利用人工智能捕捉未确诊结构性心脏病

数据集获取

源站：https://clinicaltrials.gov/study/NCT07843004

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

疾病：结构性心脏异常、瓣膜性心脏病、心脏疾病、心血管疾病。结构性心脏病（SHD）是发病和死亡的主要原因，尤其是在老年人中。SHD包括瓣膜性心脏病（如主动脉瓣狭窄、二尖瓣反流）、左心室或右心室功能障碍、左心室肥厚、肺动脉高压和心包积液等疾病。这些疾病常被诊断不足，延迟识别可导致心力衰竭、卒中和心肌病等并发症。早期发现和治疗可改善结局，但当前方法常遗漏疾病早期阶段的患者。EchoNext 是一个人工智能模型，基于超过 400,000 对心电图-超声心动图数据训练。它分析标准 12 导联心电图，以预测根据超声心动图检查结果定义的结构性心脏病是否存在。该模型已表现出较强的诊断性能，在不同人群中受试者工作特征曲线下面积（AUROC）为 0.86。本试验的目的是评估将 EchoNext 作为临床决策支持提醒部署到急诊科（ED）电子健康记录（EHR）中，是否可以提高对未诊断 SHD 的检出率。急诊科环境是理想的，因为：(1) 许多就诊主诉都会广泛进行心电图检查；(2) 与 SHD 相关的异常心电图发现常在急性环境中被忽视；(3) 急诊科为弱势人群提供医疗服务可及性，并提供实施人群层面干预的独特机会。在本研究中，急诊科获取的心电图将由 EchoNext 模型实时分析。如果模型预测中度或重度 SHD，将向负责治疗的医务人员（主治医师、专科培训医师、住院医师、医师助理或执业护士）显示 EHR 提醒。该提醒将告知医务人员可能存在潜在 SHD，并建议考虑进行随访超声心动图检查或专科转诊。结局将包括经……确诊的新发 SHD 诊断率

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。