高覆盖率颈动脉支架术对比单纯药物治疗预防症状性非狭窄性颈动脉疾病栓塞(SyNC)
该数据集来自 clinicaltrials.gov,聚焦症状性非狭窄性颈动脉疾病(SyNC)且狭窄程度小于50%、伴有高卒中复发风险斑块特征的患者

基本信息
资源简介
高覆盖率颈动脉支架术对比单纯药物治疗预防症状性非狭窄性颈动脉疾病栓塞(SyNC)
该数据集来自 clinicaltrials.gov,聚焦症状性非狭窄性颈动脉疾病(SyNC)且狭窄程度小于50%、伴有高卒中复发风险斑块特征的患者。研究对比高覆盖率颈动脉支架术(CARESTO® heal Stent)与单纯药物治疗,评估临床安全性与有效性及中长期结局。通过随机分组获取无偏倚可靠数据,为这类患者的最佳治疗策略提供依据。数据可用于预测卒中复发风险、比较治疗结局及分析斑块影像特征与临床事件的关系(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:颈动脉疾病、症状性颈动脉狭窄、颈动脉支架术、颈动脉斑块成像、不明原因栓塞性卒中、颈动脉血栓形成。CARESTAR 研究的目的是分析 CARESTO® heal 支架在标准临床常规中用于治疗症状性非狭窄性颈动脉疾病(SyNC)<50% 且具有高卒中复发风险斑块特征的患者时的临床安全性和有效性,并与药物治疗组进行比较,同时评估中长期临床结局。通过将参与者随机分配到两个治疗组,旨在生成无偏倚且可靠的数据,为这一患者群体的最佳治疗方法提供信息。尽管药物治疗和血管内治疗取得了进展,低级别易损斑块的最佳治疗策略
【主题与分类】
主题标签:Carotid Artery Disease、Symptomatic Carotid Artery Stenosis、Carotid Artery Stenting、Carotid Plaque Imaging、Embolic Stroke of Undetermined Source、Carotid Artery Thrombosis。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07166731
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/NCT07166731
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:颈动脉疾病、症状性颈动脉狭窄、颈动脉支架置入术、颈动脉斑块成像、不明原因栓塞性卒中、颈动脉血栓形成。CARESTAR研究的目的在于分析CARESTO® heal支架在标准临床常规中用于治疗症状性非狭窄性颈动脉疾病(SyNC)<50%且具有高复发卒中风险斑块特征患者的临床安全性和有效性,并与药物治疗组进行比较,同时评估其中长期临床结局。通过将受试者随机分配至两个治疗组,旨在生成无偏倚且可靠的数据,为这一患者群体的最佳治疗策略提供信息。尽管药物治疗和血管内治疗已取得进展,但低度易损斑块的最佳治疗策略仍不明确。因此,迫切需要在这一特定患者群体中,根据临床常规评估颈动脉支架置入术等微创手术相较于药物治疗的有效性和安全性。
通过CARESTAR这一多中心、前瞻性、随机、平行组、开放标签且安全终点设盲的研究,这一空白有望得以填补。鉴于上述考虑,伴有神经症状的症状性非狭窄性颈动脉疾病(SyNC)狭窄程度小于50%构成了一种危急情况,此时应考虑所有可用方案,以促进患者健康状况的改善或预防继发性疾病。
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。
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。




