备孕生活方式干预(LIPP)
LIPP 是来自 clinicaltrials.gov 的数据集,聚焦备孕阶段的生活方式干预,涉及肥胖、生活方式相关状况及胎儿巨大儿等主题

基本信息
资源简介
备孕生活方式干预(LIPP)
LIPP 是来自 clinicaltrials.gov 的数据集,聚焦备孕阶段的生活方式干预,涉及肥胖、生活方式相关状况及胎儿巨大儿等主题。源站描述显示,该研究旨在探讨备孕生活方式干预对母婴代谢与脂肪堆积的生理意义,并基于超重和肥胖成人中监督下生活方式干预可带来体重下降、胰岛素敏感性改善、糖耐量及肠促胰岛素分泌改善等初步数据,预期在计划二次妊娠的超重/肥胖女性中产生类似健康获益,包括更高的胰岛素敏感性、更低的胰岛素分泌和更少的炎症,从而预防营养过剩。该数据可用于代谢、心血管及母婴健康相关预测研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:肥胖、生活方式相关状况、胎儿巨大儿。具体目标 1:研究备孕生活方式干预(LIPP)对母婴代谢与脂肪堆积的生理意义。引言/依据:我们的初步数据表明,在超重和肥胖成人中,监督下的生活方式干预可导致显著体重减轻、胰岛素敏感性改善、糖耐量及肠促胰岛素分泌改善,并伴随更健康的心血管和身体成分结局。我们预期,所提出的生活方式干预的时机与实施将在计划二次妊娠的超重/肥胖女性中产生类似的健康获益,并带来更高的胰岛素敏感性、更低的胰岛素分泌和更少的炎症。这些改善将导致预防营养过剩(葡萄糖
【主题与分类】
主题标签:Obesity、Lifestyle-related Condition、Macrosomia, Fetal。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT03146156
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/NCT03146156
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:肥胖、生活方式相关状况、巨大儿、胎儿。具体目标1:探讨备孕生活方式干预(LIPP)对母婴代谢及肥胖的生理意义。引言/依据:我们的初步数据表明,监督下的生活方式干预可导致超重和肥胖成年人显著减重,改善胰岛素敏感性、葡萄糖耐量和肠促胰岛素分泌,并带来更健康的心血管和身体成分结果。我们预期,所提议的生活方式干预的时机和实施将在计划二次妊娠的超重/肥胖女性中产生类似的健康益处,并导致更高的胰岛素敏感性、减少的胰岛素分泌和较少的炎症。这些改善将防止过量营养素(葡萄糖和脂质)可用性促进胎儿过度生长/肥胖。本目标的工作假设是,与妊娠期体重增加(GWG)相比,肥胖母亲孕前胰岛素敏感性降低是婴儿脂肪堆积临床变异的最大原因。
尽管在临床上我们预期LIPP组的体重和BMI会下降,但胰岛素敏感性和代谢谱的改善才是与新生儿脂肪减少这一主要结局相关的关键生理指标,而非体重减轻本身。其依据在于,实施生活方式干预以在生理、细胞和分子层面有效改善母亲健康,并使婴儿达到最佳脂肪水平的最佳时机是在孕前。产后体重减轻的女性在后续妊娠中新生儿出生体重(主要是脂肪组织)会下降,而体重增加的女性则会出现新生儿出生体重和脂肪增加。我们假设,母亲孕前代谢状况决定了宫内致肥胖环境,进而影响胎盘的编程
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。




