基于COR ECG可穿戴监测仪的AI直接心电图射血分数严重程度评估

数据集获取

源站：https://clinicaltrials.gov/study/NCT06699056

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：心室射血分数、左心室功能、左心室功能障碍、心房扩大、传导缺陷、心力衰竭、瓣膜性心脏病、缺血性心脏病。目的 本前瞻性研究旨在评估CorEFS AI软件在使用FDA批准的Peerbridge Cor®心电图设备采集的连续心电图波形估算射血分数（EF）严重程度分类方面的准确性，并以美国超声心动图学会（ASE）量表为校准标准。背景 心力衰竭（HF）仍是一个重大的公共卫生问题，尤其是在老年人（75岁以上）中，其发病率和死亡率均较高。半数心力衰竭病例涉及射血分数降低（HFrEF），该病症与75%的五年死亡率相关。尽管心力衰竭管理取得了进展，但便捷、低成本的EF监测仍然缺乏。超声心动图（Echo）是EF测量的金标准，但在门诊和家庭环境中应用受限。诸如Peerbridge Cor®之类的连续心电图可穿戴设备提供了一种有前景的替代方案，具有高诊断率、低佩戴负担和实时EF估算等优势。

既往研究（参考文献1-11）证明了人工智能赋能的心电图分析在射血分数预测中的潜力，在评估射血分数严重程度方面准确率高达91.4%，AUC达0.94。所提出的终点若能在统计学上成功达到临床可接受阈值，将为射血分数严重程度评估提供一种新的替代能力，相较于超声、MRI及其他可及性受限的影像学方式更具优势。假设：特定的心电图变化可能识别左心室收缩功能障碍（LVSD）并预测射血分数严重程度，从而在高危人群中实现低负担、高成本效益的射血分数监测。研究设计：参与者入组与设置。参与者将佩戴Peerbridge Cor®可穿戴设备，数据采集通过以下方式进行：临床内设置：研究工作人员粘贴并启动设备使用。患者居家设置（PHS）：通过远程医疗指导患者独立使用设备（占参与者的20%）。子方案A：30分钟的Cor®心电图记录；分析其中15分钟。B：使用Cor®设备最长7天，期间定期进行15分钟坐位记录。射血分数参考标准：射血分数严重程度

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。