NIDDK 慢性肾功能不全队列研究（CRIC）
该数据集来自 omicsdi.org，为 NIDDK 于 2001 年建立的慢性肾功能不全队列研究（CRIC）。数据覆盖慢性肾脏病患者，旨在探究慢性肾脏病与心血管疾病之间的关系，考察慢性肾脏病进展及心血管疾病的风险因素，并开发预测模型以识别高危亚组，为未来治疗试验和现有预防疗法的应用提供依据
基本信息
资源简介
NIDDK 慢性肾功能不全队列研究（CRIC）
NIDDK 慢性肾功能不全队列研究（Chronic Renal Insufficiency Cohort Study，CRIC）是由美国国立糖尿病、消化系统疾病和肾脏疾病研究所（NIDDK）于 2001 年建立的队列研究，数据经 omicsdi.org 收录，在本站归入循环系统疾病 / 其他类别，主题标签为 Genomics。该研究的核心关切是慢性肾脏病与心血管疾病之间的关系，围绕慢性肾脏病患者的疾病进展与心血管疾病风险因素展开考察，并致力于开发预测模型以识别高危亚组，从而为未来治疗试验提供信息、促进现有预防疗法的应用。以下依据可获得的信息对该数据集作分段介绍。
【数据集背景】
CRIC 研究由 NIDDK 于 2001 年发起建立，其设立目的是加深对慢性肾脏病与心血管疾病之间关系的理解。研究关注的对象是慢性肾脏病患者群体，研究目标包括两方面：一是考察慢性肾脏病进展及心血管疾病的风险因素，二是开发预测模型以识别高危亚组。这些目标指向明确的应用意图，即为未来的治疗试验提供依据，并提高现有预防疗法的应用水平。该数据集在站内被归入循环系统疾病 / 其他分类，主题标签为 Genomics，来源站为 omicsdi.org。
【数据内容】
该数据集覆盖慢性肾脏病患者人群，研究内容围绕慢性肾脏病的进展与心血管疾病两方面展开，涉及对相关风险因素的考察以及预测模型的开发。主题标签为 Genomics，表明该数据集在主题上与基因组学相关。除上述范围性描述外，关于具体变量构成、样本规模、随访安排、组学数据类型等细节，源站未提供。
【采集与来源】
该数据集来源于 omicsdi.org。CRIC 研究本身由 NIDDK 于 2001 年建立，是一项以慢性肾脏病患者为对象的队列研究。关于数据采集的具体机构分工、采集地点、采集时间跨度、样本处理与测序平台等信息，源站未提供。
【适用场景】
基于该研究的设定，该数据集适用于与慢性肾脏病和心血管疾病关系相关的研究场景，包括考察慢性肾脏病进展的风险因素、考察心血管疾病的风险因素、构建或验证用于识别高危亚组的预测模型，以及为未来治疗试验的设计和现有预防疗法的应用提供参考。结合其 Genomics 主题标签，该数据集亦可用于与慢性肾脏病相关的基因组学分析场景。关于具体适用分析类型与方法学要求的更多细节，源站未提供。
【使用方法】
源站未提供关于数据获取方式、访问权限、文件格式、数据结构说明及推荐分析流程的具体信息。
【质量与限制】
源站未提供关于数据质量评估、完整性、准确性、缺失情况、样本代表性及使用限制的具体信息。需要说明的是，该数据集为观察性队列研究数据，其研究目标为考察风险因素与开发预测模型，而非确立因果关系；这一性质属于研究设计层面的通用认识，具体质量指标仍以源站未提供为准。
【引用与许可】
源站未提供关于引用格式、许可条款及使用协议的具体信息。
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://omicsdi.org/dataset/ega/phs000524.v1.p1
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
慢性肾功能不全队列（CRIC研究）由美国国立糖尿病、消化和肾脏疾病研究所（NIDDK）于2001年建立，旨在加深对慢性肾脏病与心血管疾病之间关系的理解。CRIC研究的目标是探究慢性肾脏病患者中慢性肾脏病进展和心血管疾病的危险因素，并开发预测模型以识别高风险亚组，为未来的治疗试验提供依据，并促进现有预防疗法的应用。
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。
