扩张型心肌病心脏性猝死预测
该数据集来自 clinicaltrials.gov，主题为扩张型心肌病（DCM）患者心脏性猝死的预测。源站描述指出，在非缺血性收缩性心力衰竭（LVEF≤35%）中预防性 ICD 植入近期被发现并不优于常规临床治疗，且 60-70% 的 SCD 病例发生在 LVEF>35% 的个体中，因此亟需改进 D
基本信息
资源简介
扩张型心肌病心脏性猝死预测
该数据集来自 clinicaltrials.gov，主题为扩张型心肌病（DCM）患者心脏性猝死的预测。源站描述指出，在非缺血性收缩性心力衰竭（LVEF≤35%）中预防性 ICD 植入近期被发现并不优于常规临床治疗，且 60-70% 的 SCD 病例发生在 LVEF>35% 的个体中，因此亟需改进 DCM 中 SCD 的预测。PREDICT-DCM 试验为多中心前瞻性观察性试验，纳入在 ICD 或事件记录仪植入前接受 CMR 的 DCM 患者，采集的候选预测因子包括整体和区域 T1/T2 等。数据可用于构建和评估 DCM 患者 SCD 风险预测模型（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：疾病：扩张型心肌病、心脏性猝死。近期发现，在非缺血性收缩性心力衰竭（LVEF≤35%）中，预防性 ICD 植入并不优于常规临床治疗，且 60-70% 的 SCD 病例甚至发生在 LVEF>35% 的个体中。越来越多的证据强调，亟需改进扩张型心肌病（DCM）中心脏性猝死（SCD）的预测。CMR 可提供关于心肌力学、纤维化负荷、炎症和微血管功能障碍的独特信息，从而能够量化心肌致心律失常潜力的关键基质。PREDICT-DCM 试验是一项多中心、前瞻性观察性试验，纳入在 ICD 或事件记录仪植入前接受心脏磁共振成像（CMR）的 DCM 患者。采集的候选预测因子包括： 整体和区域 T1/T2 T1/T2 i
【主题与分类】
主题标签：Cardiomyopathy, Dilated、Sudden Cardiac Death。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/NCT03224156
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/NCT03224156
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：扩张型心肌病，心源性猝死。近期发现，在非缺血性收缩性心力衰竭（LVEF≤35%）患者中，预防性ICD植入相较于常规临床治疗并无获益，且60-70%的SCD病例甚至发生在LVEF>35%的个体中。越来越多的证据强调，迫切需要改进扩张型心肌病（DCM）中心源性猝死（SCD）的预测。CMR可提供关于心肌力学、纤维化负荷、炎症及微血管功能障碍的独特信息，从而能够量化心肌致心律失常潜力的关键基质。PREDICT-DCM试验是一项多中心、前瞻性观察性试验，纳入在ICD或事件记录器植入前接受心脏磁共振成像（CMR）的DCM患者。所获取的候选预测因子包括：* 整体及区域T1/T2 * T1/T2不均匀性 * 细胞外容积分数 * 微血管功能障碍 * 左心房功能及充盈分数 * 整体及区域周向、径向或纵向心肌应变 * 生物标志物
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。
