慢性病儿童心血管风险研究
该数据集来自 clinicaltrials.gov,聚焦慢性病儿童的心血管风险,覆盖肾移植、家族性高胆固醇血症、1型糖尿病、2型糖尿病、慢性肾病、川崎病、肝移植、肥胖与超重等疾病人群

基本信息
资源简介
慢性病儿童心血管风险研究
该数据集来自 clinicaltrials.gov,聚焦慢性病儿童的心血管风险,覆盖肾移植、家族性高胆固醇血症、1型糖尿病、2型糖尿病、慢性肾病、川崎病、肝移植、肥胖与超重等疾病人群。研究关注这些儿童因心脏和血管加速老化而面临高于同龄人的心血管疾病风险,并指出尽管专家建议密切监测和早期干预,其潜在机制仍不明确,目前尚无针对根本原因的有效干预。研究提示大血管(如颈动脉)和小血管(如视网膜血管)可在临床显症前数十年出现早期损伤迹象,可用于心血管风险预测与早期识别研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:肾移植、家族性高胆固醇血症、1型糖尿病(T1DM)、2型糖尿病(T2DM)、慢性肾病、川崎病、肝移植、肥胖与超重。患有慢性健康疾病的儿童比其同龄人面临更高的心血管疾病风险,这主要是由于心脏和血管的加速老化。尽管专家认识到这种风险升高并建议密切监测和早期干预,但驱动这一现象的潜在机制仍知之甚少。目前,尚无有效干预措施专门针对其根本原因。近期研究表明,大血管(如颈动脉)和小血管(如视网膜中的血管)可在临床明显的心脏或血管疾病出现前数十年就显示出早期损伤迹象。这种加速
【主题与分类】
主题标签:Kidney Transplant、Familial Hypercholesterolaemia、Type 1 Diabetes Mellitus (T1DM)、Type 2 Diabetes Mellitus (T2DM)、Chronic Kidney Disease、Kawasaki Disease、Liver Transplant、Obesity and Overweight、Hypertension、Coarctation of Aorta。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07086989
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/NCT07086989
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
疾病:肾移植、家族性高胆固醇血症、1型糖尿病(T1DM)、2型糖尿病(T2DM)、慢性肾脏病、川崎病、肝移植、肥胖和超重。患有慢性疾病的儿童比同龄人面临更高的心血管疾病风险,这主要是由于心脏和血管的加速老化。尽管专家们认识到这一风险增加,并建议进行密切监测和早期干预,但驱动这一现象的潜在机制仍知之甚少。目前,尚无有效干预措施专门针对其根本原因。最近的研究表明,大血管(如颈动脉)和小血管(如视网膜中的血管)在临床明显的心脏或血管疾病出现前几十年就能显示出早期损伤迹象。
这种加速的血管老化可能由多种因素引起——包括疾病相关过程,如持续性炎症和代谢紊乱;治疗相关效应,如化疗或长期使用类固醇;以及与慢性病相关的生活方式改变,如体力活动减少和饮食习惯改变。然而,这些因素如何影响儿童成长过程中血管变化的发生和发展,目前仍不清楚。重要的是,这些变化可以通过无创方法进行监测,为在明显心血管疾病发生前许多年研究高危患者提供了独特机会。识别这些早期变化可能使我们能够在临床疾病出现之前很久就检测并追踪高风险个体。本研究旨在加深我们对慢性病儿童心血管风险增加原因的理解,并为更早期、更有针对性的预防策略奠定基础。
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。




