Nimsai Herbal治疗2-3级痔疮的四盲安慰剂对照机制试验
该数据集来自clinicaltrials.gov,收录一项针对2-3级内痔的前瞻性、单中心、四盲、安慰剂对照、平行组随机对照试验,旨在检验痔疮发病机制的War-Drill模型

基本信息
资源简介
Nimsai Herbal治疗2-3级痔疮的四盲安慰剂对照机制试验
该数据集来自clinicaltrials.gov,收录一项针对2-3级内痔的前瞻性、单中心、四盲、安慰剂对照、平行组随机对照试验,旨在检验痔疮发病机制的War-Drill模型。研究纳入50例经内镜确诊、症状持续超过6周的受试者,按1:1随机分配至Nimsai Herbal(600 mg每日一次)或匹配安慰剂组,连续10天。数据可用于消化系统疾病领域的机制探索、疗效信号检测及随机对照试验方法学研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:痔疮、痔病。这是一项前瞻性、单中心、四盲、安慰剂对照、平行组随机对照试验,设计为机制信号检测研究。该试验评估痔疮发病机制的War-Drill模型,该模型提出静脉淤血而非原发性血管变形是痔疮形成中不可或缺的始动事件。该模型区分两种血流动力学表型:War模式,与全身性炎症和持续性静脉淤血相关;Drill模式,以激素介导的短暂性静脉充盈为特征。共50例经内镜确诊为2-3级内痔且症状持续时间超过6周的参与者将按1:1随机分配至Nimsai Herbal(600 mg每日一次)或匹配安慰剂组,连续10天。该研究采用
【主题与分类】
主题标签:Hemorrhoid、Hemorrhoidal Disease。本站分类:消化系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07669662
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/NCT07669662
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:痔疮、痔病。这是一项前瞻性、单中心、四盲、安慰剂对照、平行组随机对照试验,设计为机制性信号检测研究。该试验评估痔疮发病机制的War-Drill模型,该模型提出静脉淤血而非原发性血管变形是痔疮形成中不可或缺的始动事件。该模型区分两种血流动力学表型:War模式,与全身性炎症和持续性静脉淤血相关;Drill模式,以激素介导的短暂性静脉充盈为特征。共50名经内镜确诊为2-3级内痔且症状持续时间超过6周的参与者将按1:1随机分配至Nimsai Herbal(600 mg每日一次)或匹配安慰剂组,连续治疗10天。该研究采用四盲设计,参与者、照护提供者、研究者和结局评估者均对治疗分配设盲。独立的数据安全监查委员会将提供持续的安全性监督。
主要结局是第10天的痔疮消退率,定义为Goligher分级降低或综合严重程度评分降低≥75%。次要结局包括自报症状严重程度(VAS)的平均变化和症状完全缓解率。安全性结局包括轻度胃肠道不适、严重不良事件以及因不良事件退出试验的发生率。糖尿病参与者在第1-3天将接受短暂性腹泻的专门监测。Parola现象是一种患者报告的临床指标,将在基线时进行评估,以将参与者分层为War Mode和Drill Mode表型,用于探索性亚组分析。该试验已在ClinicalTrials.gov前瞻性注册,并获得Nimsai Academia伦理委员会批准。所有参与者将获得书面知情同意。完整的研究方案、统计分析计划以及去标识化
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。




