瑞典糖尿病再分组方案在中国成人起病糖尿病中的验证
摘要 背景 糖尿病的再分类对于提供精准管理和降低糖尿病并发症风险至关重要。本研究旨在验证瑞典糖尿病再分组方案在中国新诊断成人糖尿病患者中的实用性

基本信息
资源简介
瑞典糖尿病再分组方案在中国成人起病糖尿病中的验证
摘要 背景 糖尿病的再分类对于提供精准管理和降低糖尿病并发症风险至关重要。本研究旨在验证瑞典糖尿病再分组方案在中国新诊断成人糖尿病患者中的实用性
Validation of the Swedish diabetes regrouping scheme in adult-onset diabetes in China
【数据集背景】
源站首次发布:2020。
【数据内容】
源站描述(机器翻译,仅供参考):摘要 背景 糖尿病的再分类对于提供精准管理和降低糖尿病并发症风险至关重要。本研究旨在验证瑞典糖尿病再分组方案在中国新诊断成人糖尿病患者中的实用性。我们于2015年4月至2017年10月在中国开展了一项横断面调查,纳入15772例成人起病新诊断糖尿病患者。采用瑞典研究使用的聚类分析对我们的患者进行再分组。使用谷氨酸脱羧酶抗体(GADA)、起病年龄、体重指数(BMI)、糖化血红蛋白(HbA1c)、稳态模型评估2的β细胞功能估计值(HOMA2-B)和胰岛素抵抗估计值(HOMA2-IR)进行TwoStep和k-means聚类。比较本研究患者与瑞典研究患者各聚类特征。结果 我们的患者聚类
【主题与分类】
主题标签:糖尿病、再分组方案、聚类分析、成人起病、中国人群、GADA、HOMA2。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://datadryad.org/dataset/doi:10.5061/dryad.g4f4qrfn7
使用许可:Creative Commons Zero v1.0 Universal。
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://doi.org/10.5061/dryad.g4f4qrfn7
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 1.7 MB。
数据说明
摘要
背景 对糖尿病进行重新分型对于实施精准管理、降低糖尿病并发症风险至关重要。本研究旨在验证瑞典糖尿病重新分组方案在中国新诊断成人糖尿病患者中的实用性。我们于2015年4月至2017年10月在中国开展了一项横断面调查,纳入15772例成人新诊断糖尿病患者。采用瑞典研究使用的聚类分析方法对患者进行重新分组。以谷氨酸脱羧酶抗体(GADA)、发病年龄、体质指数(BMI)、糖化血红蛋白(HbA1c)、稳态模型评估2的β细胞功能估计值(HOMA2-B)和胰岛素抵抗估计值(HOMA2-IR)进行TwoStep和k-means聚类分析。比较本研究患者与瑞典研究患者各聚类组的特征。
结果 我们的患者聚类为五个亚组:6.2%归入严重自身免疫性糖尿病(SAID)亚组,24.8%归入严重胰岛素缺乏性糖尿病(SIDD)亚组,16.6%归入严重胰岛素抵抗性糖尿病(SIRD)亚组,21.6%归入轻度肥胖相关糖尿病(MOD)亚组,30.9%归入轻度年龄相关糖尿病(MARD)亚组。与瑞典人群相比,SIDD亚组的比例更高。总体而言,中国患者较瑞典患者年龄更轻、BMI更低、HbA1c更高、HOMA2-B和HOMA2-IR更低,且胰岛素使用率更高但二甲双胍使用率更低。内容 数据包含描述中国糖尿病患者在五个聚类中各组特征及变量分布的图表。此外,其中还呈现了中国与瑞典糖尿病患者的比较。结论 瑞典糖尿病再分组方案适用于中国成人起病糖尿病,其中严重胰岛素缺乏性糖尿病患者占比较高。进一步va
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。




