肥胖患者多学科整合健康管理队列研究
该数据集来自 clinicaltrials.gov，聚焦肥胖合并 2 型糖尿病接受减重手术或非减重手术的患者，采用多中心设计，包含回顾性队列与前瞻性队列，采集临床参数与实验室指标
基本信息
资源简介
肥胖患者多学科整合健康管理队列研究
该数据集来自 clinicaltrials.gov，英文名称为 A Cohort Study on Obese Patients' Multidisciplinary Integrated Health Management，聚焦肥胖合并 2 型糖尿病并接受减重手术或非减重手术治疗的患者群体。研究采用多中心设计，同时包含回顾性队列与前瞻性队列，系统采集临床参数与实验室指标，旨在探索减重手术后糖尿病缓解及其他并发症恢复的影响因素。数据集在内分泌、营养和代谢疾病及糖尿病分类下组织，主题标签涵盖肥胖、2 型糖尿病与减重手术，可为代谢性疾病管理与减重手术疗效研究提供队列数据基础。
【数据集背景】
肥胖与 2 型糖尿病是常见的内分泌与代谢性疾病，减重手术已成为该类患者综合健康管理的重要手段之一。然而，术后糖尿病能否缓解、其他并发症能否恢复，受多种因素影响，需要依托规范设计的队列研究加以观察。该数据集即围绕这一临床问题建立，其研究目标明确为探索减重手术后糖尿病缓解及其他并发症恢复的影响因素，属于多中心队列研究的数据资源，归入内分泌、营养和代谢疾病及糖尿病分类。
【数据内容】
数据集覆盖的条件包括肥胖、2 型糖尿病与减重手术。研究对象为接受减重手术或非减重手术治疗的肥胖患者，数据内容为临床参数与实验室指标两类。临床参数与实验室指标的具体条目、变量数量、测量时间点及随访频次，源站未提供。数据集是否包含影像、问卷或手术记录等其他类型数据，源站未提供。
【采集与来源】
数据来源站为 clinicaltrials.gov，数据集为该站登记的多中心研究。研究设计包含回顾性队列与前瞻性队列两部分，分别对应接受减重手术或非减重手术治疗的肥胖患者。各参与中心的名称、数量与地域分布，源站未提供。样本量、入排标准、随访时长及数据采集的具体流程，源站未提供。
【适用场景】
该数据集适用于围绕肥胖合并 2 型糖尿病人群开展的研究，例如减重手术后糖尿病缓解影响因素分析、术后其他并发症恢复情况观察，以及减重手术与非减重手术治疗人群的队列比较。也可用于代谢性疾病综合健康管理相关的方法学研究与教学示例。由于具体变量与随访安排尚未明确，将其用于特定统计建模或外部验证前需先核实数据字段与时间结构。
【使用方法】
使用时应先明确研究问题属于回顾性队列分析还是前瞻性队列分析，再据此确定分析人群与观察窗口。由于数据集同时包含手术与非手术患者，分析中需区分治疗组别，避免混淆。涉及糖尿病缓解与并发症恢复的判定标准、临床参数与实验室指标的单位与缺失处理方式，源站未提供，使用前应向数据提供方确认。数据访问方式与获取渠道，源站未提供。
【质量与限制】
该数据集为多中心队列研究，设计上兼顾回顾性与前瞻性队列，有利于观察手术前后变化；但样本量、各中心数据一致性、失访情况与缺失率等信息源站未提供，无法据此评估数据完整性与偏倚风险。此外，研究目标聚焦糖尿病缓解与并发症恢复的影响因素，数据是否足以支持其他结局分析，源站未提供。使用者在解读结果时应考虑多中心数据可能存在的异质性。
【引用与许可】
该数据集的引用格式、许可条款与使用限制，源站未提供。使用前应查阅 clinicaltrials.gov 上该研究登记页面的相关信息，并遵循数据提供方关于署名与再分发的要求。
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/NCT07451938
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：肥胖、2型糖尿病、减重手术。探讨减重手术后糖尿病缓解及其他并发症恢复的影响因素。我们设计了一项多中心研究，包括接受减重手术或非减重手术治疗的肥胖患者回顾性队列和前瞻性队列，并收集临床参数和实验室指标。
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。
