选择性中叶手术结局研究
该数据集来自 clinicaltrials.gov,聚焦良性前列腺增生及相关下尿路症状、良性前列腺梗阻、尿潴留与前列腺中叶增大

基本信息
资源简介
选择性中叶手术结局研究
该数据集来自 clinicaltrials.gov,聚焦良性前列腺增生及相关下尿路症状、良性前列腺梗阻、尿潴留与前列腺中叶增大。研究针对以中叶或高位膀胱颈中叶成分为主要梗阻解剖结构的部分男性,评估选择性中叶经尿道手术的结局,关注排尿改善及射精功能障碍风险,同时纳入因残余侧叶梗阻、膀胱颈解剖不利、功能改善不足或膀胱功能障碍导致症状持续或复发的情况。研究设计为前瞻性多中心观察性队列,可用于分析手术选择与术后结局的关联(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:良性前列腺增生、良性前列腺增生(BPH)男性的下尿路症状(LUTS)、良性前列腺梗阻、尿潴留、前列腺中叶增大。选择性中叶经尿道手术用于部分良性前列腺梗阻男性,这些患者的中叶或高位膀胱颈中叶成分被认为是主要梗阻解剖结构。与完全经尿道前列腺手术相比,该方法可能改善排尿,同时可能减少射精功能障碍。然而,部分患者可能因残余侧叶梗阻、不利的膀胱颈解剖、功能改善不足或膀胱功能障碍而出现症状持续或复发。本研究设计为前瞻性多中心观察性队列。手术决策及选择
【主题与分类】
主题标签:Benign Prostatic Hyperplasia、Benign Prostatic Obstruction、Urinary Retention、Median Lobe Prostatic Enlargement。本站分类:消化系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07699718
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/NCT07699718
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、良性前列腺增生(BPH)男性下尿路症状(LUTS)、良性前列腺梗阻、尿潴留、中叶前列腺增大。选择性中叶经尿道手术用于经选择的良性前列腺梗阻男性患者,这些患者的中叶或高膀胱颈中叶成分被认为是主要梗阻解剖结构。与完全性经尿道前列腺手术相比,该方法可能改善排尿,同时可能减少射精功能障碍。然而,部分患者可能因残留侧叶梗阻、不利的膀胱颈解剖结构、功能改善不充分或膀胱功能障碍而出现症状持续或复发。本研究设计为前瞻性多中心观察性队列研究。手术决策和技术选择不由研究方案指定。患者将根据治疗外科医生的常规临床判断接受选择性中叶TURP、选择性中叶HoLEP或选择性中叶解剖性内镜剜除术。
本研究将评估基于泌尿外科的术前变量能否预测12个月临床失败。候选预测因子包括膀胱内前列腺突出长度或分级、膀胱镜下中叶形态、侧叶梗阻评分、膀胱颈构型、基线症状负担、储尿期症状负担、尿流率模式、Qmax和排尿后残余尿量。术中变量,包括手术类型、能量平台、侧叶治疗范围、膀胱颈处理、手术时间、组织重量、导尿管留置时间及并发症,也将被记录。主要终点为12个月复合临床失败,定义为症状改善不充分、功能改善不充分、持续性排尿失败、重新开始BPH相关药物治疗、术后早期之后复发尿潴留或需要重新导尿、需要再次干预,或患者报告的因泌尿症状获益不足而导致的总体失败。次要结局包括IP
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。




