前瞻性队列研究：卒中后独立行走恢复预后标准的评估

数据集获取

源站：https://clinicaltrials.gov/study/NCT05572892

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

条件：卒中。独立行走能力是卒中后康复最常见的目​​标。患者能否独立行走会影响康复类型和持续时间的选择，以及急性期出院时拟定的去向。拟议研究关注的是重复一项美国标志性研究（《TWIST算法预测卒中后独立行走时间》，Smith等），该研究发表于2017年的《神经康复与神经修复》，开发了一种算法，基于躯干控制测试（TCT）对躯干控制的临床评估和医学研究委员会（MRC）髋伸展运动力量来预测卒中后独立行走的恢复。该算法在预测6周和12周时恢复行走方面的表现良好（< 6周：阳性预测值 = 91%，阴性预测值 = 100% // < 12周：阳性预测值 = 100%，阴性预测值 = 97%），但鉴于研究中纳入的患者数量较少（N = 41），需要确认。

计划研究的原创性在于尝试纳入并分析比原始研究更多的患者，研究其他可能影响恢复的因素，并将随访持续至6个月，而原始研究未进行此项随访。预期结果将有助于确认TWIST算法，以便更好地独立预测步行恢复情况，从而指导康复治疗，并让患者对自身步行恢复进展有一个预估。对患者的潜在益处包括维持康复动力，并在医疗-社会-经济层面产生影响（尤其是避免将资源投入到不太可能实现的目标上）。先验而言，不存在可预见的风险。如果结果与原始研究一致，则可能考虑将TWIST算法应用于任何导致步行依赖的首发卒中的常规实践。

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。