. 次要研究目标 1. 评估颈动脉斑块内的细菌种类;识别不同疾病类型动脉粥样硬化斑块中的细菌差异并进行功能分析。 2. 检测与术后不良事件(脑梗死、颈动脉再狭窄、死亡)相关的斑块内细菌种类,识别与不良结局相关的风险细菌,并进行功能分析。 3.
清洗临床数据,分析术后不良事件与高危斑块内细菌之间的相关性,并校正年龄、性别、体重指数、总胆固醇、高密度脂蛋白、低密度脂蛋白胆固醇、甘油三酯、肌酐、糖尿病和高血压等混杂因素,以提高研究结果的可靠性。总体设计本研究是一项在中国西部开展的前瞻性、多中心队列研究。本注册研究主要在唐都医院神经外科开展,西安医学院第二附属医院、汉中市中心医院、汉中3201医院、宝鸡市人民医院和蒲城县人民医院神经外科参与。研究人群为接受CEA手术的18至90岁患者。符合所有纳入标准且不符合任何排除标准的患者,在表明知情同意参与后,可考虑入组。
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。
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。




