人工智能语音分析与远程监测用于心力衰竭的可行性研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07664748

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：心力衰竭。心力衰竭（HF）是老年人住院和死亡的主要原因，其特征是再入院率高，并对国家卫生服务体系产生重大影响。尽管有指南推荐，但仅有少数患者能在出院后及时获得随访，这导致了临床状况恶化和医疗成本上升。现有的远程监测系统效果参差不齐，主要归因于患者依从性差、数据解读困难以及成本高昂。虽然由人工智能（AI）算法支持的语音和语言分析在心力衰竭早期识别方面显示出前景，但其在家庭监测中的实际应用尚未得到系统评估。AVATAR-SC提出了一种基于先进AI技术的可及、非侵入性平台。该平台整合了语音生物标志物、临床数据和患者报告结局指标（PROMs），以加强家庭监测并支持对心力衰竭患者进行更积极主动的管理。

研究人群：60例心力衰竭（HF）患者，包括30例因急性心力衰竭住院后出院的患者和30例在日间医院接受每月左西孟旦治疗的患者。研究目的：尽管人工智能支持的语音和语言分析在心力衰竭患者临床恶化的早期检测方面显示出显著潜力，但在真实世界家庭监测背景下，关于可行性、可接受性、依从性、融入护理路径以及数据质量的数据仍然缺乏。因此，有必要开展一项可行性研究，以：i）评估患者独立使用AVATAR-SC的能力；ii）估计每日语音数据收集的依从性；iii）验证平台的技术性能；iv）确定操作指标（时间、资源、完成率）；v）识别障碍和促进因素，为大规模临床试验做准备。本研究不涉及将人工智能系统用作临床

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。