妊娠期生活方式与结局健康研究
该数据集来源于 clinicaltrials.gov，属于内分泌、营养和代谢疾病下的糖尿病分类，主题为 GDM。源站描述显示，这是一项多中心前瞻性队列研究，旨在识别妊娠期糖尿病（GDM）的风险因素、开发诊断预测模型，并评估多学科精准健康干预（GLOW Plan）的有效性
基本信息
资源简介
妊娠期生活方式与结局健康研究
Gestational Lifestyle & Outcomes Wellness（简称 GLOW）是一个登记于 clinicaltrials.gov 的研究数据集，主题聚焦妊娠期糖尿病（GDM），在内分泌、营养和代谢疾病领域下归入糖尿病分类。其源站描述表明，该数据集对应一项多中心前瞻性队列研究，研究目标包括识别妊娠期糖尿病的风险因素、开发用于诊断的预测模型，并评估多学科精准健康干预方案（GLOW Plan）的有效性。数据集以 GDM 为核心主题标签，围绕妊娠期糖尿病的风险识别、预测建模与干预评价组织研究内容，面向妊娠期糖尿病的早期识别与精准健康管理研究场景。
【数据集背景】
妊娠期糖尿病是妊娠期常见的代谢异常，属于内分泌、营养和代谢疾病范畴，在疾病分类上与糖尿病相关。该数据集所依托的研究以多中心前瞻性队列设计为基础，试图从风险因素识别入手，进一步构建诊断预测模型，并对多学科精准健康干预（GLOW Plan）的效果进行评价。这一研究链条覆盖了从风险识别、预测诊断到干预评估的连续环节，体现了以精准健康管理为导向的研究思路。数据集的英文名称中同时包含生活方式（Lifestyle）与结局（Outcomes）与健康（Wellness）等要素，与其关注妊娠期代谢健康及干预效果的主题相呼应。
【数据内容】
该数据集的主题标签为 GDM，即妊娠期糖尿病。源站描述中列出的研究条件为 GDM，研究内容包括风险因素识别、诊断预测模型开发以及多学科精准健康干预（GLOW Plan）的有效性评估。除上述研究目标与主题信息外，源站未提供关于具体变量、样本量、随访时长、数据表结构等细节。
【采集与来源】
该数据集来源于 clinicaltrials.gov，属于该来源站登记的研究信息。源站描述显示其研究设计为多中心前瞻性队列研究，即由多个研究中心共同参与、按前瞻性方式对队列人群进行观察的研究类型。关于具体的采集机构、采集时间窗口、采集流程与数据录入方式，源站未提供。
【适用场景】
基于现有信息，该数据集适用于妊娠期糖尿病相关的风险因素研究、诊断预测模型的开发与验证，以及多学科精准健康干预方案的效果评价等研究方向。其多中心前瞻性队列的研究背景，使其可服务于妊娠期代谢健康的观察性研究与干预评估场景。关于更细化的适用条件与使用边界，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，包括数据获取方式、访问权限、数据结构说明及配套分析工具等信息。
【质量与限制】
该数据集依托多中心前瞻性队列研究设计，在来源上具有明确的研究登记背景。但关于数据质量指标、缺失情况、偏倚控制措施以及样本代表性等具体信息，源站未提供。使用者应注意，源站描述仅涵盖研究目标与设计类型，未给出可用于评估数据完整性与可靠性的量化信息。
【引用与许可】
源站未提供该数据集的引用格式与许可条款信息。
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/NCT07263412
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：GDM。一项多中心前瞻性队列研究，旨在识别妊娠期糖尿病的危险因素并开发诊断预测模型，以及评估多学科精准健康干预（GLOW计划）的有效性
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。
