有氧训练对绝经后多重疾病女性健康参数的影响
研究以血清甘油三酯变化为主要终点，样本量经 G * Power 3.1 软件估算，采用 5% α 误差、80% 检验效能、重复测量相关系数 0.5、非球形校正 1，效应量 f = 0.24，得出最低样本 38 人（每组 19 人）
基本信息
资源简介
有氧训练对绝经后多重疾病女性健康参数的影响
该数据集来自 clinicaltrials.gov，关注绝经后多重疾病女性的有氧训练健康效应，涉及 Multimorbidity、Multiple Chronic Conditions、Hypertension、Dyslipidemias 等状况。研究以血清甘油三酯变化为主要终点，样本量经 G * Power 3.1 软件估算，采用 5% α 误差、80% 检验效能、重复测量相关系数 0.5、非球形校正 1，效应量 f = 0.24，得出最低样本 38 人（每组 19 人）。结果以均值 ± 标准误表示，组间基线用非配对检验比较。可用于分析有氧训练对多重疾病绝经后女性代谢与心血管健康参数的影响（来源 clinicaltrials.go。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：Multimorbidity、Multiple Chronic Conditions、Hypertension、Dyslipidemias。样本量使用 G * Power 3.1 软件（University of Dusseldorf, Dusseldorf, Germany）进行分类，采用 5% 的 α 误差、80% 的检验效能分析、重复测量间 0.5 的相关性以及 1 的非球形校正，在 F 家族的组内-组间分析中。血清甘油三酯的变化被评估为主要研究终点。研究者未在文献中找到根据本研究的计算进行设计和计算预测的研究，样本计算的效应量为 f = 0.24。因此，发现最低所需样本为 38 名受试者（每组 19 名）。结果以均值 ± 标准误表示。非配对检验用于比较组间基线特征。组间比较和动脉持续时间
【主题与分类】
主题标签：Multimorbidity、Multiple Chronic Conditions、Hypertension、Dyslipidemias。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/NCT05075902
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/NCT05075902
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：多病共存、多种慢性病、高血压、血脂异常。样本量使用G * Power 3.1软件（德国杜塞尔多夫大学，杜塞尔多夫，德国）进行分类，采用5%的α错误、80%的检验效能分析、重复测量间相关性为0.5、非球形校正为1，在F家族的组内-组间分析中。血清甘油三酯的变化被评估为主要研究终点。研究者未在文献中找到根据本研究计算的设计和预测计算的研究，样本计算的效果量f = 0.24。因此，发现最低所需样本量为38名受试者（每组19名）。结果以均值 ± 标准误表示。使用非配对检验比较组间基线特征。组间比较以及动脉僵硬度、血脂谱、血糖谱、更年期症状、身体成分和ABPM的持续时间比较，采用双因素（时间、组别及其交互作用）的广义估计方程（GEE）并进行Bonferroni校正。
分析采用意向性治疗原则（包括未完成研究者：MORB组 n = 18；MULTI组 n = 24），并使用末次观测值结转法进行。统计学显著性设定为p值<0.05，所有统计分析均使用SPSS软件v26.0（IBM，美国纽约）完成。
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。
