血管病变性截肢健康自我管理数据集
该数据集来自clinicaltrials.gov，聚焦血管病变性下肢截肢这一慢性共病状态，涉及截肢、糖尿病和周围动脉疾病
基本信息
资源简介
血管病变性截肢健康自我管理数据集
Dysvascular Amputation Self-Management of Health 是一个登记于 clinicaltrials.gov 的研究数据集，围绕血管病变性下肢截肢这一慢性共病状态展开。该数据集在分类上归属于内分泌、营养和代谢疾病下的糖尿病方向，其主题标签涵盖截肢、糖尿病与周围动脉疾病。源站描述指出，久坐不动的生活方式与高水平的失能，是血管病变性下肢截肢这一慢性共病所带来的重要公共健康与个人健康问题。该研究考察的是一种基于证据的步行生物行为干预，用于提升血管病变性截肢后的身体活动水平。整体而言，该数据集聚焦于截肢、糖尿病和周围动脉疾病相互交织的健康管理议题，服务于改善身体活动自我管理、减少失能这一目标。
【数据集背景】
该数据集所针对的健康问题具有明显的慢性共病特征。源站描述明确将截肢、糖尿病和周围动脉疾病列为相关条件，并指出血管病变性下肢截肢是一种慢性共病状态。与之相伴的是久坐生活方式和高水平失能，这两者既构成公共健康层面的问题，也构成个人健康层面的问题。正是在这一背景下，该研究提出并考察一种基于证据的步行生物行为干预，试图在常规假肢康复已取得成效的基础上，进一步应对血管病变性截肢背后复杂的健康状况与长期久坐行为。其最终目标指向改善身体活动的自我管理，从而尽可能减少失能。
【数据内容】
该数据集的主题标签为截肢、糖尿病和周围动脉疾病，所属分类为内分泌、营养和代谢疾病下的糖尿病方向。源站描述提及的研究内容涉及步行生物行为干预的使用，以及该干预在提升血管病变性截肢后身体活动方面的作用。关于数据集具体包含哪些字段、变量、样本量、随访时间点或测量指标，源站未提供。
【采集与来源】
该数据集来源于 clinicaltrials.gov。源站描述中列出了其所涉及的条件，即截肢、糖尿病和周围动脉疾病，并说明了研究关注的核心问题与干预思路。关于数据采集的具体方式、采集地点、采集时间范围、受试者招募与纳入排除标准等细节，源站未提供。
【适用场景】
从源站描述所反映的研究目标来看，该数据集适用于关注血管病变性下肢截肢后身体活动促进与失能减少的相关场景，也可用于围绕截肢、糖尿病和周围动脉疾病这一共病组合开展的健康管理与自我管理研究。其干预思路强调在常规假肢康复成功经验的基础上，针对复杂健康状况和慢性久坐行为进行干预。关于该数据集在其他具体研究或应用场景中的适用性，源站未提供。
【使用方法】
源站未提供该数据集的具体使用方法，包括数据获取途径、文件格式、字段说明、分析流程或配套工具等。
【质量与限制】
源站未提供关于该数据集质量与限制的说明，包括数据完整性、准确性、偏倚风险、样本代表性或使用约束等信息。
【引用与许可】
源站未提供该数据集的引用方式与许可条款信息。
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/NCT04083456
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：截肢、糖尿病、外周动脉疾病。久坐不动的生活方式和高水平的残疾是由血管性下肢截肢这一慢性共病引起的相关公共和个人健康问题。本研究探讨了采用循证步行生物行为干预措施，以增加血管性截肢后的身体活动。所提出的干预措施利用了传统假肢康复的成功经验，同时针对血管性截肢背后的复杂健康状况和长期久坐行为，最终目标是改善身体活动的自我管理，以尽量减少残疾。
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。
