正电子发射断层扫描预测心律失常事件II
源站描述指出，当前主要基于射血分数（EF）的指南下，仅四分之一接受植入式心脏除颤器（ICD）用于Sudden Cardiac Arrest一级预防的患者在5年内需要适当的ICD治疗
基本信息
资源简介
正电子发射断层扫描预测心律失常事件II
该数据集来自clinicaltrials.gov，聚焦循环系统疾病中的心力衰竭，涉及Sudden Cardiac Arrest、Ischemic Cardiomyopathy和Congestive Heart Failure。源站描述指出，当前主要基于射血分数（EF）的指南下，仅四分之一接受植入式心脏除颤器（ICD）用于Sudden Cardiac Arrest一级预防的患者在5年内需要适当的ICD治疗。NIH资助的PAREPET研究（NCT01400334）识别出四个独立风险因素，可预测缺血性心肌病患者的SCA或ICD等效事件。使用回顾性定义的切点，这些风险因素的缺失识别出38%的低风险队列（年风险<1%）。该数据可用于心律失常事。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：Sudden Cardiac Arrest、Ischemic Cardiomyopathy、Congestive Heart Failure。使用当前主要基于射血分数（EF）的指南，仅四分之一接受植入式心脏除颤器（ICD）用于Sudden Cardiac Arrest（SCA）一级预防的患者在5年内需要适当的ICD治疗。NIH资助的PAREPET研究（Prediction of ARrhythmic Events with Positron Emission Tomography，ClinicalTrials.gov，NCT01400334）识别出四个独立风险因素，可预测缺血性心肌病患者的SCA或ICD等效事件。使用回顾性定义的切点，这些风险因素的缺失识别出38%的队列具有极低的SCA风险（每年<1%）。这一比率实际上低于冠状动脉疾病和轻度左心室（LV）功能障碍患者的1.5-2%年SCA发生率，这些患者是
【主题与分类】
主题标签：Sudden Cardiac Arrest、Ischemic Cardiomyopathy、Congestive Heart Failure。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/NCT03493516
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/NCT03493516
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：心脏骤停、缺血性心肌病、充血性心力衰竭。依据当前主要基于射血分数（EF）的指南，在接受植入式心脏除颤器（ICD）用于心脏骤停（SCA）一级预防的患者中，仅四分之一在5年内需要适当的ICD治疗。由NIH资助的PAREPET研究（利用正电子发射断层扫描预测心律失常事件，ClinicalTrials.gov，NCT01400334）确定了四个独立危险因素，可预测缺血性心肌病患者的SCA或等效ICD事件。使用回顾性确定的截断值，不存在这些危险因素可识别出38%的队列，其SCA风险极低（每年<1%）。这一比率实际上低于冠状动脉疾病伴轻度左心室（LV）功能障碍患者的1.5-2%年SCA发生率，而这些患者不被视为一级预防ICD的候选者。
本提案将前瞻性地确定这些风险因素是否能构成一种临床上适用的方法的基础，以识别出一组患者，他们适合植入ICD，但发生SCA的风险足够低，可以安全地不植入ICD。我们的长期目标是开发更好的方法，以识别最有可能通过植入式除颤器预防SCA而获益的冠状动脉疾病患者。
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。
