正常范围蛋白尿慢性肾脏病预后数据：CKD-ROUTE研究
背景：尽管较低的估算肾小球滤过率（eGFR）和较高的蛋白尿是死亡和肾脏结局的高风险因素，但正常范围蛋白尿的慢性肾脏病（CKD）患者的预后仍不清楚
基本信息
资源简介
正常范围蛋白尿慢性肾脏病预后数据：CKD-ROUTE研究
本数据集源自一项关于慢性肾脏病（CKD）预后的前瞻性队列研究，英文名称为“Data from: Prognosis of chronic kidney disease with normal-range proteinuria: The CKD-ROUTE study”。该研究关注的是在蛋白尿处于正常范围时，CKD患者的预后情况。尽管较低的估算肾小球滤过率（eGFR）和较高的蛋白尿已被视为死亡和肾脏结局的高风险因素，但正常范围蛋白尿的CKD患者其预后仍不明确。研究共纳入1138名新就诊的G2至G5期CKD患者，并按蛋白尿水平分为正常范围组和异常范围组，以CKD进展、心血管事件和全因死亡作为研究终点。该数据集由Dryad机构发布，发布时间为2018年，采用Creative Commons Zero v1.0 Universal许可协议，作者包括Iimori, Soichiro等多位研究者。本数据集可为CKD预后研究提供有价值的参考。
【数据集背景】
慢性肾脏病（CKD）是全球范围内的重要公共卫生问题。既往研究已确认，较低的估算肾小球滤过率（eGFR）和较高的蛋白尿水平是患者死亡及不良肾脏结局的高风险因素。然而，对于蛋白尿处于正常范围的CKD患者，其长期预后究竟如何，此前尚缺乏明确结论。为填补这一空白，研究者开展了CKD-ROUTE研究，旨在探讨正常范围蛋白尿的CKD患者的预后特征。该研究为前瞻性队列设计，聚焦于新就诊的G2至G5期CKD患者，通过将患者按蛋白尿水平分层，比较正常范围与异常范围蛋白尿组在CKD进展、心血管事件及全因死亡等终点上的差异。本数据集即来源于该研究，记录了相关患者的基线特征与随访结局，为深入理解正常范围蛋白尿CKD患者的疾病轨迹提供了数据基础。
【数据内容】
本数据集的核心内容来自一项前瞻性队列研究，共涉及1138名新就诊的G2至G5期CKD患者。这些患者被划分为正常范围蛋白尿组和异常范围蛋白尿组。研究的主要终点包括CKD进展（定义为eGFR下降超过50%或开始透析）、心血管事件以及全因死亡。在最终分析中，共纳入927名随访时间超过6个月的患者。这些患者的平均年龄为67岁，其中70.2%为男性。在中位随访时间为35个月期间，观察到CKD进展223例、心血管事件110例、死亡55例。研究还发现，正常范围蛋白尿的患者具有显著较低的风险。数据集具体包含的变量字段、样本量细节及数据格式，源站未提供。
【采集与来源】
该数据集来源于一项前瞻性队列研究，即CKD-ROUTE研究。研究对象为新就诊的G2至G5期CKD患者，初始纳入1138人，最终分析纳入927名随访超过6个月的患者。数据采集地点、具体招募方式、随访流程以及数据收集的时间跨度等详细信息，源站未提供。数据集的来源站为doi.org，发布机构为Dryad，发布时间为2018年。作者包括Iimori, Soichiro、Naito, Shotaro、Noda, Yumi、Sato, Hidehiko、Nomura, Naohiro、Sohara, Eisei、Okado, Tomokazu、Sasaki, Sei、Uchida, Shinichi和Rai, Tatemitsu。关于数据采集的具体机构、伦理审批信息及数据管理流程，源站未提供。
【适用场景】
本数据集适用于慢性肾脏病（CKD）预后相关的研究，尤其是关注正常范围蛋白尿患者结局的领域。具体应用场景包括：分析正常范围蛋白尿与异常范围蛋白尿CKD患者在CKD进展、心血管事件及全因死亡风险上的差异；探索eGFR、蛋白尿水平与患者长期预后之间的关系；验证或开发生存分析模型、风险预测模型；以及为临床决策提供基于真实世界队列的证据。此外，该数据集也可用于教学、方法学示范或作为系统综述与荟萃分析的原始数据来源之一。由于数据集涉及特定人群（G2-G5期CKD患者，平均年龄67岁，以男性为主），在推广至其他人群时需谨慎。其他潜在应用场景，源站未提供。
【使用方法】
使用本数据集时，研究者可根据研究目的提取相关变量，如患者基线特征（年龄、性别、eGFR、蛋白尿水平等）、分组信息（正常范围或异常范围蛋白尿）以及随访结局（CKD进展、心血管事件、全因死亡）。由于数据集来自前瞻性队列研究，适合采用生存分析（如Kaplan-Meier曲线、Cox比例风险模型）来评估不同蛋白尿水平与结局之间的关联。在分析时，需注意研究设计中的分层因素和随访时间。数据的具体格式、变量编码、缺失值处理方式以及是否附带分析代码，源站未提供。建议使用者参考原研究论文以获取更详细的统计方法和分析策略。此外，使用时应遵守许可协议要求。
【质量与限制】
该数据集基于前瞻性队列设计，样本量较大（初始1138例，分析927例），随访时间中位数为35个月，具有一定的代表性和统计效力。研究明确了纳入和排除标准，并设置了客观的研究终点。然而，也存在若干限制：首先，研究对象为新就诊的G2至G5期CKD患者，平均年龄67岁，男性占70.2%，结果外推至其他人群（如年轻患者、女性比例更高的人群）时需谨慎。其次，数据集未提供关于数据缺失、失访原因、测量误差等方面的详细信息，源站未提供。此外，该研究仅关注正常范围与异常范围蛋白尿的对比，未涵盖其他可能影响预后的因素。最后，数据集的具体变量定义、数据清洗流程及质量控制措施，源站未提供。使用者应充分了解这些限制，并在分析中加以考虑。
【引用与许可】
本数据集的英文名称为“Data from: Prognosis of chronic kidney disease with normal-range proteinuria: The CKD-ROUTE study”，作者为Iimori, Soichiro、Naito, Shotaro、Noda, Yumi、Sato, Hidehiko、Nomura, Naohiro、Sohara, Eisei、Okado, Tomokazu、Sasaki, Sei、Uchida, Shinichi和Rai, Tatemitsu。发布机构为Dryad，发布时间为2018年，来源站为doi.org。该数据集采用Creative Commons Zero v1.0 Universal许可协议，这意味着使用者可以自由地复制、修改、分发和演绎该数据，甚至用于商业目的，无需获得额外许可。但建议在使用时按照学术规范引用原数据集及关联论文。关于引用的具体格式要求、是否需要注明数据版本以及关联论文的完整引用信息，源站未提供。使用者应遵守许可协议，并尊重原作者的贡献。
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://doi.org/10.5061/dryad.kq23s
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 418.6 KB。
数据说明
背景：尽管较低的估算肾小球滤过率（eGFR）和较高的蛋白尿是死亡和肾脏结局的高风险因素，但正常范围蛋白尿的慢性肾脏病（CKD）患者的预后仍不清楚。方法：在这项前瞻性队列研究中，1138名新就诊的G2-G5期CKD患者被分为正常范围蛋白尿组和异常范围蛋白尿组。研究终点为CKD进展（eGFR下降>50%或开始透析）、心血管事件和全因死亡。结果：共有927名随访时间>6个月的患者纳入分析。平均年龄为67岁，70.2%为男性。在中位随访35个月期间，分别有223、110和55名患者观察到CKD进展、心血管事件和死亡。通过多变量Cox比例风险分析，正常范围蛋白尿患者的CKD进展风险显著低于异常蛋白尿患者（风险比，0.20；95%置信区间，0.10-0.38）。我们还分析了正常范围蛋白尿患者（n=351）。
肾硬化是所有正常范围蛋白尿患者中CKD最常见的病因（59.7%）。在中位36个月的随访期间，分别有10例、28例和18例患者观察到CKD进展、心血管事件和死亡。Kaplan-Meyer分析显示，CKD进展和心血管事件的风险在各CKD分期之间无显著差异，而晚期CKD患者的死亡风险显著更高。多因素Cox比例风险分析显示，三个终点的风险在各CKD分期之间无显著差异。结论：新就诊的正常范围蛋白尿CKD患者，在健康体检中往往被忽视，但在肾脏病专科治疗下，即使处于晚期CKD阶段，其肾功能也未出现下降。
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。
