静脉溶栓后缺血性卒中远端新发脑微出血预测因素数据
目的:评估急性卒中患者静脉溶栓(IVT)后新发远端脑微出血(CMB)的发生频率、相关因素和潜在血管病变,以及与新生CMB相关的伴随出血并发症风险

基本信息
资源简介
静脉溶栓后缺血性卒中远端新发脑微出血预测因素数据
目的:评估急性卒中患者静脉溶栓(IVT)后新发远端脑微出血(CMB)的发生频率、相关因素和潜在血管病变,以及与新生CMB相关的伴随出血并发症风险
Data from: Predictors of new remote cerebral microbleeds after intravenous thrombolysis for ischemic stroke
【数据集背景】
源站首次发布:2019。
【数据内容】
源站描述(机器翻译,仅供参考):目的:评估急性卒中患者静脉溶栓(IVT)后新发远端脑微出血(CMB)的发生频率、相关因素和潜在血管病变,以及与新生CMB相关的伴随出血并发症风险。方法:我们利用本地溶栓登记库的数据开展了一项观察性研究。纳入2008—2017年间接受基于MRI(3-Tesla)的IVT并在次日进行随访MRI的连续卒中患者(n=396)。仅考虑位于缺血病灶之外的CMB。我们还对IVT后新发CMB进行了meta分析,纳入另外两项研究。结果:在我们的队列中,IVT后16/396例患者(4.0%)出现新发远端CMB,且13/16例患者(81%)呈严格脑叶分布。具有严格脑叶分布的既存CMB患者显著更可能
【主题与分类】
主题标签:缺血性卒中、静脉溶栓、脑微出血、MRI、观察性研究、meta分析、出血并发症。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://datadryad.org/dataset/doi:10.5061/dryad.b1g138g
使用许可:Creative Commons Zero v1.0 Universal。
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://doi.org/10.5061/dryad.b1g138g
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:
数据集大小约 216.5 KB。
数据说明
目的:评估急性卒中患者静脉溶栓(IVT)后新发远隔部位脑微出血(CMB)的发生频率、相关因素及潜在血管病变,以及与新生CMB相关的伴随出血并发症风险。方法:我们利用本地区溶栓登记数据进行了一项观察性研究。纳入2008至2017年间连续接受基于MRI(3特斯拉)指导的IVT并在次日进行随访MRI的卒中患者(n=396)。仅考虑位于缺血病灶之外的新发CMB。我们还对IVT后新发CMB进行了荟萃分析,其中包括另外两项研究。结果:在我们的队列中,IVT后有16/396例患者(4.0%)出现新发远隔部位CMB,其中13/16例(81%)呈严格脑叶分布。既往存在严格脑叶分布CMB的患者在IVT后发生新发CMB的可能性显著更高(p=0.014)。在随机效应荟萃分析(n=741)中,IVT后新发CMB的合并累积发生率为4.4%。
较高的基线CMB负荷(>2)与新发CMB的可能性较高相关(比值比[OR] 3.6,95%置信区间[CI] 1.3–10.3),且新发CMB与远隔脑实质出血的发生相关(OR 28.8,95%CI 8.6–96.4)。结论:静脉溶栓(IVT)后新发远隔CMB发生于4%的卒中患者,主要呈严格脑叶分布,并与IVT相关出血并发症相关。基线CMB呈严格脑叶分布且CMB负荷较高与IVT后新发CMB相关,这可能提示潜在脑淀粉样血管病。
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。
需要用于商业化训练或医疗器械注册(NMPA/FDA)?
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。




