内脏肥胖与糖尿病肾病进展关联评估
本数据集来自 clinicaltrials.gov,主题为评估内脏肥胖与糖尿病肾病进展之间的关联。数据覆盖糖尿病肾病患者,涉及2型糖尿病、肥胖及腹部肥胖相关指标,如内脏脂肪指数(VAI)、脂质蓄积指数(LAP)等

基本信息
资源简介
内脏肥胖与糖尿病肾病进展关联评估
本数据集围绕内脏肥胖与糖尿病肾病进展之间的关联展开评估,主题聚焦于糖尿病肾病人群中肥胖相关指标的变化及其与疾病进展的关系。数据集来源于 clinicaltrials.gov,所属分类为内分泌、营养和代谢疾病下的糖尿病方向,主题标签为 Diabetic Nephropathies。其内容覆盖糖尿病肾病患者,涉及 2 型糖尿病、肥胖及腹部肥胖相关指标,例如内脏脂肪指数(VAI)、脂质蓄积指数(LAP)等。整体而言,该数据集旨在为研究内脏肥胖在糖尿病肾病进展中的作用提供数据基础,适用于内分泌代谢、肾脏并发症及肥胖相关研究领域。
【数据集背景】
2 型糖尿病是一种病因多样的疾病,以胰岛素作用异常、胰岛素生成异常或两者兼有所导致的高血糖为特征。据估计,到 2030 年全球糖尿病患者人数将达到约 4.39 亿。糖尿病肾病是糖尿病最常见的微血管并发症,约在 40% 的糖尿病患者中发生。肥胖已达到流行比例,且常与 2 型糖尿病伴随出现,因为二者共享共同的病理生理通路。腹部肥胖被认为是一种后果危险的肥胖形式,已被识别为糖尿病并发症的潜在危险因素。为评估腹部肥胖,已有多种测量指标被开发出来,包括内脏脂肪指数(VAI)、脂质蓄积指数(LAP)、颈围等。本数据集正是在这一背景下,针对内脏肥胖与糖尿病肾病进展之间的关联进行评估。
【数据内容】
数据集主题为评估内脏肥胖与糖尿病肾病进展之间的关联,覆盖糖尿病肾病患者。涉及的内容包括 2 型糖尿病、肥胖及腹部肥胖相关指标,如内脏脂肪指数(VAI)、脂质蓄积指数(LAP)等。主题标签为 Diabetic Nephropathies。其余具体字段、变量结构、样本量及随访信息,源站未提供。
【采集与来源】
本数据集来源于 clinicaltrials.gov。源站描述中提及的条件为 Diabetic Nephropathies。其余关于采集方式、采集时间、采集地点及具体研究设计的信息,源站未提供。
【适用场景】
该数据集适用于内分泌、营养和代谢疾病领域,尤其是糖尿病相关研究。可用于探讨内脏肥胖与糖尿病肾病进展之间关联的分析场景,也可用于涉及 2 型糖尿病、肥胖及腹部肥胖指标(如 VAI、LAP 等)的研究。其余具体应用场景,源站未提供。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/NCT06563791
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
疾病:糖尿病肾病。2型糖尿病是一种病因多样的疾病,其特征是由于胰岛素作用、胰岛素产生或两者异常导致的高血糖症,预计到2030年,全球糖尿病患者人数将达到约4.39亿。糖尿病肾病是糖尿病最常见的微血管并发症。约40%的糖尿病患者会发展为糖尿病肾病。肥胖现已达到大流行比例,常与2型糖尿病相伴发生,因为它们具有共同的病理生理途径。腹型肥胖被认为是一种后果危险的忽视型肥胖。它已被确定为糖尿病并发症的潜在危险因素。目前已开发出多种腹型肥胖测量指标,包括内脏脂肪指数(VAI)、脂质蓄积指数(LAP)、颈围(NC)、腰臀比(WHR)。脂质蓄积指数(LAP)和内脏脂肪指数(VAI)是利用体重指数(BMI)、腰围(WC)和血清脂质谱测量的新型非影像学内脏肥胖指标。
一些研究预测,与BMI和WC相比,LAP和VAI与不良肾脏结局的关联更强。
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。




