不明原因多发性神经病患者中野生型TTR心脏淀粉样变性的患病率
该数据集来自clinicaltrials.gov,聚焦于不明原因的多发性神经病患者中野生型TTR心脏淀粉样变性的患病率。研究对象为慢性轴索性长度依赖性多发性神经病和/或小纤维神经病且病因未明的患者,这些患者此前已在UZ-Brussel神经内科完成常规神经传导检查、肌电图和Sudoscan®检查

基本信息
资源简介
不明原因多发性神经病患者中野生型TTR心脏淀粉样变性的患病率
该数据集来自clinicaltrials.gov,聚焦于不明原因的多发性神经病患者中野生型TTR心脏淀粉样变性的患病率。研究对象为慢性轴索性长度依赖性多发性神经病和/或小纤维神经病且病因未明的患者,这些患者此前已在UZ-Brussel神经内科完成常规神经传导检查、肌电图和Sudoscan®检查。参与者将接受一天的神内与心内科访视,评估症状、严重程度、病程及自主神经症状,并采集心电图和超声心动图等数据。该数据可用于探索多发性神经病人群中心脏淀粉样变性的筛查与关联分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:多发性神经病、淀粉样变性。患有慢性轴索性长度依赖性多发性神经病(CAP)和/或小纤维神经病(SFN)且无明确病因的患者,将在UZ-Brussel神经内科常规临床环境下先前完成的神经传导检查(NCS)、肌电图(EMG)和Sudoscan®标准神经学常规检查后招募。所有参与者将被邀请到神经内科和心内科,在一天内进行一次访视,进行以下评估:将进行以下检查: 评估多发性神经病的症状、严重程度和持续时间,并使用NTSS-6和COMPASS31评分来映射躯体感觉和自主神经症状 使用以下量表评估客观多发性神经病体征:mPND、NIS 堪萨斯城心肌病问卷(KCCQ) 心电图(ECG) * 超声心动图 以下
【主题与分类】
主题标签:Polyneuropathy、Amyloidosis。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT05950867
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/NCT05950867
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:多发性神经病、淀粉样变性。将在神经内科常规临床环境下,于UZ-Brussel神经内科既往完成NCS(神经传导检查)、EMG和Sudoscan®的神经系统标准常规检查后,招募患有慢性轴索性长度依赖性多发性神经病(CAP)和/或小纤维神经病(SFN)且病因未明的患者。
所有参与者将被邀请至神经内科和心内科,于同一天进行一次访问,以进行以下评估:将执行以下检查:* 评估多发性神经病的症状、严重程度和持续时间,并使用NTSS-6和COMPASS31评分来映射躯体感觉和自主神经症状* 使用以下量表评估客观多发性神经病体征:mPND、NIS* 堪萨斯城心肌病问卷(KCCQ)* 心电图(ECG)* 超声心动图以下来自医疗档案的回顾性数据将被分析:* 评估病史、医疗治疗和人口统计资料* 评估从医疗档案中提取的实验室结果(以及,如适用,其他检查),这些结果先前在多发性神经病检查过程中已执行* 评估先前执行的NCV/EMG数据和Sudoscan®,这些数据从参与者的医疗档案中提取。
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。




