母体血糖与妊娠糖尿病患病率
该数据集来自 datadryad.org，包含中国人群中 554 例妊娠糖尿病（GDM）病例与 641 例糖耐量正常孕妇的候选基因变异分型数据，用于评估遗传变异与 GDM 风险的关联，并通过多变量孟德尔随机化验证因果因素，进而基于关键临床与遗传因素构建 GDM 早期风险预测列线图模型
基本信息
资源简介
母体血糖与妊娠糖尿病患病率
Causal inference and risk prediction of gestational diabetes mellitus based on case-control study and Mendel randomization
该数据集来自 datadryad.org，包含中国人群中 554 例妊娠糖尿病（GDM）病例与 641 例糖耐量正常孕妇的候选基因变异分型数据，用于评估遗传变异与 GDM 风险的关联，并通过多变量孟德尔随机化验证因果因素，进而基于关键临床与遗传因素构建 GDM 早期风险预测列线图模型。数据可用于 GDM 遗传易感性分析、因果推断及风险预测建模研究（来源 Dryad，https://spdx.org/licenses/CC0-1.0.html 许可）。
【数据内容】
源站描述（机器翻译，仅供参考）：目的：评估中国人群中妊娠糖尿病（GDM）的因果决定因素及其风险预测效能。方法：从 554 例 GDM 病例和 641 例糖耐量正常孕妇中收集候选基因变异的基因分型数据。采用比值比（OR）及其相应的 95% 置信区间（CI）评估这些变异与 GDM 风险的关联。采用多变量孟德尔随机化（MVMR）验证 GDM 因果因素。随后，基于所识别的关键临床和遗传因素开发 GDM 早期风险预测列线图模型。结果：调整年龄和孕前 BMI（pre-BMI）后，rs6127416 变异显示与 GDM 易感性显著相关。比较 AA 基因型与 TT 基因型，调整后的比值比（OR）为 2.20（95%CI = 1.53-
【数据结构与技术规格】
数据集 DOI：doi:10.5061/dryad.gmsbcc322。
【主题与分类】
主题标签：gestational diabetes mellitus、genetic variant、causal factors。本站分类：内分泌、营养和代谢疾病/糖尿病。
【获取与许可】
源站页面：https://doi.org/10.5061/dryad.gmsbcc322
使用许可：https://spdx.org/licenses/CC0-1.0.html。
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://datadryad.org/dataset/doi:10.5061/dryad.gmsbcc322
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:
数据集大小约 71.9 KB。
数据说明
Yu Xiang-yuan (2025). Causal inference and risk prediction of gestational diabetes mellitus based on case-control study and Mendel randomization [Dataset]. http://doi.org/10.5061/dryad.gmsbcc322
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。
