ARIC研究心电生物标志物动态预测准确性补充数据
该数据集为ARIC研究配套论文的补充文件，包含一个Excel表格，提供传统心电图标志物与GEH-ECG在3、6、9个月及1、2、3、5、10、15年预测窗口下，对心脏性猝死与非心脏性猝死预测的时间依赖AUC及95%置信区间，并覆盖研究数据集的五个分区
基本信息
资源简介
ARIC研究心电生物标志物动态预测准确性补充数据
MOESM1 of Dynamic predictive accuracy of electrocardiographic biomarkers of sudden cardiac death within a survival framework: the Atherosclerosis Risk in Communities (ARIC) study
该数据集为ARIC研究配套论文的补充文件，包含一个Excel表格，提供传统心电图标志物与GEH-ECG在3、6、9个月及1、2、3、5、10、15年预测窗口下，对心脏性猝死与非心脏性猝死预测的时间依赖AUC及95%置信区间，并覆盖研究数据集的五个分区。数据可用于评估和比较不同心电图生物标志物的动态预测准确性，支持生存分析框架下的预测建模研究（来源 figshare，CC BY + CC0 许可）。
【数据集背景】
配套论文《Dynamic predictive accuracy of electrocardiographic biomarkers of sudden cardiac death within a survival framework: the Atherosclerosis Risk in Communities (ARIC) study》发表于 BMC Cardiovascular Disorders（2019），DOI：10.1186/s12872-019-1234-9。项目资助方：National Heart, Lung, and Blood Institute。源站首次发布：2019-11-15。
【数据内容】
源站描述（机器翻译，仅供参考）：附加文件1：表S1。在预测窗口为3、6、9个月，1、2、3、5、10、15年时，针对传统ECG标志物和GEH-ECG，在研究数据集的五个分区中，预测SCD和非SCD的时间依赖AUC及95%置信区间。见单独的Excel文件。_lb = 下限；_ub = 上限。HR = 心率；qtc = QTc间期；qrs = QRS间期；pQRST = 峰值QRS-T角；aQRST = 面积QRS-T角；pSVGaz = 峰值SVG方位角；aSVGaz = 面积SVG方位角；pSVGel = 峰值SVG仰角；aSVGel = 面积SVG仰角；pSVGmag = 峰值SVG幅度；aSVGmag = 面积SVG幅度。SAI = 绝对QRST积分和（SAI QRST）。
【数据结构与技术规格】
文件数 1 个，合计 39.11 KB。数据集 DOI：10.6084/m9.figshare.10309616.v1。
【主题与分类】
源站学科分类：Space Science、Medicine、Astronomical and Space Sciences not elsewhere classified、Biological Sciences not elsewhere classified、Infectious Diseases、Computational Biology。主题标签：Electrocardiography、Sudden cardiac death、Vectorcardiography、Dynamic prediction、Global electrical heterogeneity。本站分类：循环系统疾病。
【适用方向】
源站学科分类标注为 Space Science、Medicine、Astronomical and Space Sciences not elsewhere classified、Biological Sciences not elsewhere classified、Infectious Diseases、Computational Biology。
【获取与许可】
源站页面：https://springernature.figshare.com/articles/dataset/MOESM1_of_Dynamic_predictive_accuracy_of_electrocardiographic_biomarkers_of_sudden_cardiac_death_within_a_survival_framework_the_Atherosclerosis_Risk_in_Communities_ARIC_study/10309616
使用许可：CC BY + CC0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Perez-Alday, Erick; Bender, Aron; German, David; Mukundan, Srini; Hamilton, Christopher; Thomas, Jason; et al. (2019). MOESM1 of Dynamic predictive accuracy of electrocardiographic biomarkers of sudden cardiac death within a survival framework: the Atherosclerosis Risk in Communities (ARIC) study. f…
【使用注意】
· 源站最后修改于 2023-06-02，引用时请注意版本时效。
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（Figshare）
- 源站标题：MOESM1 of Dynamic predictive accuracy of electrocardiographic biomarkers of sudden cardiac death within a survival framework: the Atherosclerosis Risk in Communities (ARIC) study
- DOI：10.6084/m9.figshare.10309616.v1
- 发布日期：2019-11-15
- 文件数：1 个
- 文件总体积：39.11 KB
- 源站页面：https://springernature.figshare.com/articles/dataset/MOESM1_of_Dynamic_predictive_accuracy_of_electrocardiographic_biomarkers_of_sudden_cardiac_death_within_a_survival_framework_the_Atherosclerosis_Risk_in_Communities_ARIC_study/10309616
命令行下载
curl -L -o "12872_2019_1234_MOESM1_ESM.xlsx" "https://ndownloader.figshare.com/files/18734807"
文件清单
12872_2019_1234_MOESM1_ESM.xlsx（39.11 KB）
文件总体积 39.11 KB（源站 API 实测）。
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。
数据说明
补充文件1：表S1。针对传统心电图标志物及GEH-ECG，在研究数据集的五个分区中，预测SCD与非SCD的时间依赖性AUC及其95%置信区间，预测窗口分别为3、6、9个月，1、2、3、5、10、15年。详见单独的Excel文件。_lb = 下限；_ub = 上限。HR = 心率；qtc = QTc间期；qrs = QRS间期；pQRST = QRS-T峰值角；aQRST = QRS-T面积角；pSVGaz = SVG方位角峰值；aSVGaz = SVG方位角面积；pSVGel = SVG仰角峰值；aSVGel = SVG仰角面积；pSVGmag = SVG幅度峰值；aSVGmag = SVG幅度面积。SAI = QRST绝对积分和（SAI QRST）。
许可
CC BY + CC0
引用
学术使用请引用 DOI 10.6084/m9.figshare.10309616.v1（source: https://springernature.figshare.com/articles/dataset/MOESM1_of_Dynamic_predictive_accuracy_of_electrocardiographic_biomarkers_of_sudden_cardiac_death_within_a_survival_framework_the_Atherosclerosis_Risk_in_Communities_ARIC_study/10309616）。
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。
