急性卒中后早期个体化营养管理对1个月死亡率的影响
研究评估早期个体化营养管理对急性卒中后1个月死亡率的影响。干预组由营养师在卒中后2天内评估,筛查吞咽与进食障碍,记录至第7天能量摄入

基本信息
资源简介
急性卒中后早期个体化营养管理对1个月死亡率的影响
研究评估早期个体化营养管理对急性卒中后1个月死亡率的影响。干预组由营养师在卒中后2天内评估,筛查吞咽与进食障碍,记录至第7天能量摄入。按目标实施两级喂养:一级经口满足需求,失败时二级人工营养,初评后立即启动,每24至48小时重评调整。对照组实践不变。患者30天电话随访,3个月评估生活质量与改良Rankin。假设该管理可降低30天死亡率(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:急性卒中。本研究评估早期个体化营养管理对急性卒中后1个月死亡率的影响。在干预组的随机化中心,每例患者将在卒中后2天内由营养师进行评估。在给予饮食支持前,筛查任何吞咽问题,并识别任何进食障碍。记录患者食物摄入量直至急性期后第7天,以评估其能量摄入。根据患者的营养目标,实施包含2个级别的强化喂养策略,以预防营养不良:在第1级,营养师尝试通过口服满足营养需求;在第2级,如果单纯经口摄入无法满足需求或失败,其可采用人工营养。该策略在初步评估后立即启动。营养师每24至48小时重新评估摄入量,以便尽快调整营养策略,从而满足患者个体化的营养需求。对照组的随机化中心无需改变临床实践。所有患者将在卒中后30天通过电话联系,以收集部分评估标准,而其他标准将直接从患者的计算机化病历中收集。卒中后3个月,将进行生活质量和改良Rankin测试评估。我们的假设是:实施早期营养支持的个体化管理,旨在弥补与疾病相关的摄入减少,将降低因卒中住院患者30天时的死亡率。
【主题与分类】
主题标签:Acute Stroke。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07065929
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/NCT07065929
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:急性卒中。本研究评估早期个性化营养管理对急性卒中后1个月死亡率的影响。在干预组(早期个性化营养管理)的随机化中心中,每例患者将在卒中后2天内由营养师进行评估。筛查任何吞咽问题,并在进行饮食支持前识别任何进食障碍。记录患者的食物摄入量直至急性期后第7天,以评估其能量摄入。根据患者的营养目标,实施包含2个级别的强化喂养策略,以预防营养不良:在1级,营养师尝试通过口服满足营养需求;在2级,如果单纯经口摄入失败或无法满足需求,则可使用人工营养。该策略在初始评估后立即开始。营养师每24至48小时重新评估摄入量,以便尽快调整营养策略,从而满足患者的个性化营养需求。
对照组中的随机化中心无需改变实践。所有患者将在卒中后30天通过电话联系,以收集部分评估标准,而其他标准将直接从患者的计算机化病历中收集。卒中后3个月,将进行生活质量和改良Rankin测试评估。我们的假设是,实施个体化的早期营养支持管理,旨在补偿与疾病相关的摄入量减少,将降低因卒中住院患者的30天死亡率。
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。




