血液恶性肿瘤中唑类耐药曲霉病的临床意义
该数据集来自 clinicaltrials.gov,聚焦血液恶性肿瘤患者中由唑类耐药曲霉属引起的侵袭性曲霉病(IA)。研究旨在评估抗真菌治疗在确诊唑类耐药 IA 患者中的疗效,并比较唑类耐药与唑类敏感曲霉属所致 IA 的临床意义

基本信息
资源简介
血液恶性肿瘤中唑类耐药曲霉病的临床意义
该数据集来自 clinicaltrials.gov,聚焦血液恶性肿瘤患者中由唑类耐药曲霉属引起的侵袭性曲霉病(IA)。研究旨在评估抗真菌治疗在确诊唑类耐药 IA 患者中的疗效,并比较唑类耐药与唑类敏感曲霉属所致 IA 的临床意义。计划收集至少 55 例唑类耐药和 130 例唑类敏感病例,纳入 2016 年 1 月 1 日起经培养诊断 IA 且伴有基础血液恶性肿瘤的病例。耐药病例需提供培养物以确认菌种、测序检测耐药突变并用 EUCAST 参考方法测定 MIC。可用于抗真菌疗效预测与耐药相关临床结局分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):Conditions: Invasive Aspergillosis。对于 mold-active 唑类(如 isavuconazole、itraconazole、posaconazole 和 voriconazole),曲霉属的交叉耐药日益成为公认的问题。本研究旨在确定抗真菌治疗在确诊唑类耐药 IA 患者中的疗效。基于该研究,将能够评估由唑类耐药与唑类敏感曲霉属所致 IA 的临床意义。研究者计划收集至少 55 例唑类耐药和 130 例唑类敏感病例。自 2016 年 1 月 1 日起经培养诊断为 IA 且伴有基础血液恶性肿瘤的病例符合纳入条件。唑类耐药病例必须提供培养物,以确认菌种、进行唑类耐药突变的测序以及使用 EUCAST 参考方法测定 MIC。Isolat
【主题与分类】
主题标签:Invasive Aspergillosis。本站分类:血液及造血器官疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT03221075
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/NCT03221075
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:侵袭性曲霉病。对于具有抗霉菌活性的唑类药物(如艾沙康唑、伊曲康唑、泊沙康唑和伏立康唑),曲霉属的交叉耐药性是一个日益被认识到的问题。本研究旨在确定抗真菌治疗对已记录的唑类耐药侵袭性曲霉病患者的疗效。基于这项研究,将有可能评估由唑类耐药与唑类敏感的曲霉属引起的侵袭性曲霉病的临床意义。研究者旨在收集至少55例唑类耐药和130例唑类敏感的病例。自2016年1月1日起,通过培养诊断为侵袭性曲霉病且伴有基础血液系统恶性肿瘤的病例符合纳入条件。唑类耐药病例必须提供培养物,以确认菌种、进行唑类耐药突变的测序以及使用EUCAST参考方法测定MIC。从推测为唑类敏感疾病的患者中获得的分离株将被分析以确认野生型表型。符合条件的唑类耐药和唑类敏感侵袭性曲霉病病例将使用基于网络的病例报告表进行记录。
若存在≥1株耐药分离株,则该患者符合耐药病例的定义。患者层面的数据将在各研究中心以连续方式记录。需记录的数据项包括:人口学数据;基础疾病类型及状态;合并免疫抑制治疗;诊断措施(临床表现、影像学、微生物学、病理学、器官受累情况);内科及外科治疗(包括既往抗真菌药物暴露史);第14天、42天、84天的治疗反应(临床及影像学);第14天、42天、84天及末次接触时的总生存期;以及死亡原因(如适用)。
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。




