心血管疾病中的代谢组学与微生物组学
该数据集来自 clinicaltrials.gov,聚焦心血管疾病中的代谢组学与微生物组学变化,覆盖急性心力衰竭、NSTEMI、STEMI、急性心肌梗死、脓毒症、心肌病、扩张型心肌病和缺血性心肌病等病种

基本信息
资源简介
心血管疾病中的代谢组学与微生物组学
该数据集来自 clinicaltrials.gov,聚焦心血管疾病中的代谢组学与微生物组学变化,覆盖急性心力衰竭、NSTEMI、STEMI、急性心肌梗死、脓毒症、心肌病、扩张型心肌病和缺血性心肌病等病种。研究对象为高危心血管患者,包括左心室射血分数严重降低(LVEF <35%)的缺血性与非缺血性心肌病患者。数据可用于识别疾病特异性的代谢与微生物组变化模式,辅助理解代谢阶段的病理生理机制,并支持相关疾病状态的分类研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):Conditions: Acute Heart Failure, NSTEMI - Non-ST Segment Elevation MI, STEMI - ST Elevation Myocardial Infarction, Myocardial Infarction, Acute, Sepsis, Cardiomyopathies, Dilated Cardiomyopathy, Ischemic Cardiomyopathy. 关于高危心血管患者代谢组学和微生物组学变化的科学证据仍然缺乏。急性、危重或进展性疾病状态决定了心血管代谢的相关变化。本试验中的高危患者包括急性心力衰竭、心肌梗死(STEMI 和 NSTEMI)、脓毒症、脓毒性休克、缺血性和非缺血性心肌病且左心室射血分数严重降低(LVEF <35%)的患者。因此,本研究旨在识别代谢和微生物组变化的疾病特异性模式。这些模式可能有助于理解代谢阶段的病理生理学,并
【主题与分类】
主题标签:Acute Heart Failure、NSTEMI - Non-ST Segment Elevation MI、Myocardial Infarction, Acute、Sepsis、Cardiomyopathies、Dilated Cardiomyopathy、Ischemic Cardiomyopathy。本站分类:循环系统疾病/心力衰竭。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT04146701
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/NCT04146701
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
疾病:急性心力衰竭、NSTEMI——非ST段抬高型心肌梗死、STEMI——ST段抬高型心肌梗死、急性心肌梗死、脓毒症、心肌病、扩张型心肌病、缺血性心肌病。关于高危心血管患者代谢组学和微生物组学变化,目前仍缺乏科学证据。急性、危重或进展性疾病状态预示着心血管代谢将发生相关变化。本试验中的高危患者包括急性心力衰竭、心肌梗死(STEMI和NSTEMI)、脓毒症、脓毒性休克、缺血性和非缺血性心肌病且左心室射血分数严重降低(LVEF <35%)的患者。因此,本研究旨在识别代谢和微生物组变化的疾病特异性模式。这些模式可能有助于理解代谢阶段的病理生理学,并找出未来不良结局风险最高的患者。
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。




