基于心肺运动试验的高强度间歇训练改善射血分数保留的心力衰竭
条件:HFpEF - 射血分数保留的心力衰竭。心血管-肾脏-代谢(CKM)综合征是一个整合心血管、肾脏和代谢紊乱的连续临床疾病谱

基本信息
资源简介
基于心肺运动试验的高强度间歇训练改善射血分数保留的心力衰竭
该数据集聚焦于射血分数保留的心力衰竭(HFpEF)这一特定心血管疾病人群,围绕基于心肺运动试验的高强度间歇训练展开。心血管-肾脏-代谢(CKM)综合征被视为一个连续临床疾病谱,整合了心血管、肾脏和代谢紊乱,而HFpEF被认为是该综合征的第4阶段,以心脏结构和功能受损为主要特征。数据集来源于clinicaltrials.gov,归类于循环系统疾病/心力衰竭方向,主题标签为HFpEF。其核心关注点在于:当CKM综合征进展至第4阶段,尤其是HFpEF患者时,传统运动处方在安全性与有效性之间难以平衡,传统“一刀切”式运动康复策略面临挑战,因此需要探索更精准的干预方式。
【数据集背景】
心血管-肾脏-代谢(CKM)综合征是一个连续临床疾病谱,整合了心血管、肾脏和代谢紊乱。HFpEF被视为CKM综合征的第4阶段,主要特征为心脏结构和功能受损。已有大量研究证实,运动干预对CKM综合征第0至3阶段(如肥胖、代谢综合征、高血压和糖尿病)在改善代谢谱和炎症状态方面有效,并能显著改善临床结局。然而,对于第4阶段CKM综合征,尤其是HFpEF患者,常规运动处方在平衡安全性和有效性方面面临显著挑战。此外,传统“一刀切”的运动康复策略也存在明显局限。该数据集正是针对这一未满足的临床需求,围绕基于心肺运动试验的高强度间歇训练进行构建。
【数据内容】
源站未提供。
【采集与来源】
该数据集来源于clinicaltrials.gov。源站描述中提及的条件为HFpEF——射血分数保留的心力衰竭。其余关于采集方式、采集时间、样本量、设备、流程等信息,源站未提供。
【适用场景】
源站未提供。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/NCT07693049
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:HFpEF——射血分数保留的心力衰竭。心血管-肾脏-代谢(CKM)综合征是一个整合心血管、肾脏和代谢紊乱的连续临床疾病谱。射血分数保留的心力衰竭(HFpEF)被视为CKM综合征的第4期,主要以心脏结构和功能受损为特征。大量研究已证实,运动干预可有效改善CKM综合征0-3期(如肥胖、代谢综合征、高血压和糖尿病)的代谢谱和炎症状态,并显著改善临床结局。然而,对于CKM综合征第4期,尤其是HFpEF患者,传统运动处方在平衡安全性与有效性方面面临重大挑战。此外,由于缺乏个体化精准方法,传统“一刀切”式的运动康复策略未能显著改善临床结局。
为填补这一空白,本研究拟采用多中心、随机、对照设计,纳入CKM综合征4期HFpEF患者,并将其随机分配至个性化高强度间歇训练(HIIT)干预组或标准护理对照组。本研究的主要终点是干预24周后峰值摄氧量(peak VO₂)较基线的变化。此外,还设立了一系列次要终点以进行全面评价,包括炎症生物标志物、心脏结构与功能、生活质量以及复合临床事件。这些终点旨在从心肺功能、代谢与炎症、生活质量和临床结局等角度全面评估干预效果,并探讨其潜在机制。本研究有望验证个性化运动对CKM综合征4期患者峰值VO₂及各项次要终点的有益作用。
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。




