AEEP 期间音乐干预:前瞻性随机对照试验
本数据集来自 clinicaltrials.gov,主题为 AEEP(解剖性内镜下前列腺剜除术)期间的音乐干预,属于消化系统疾病/其他分类

基本信息
资源简介
AEEP 期间音乐干预:前瞻性随机对照试验
本数据集来自 clinicaltrials.gov,主题为 AEEP(解剖性内镜下前列腺剜除术)期间的音乐干预,属于消化系统疾病/其他分类。源站描述显示,该研究关注良性前列腺增生、焦虑与术后疼痛管理,探讨音乐聆听这一简单、低成本、非药物的行为干预在 AEEP 围手术期减轻焦虑、调节疼痛感知和改善患者体验方面的潜在益处。数据可用于围手术期非药物干预、焦虑与疼痛管理相关研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):病症:良性前列腺增生、焦虑、术后疼痛管理。良性前列腺增生(BPH)是老年男性最常见的泌尿系统疾病之一,当药物治疗失败时通常需要手术干预。解剖性内镜下前列腺剜除术(AEEP)已成为治疗 BPH 的一种有效且保留组织的手术方式。尽管 AEEP 具有微创性质,但围手术期焦虑和术后疼痛仍是影响患者舒适度、满意度和整体康复的重要因素。音乐聆听是一种简单、廉价且非药物的行为干预,已在多个外科领域中被证明可减轻焦虑、调节疼痛感知并改善患者体验。然而,其在 AEEP 期间的潜在益处此前尚未被探索。在这项前瞻性随机对照试
【主题与分类】
主题标签:Benign Prostatic Hyperplasia、Anxiety、Postoperative Pain Management。本站分类:消化系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07255118
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/NCT07255118
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:良性前列腺增生、焦虑、术后疼痛管理。良性前列腺增生(BPH)是老年男性最常见的泌尿系统疾病之一,当药物治疗失败时,常需手术干预。解剖性内镜下前列腺剜除术(AEEP)已成为治疗BPH的一种有效且保留组织的手术方式。尽管AEEP具有微创特点,但围手术期焦虑和术后疼痛仍是影响患者舒适度、满意度及整体康复的重要因素。听音乐是一种简单、经济、非药物的行为干预措施,已在多个外科领域中被证实可减轻焦虑、调节疼痛感知并改善患者体验。然而,其在AEEP期间的潜在益处尚未被探索。在这项前瞻性随机对照试验中,我们评估了围手术期音乐暴露对接受AEEP患者焦虑及急性术后疼痛的影响。
共纳入135例拟行AEEP的男性患者,并随机分为两组:音乐组(n=67):患者从麻醉诱导前即刻开始通过耳机聆听标准化的放松器乐,并在手术过程中持续聆听。对照组(n=68):患者接受常规围手术期护理,未接触音乐。围手术期焦虑采用状态焦虑量表(SAI)在两个预设时间点进行测量:手术前即刻和术后第2小时。术后疼痛强度采用视觉模拟量表(VAS)在术后2小时进行评估。所有手术和麻醉技术在各组间均标准化,以尽量减少变异性。本研究旨在确定围手术期聆听音乐是否可作为有效的辅助干预措施,以改善接受AEEP患者的心理状态并减轻疼痛。本研究结果可能支持将音乐纳入围手术期护理路径。
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。




