用于预测心肌梗死后心律失常性心脏性猝死的数字医学孪生数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT07527494

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：心源性猝死、心肌梗死。心源性猝死（SCD）占普通人群死亡人数的10%，其中80%的病例由恶性室性心律失常所致。这些心律失常主要发生于心肌病患者，尤其是具有心肌梗死（MI）病史者。目前，首次MI后的SCD预防依赖于基于心肌收缩力的风险分层，具体为对左心室射血分数（LVEF）≤ 35%的患者指示预防性植入心脏除颤器。然而，该方法因两个主要原因而不充分：1. 在LVEF ≤ 35%的患者中，仅少数（每年2-5%）会发生心律失常并从除颤器植入中获益，而所有患者均面临器械潜在的严重并发症。2. 大多数SCD病例发生于LVEF > 35%的患者。尽管这些患者的个体心律失常风险较低（每年1-2%），但他们代表了相当大的高危人群，且该群体内部尚无分层。

新出现的证据表明，额外参数（生物标志物、心脏影像学和电生理数据）能够更好地表征患者首次心肌梗死后的致心律失常基质，从而改进对心律失常性心脏性猝死风险患者的识别。本研究的主要目标是开发一个多参数模型，该模型在预测首次心肌梗死患者是否需要植入心脏除颤器方面优于当前标准（LVEF < 35%）。将利用临床数据、生物学数据、使用CT扫描和MRI获得的瘢痕影像数据，以及来自12导联心电图、24小时动态心电图的电生理数据来建立该多参数模型。该模型将与当前标准进行比较，以预测恶性室性心律失常的发生（一年随访期间自发性发生，或在12个月和24个月时由电生理检查诱发）在

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。