COVID-19感染与Long COVID长期研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07781501

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

条件：SARS CoV-2急性后遗症。COVID-19急性后遗症（PASC），也称为长新冠，其特征是SARS-CoV-2感染后持续存在或新出现的症状。持续症状背后的生物学机制仍不完全清楚，尤其是在感染两年多后仍出现症状的个体中。这项观察性研究将评估有SARS-CoV-2感染史的个体，以描述PASC症状的患病率、严重程度和持续性，并确定与这些结局相关的人口统计学、临床和生物学因素。参与者将完成有关其健康和症状的问卷，并提供唾液样本用于生物学分析。将对唾液中的生物学因素进行评估，这些因素可能与持续症状相关，包括蛋白质、代谢物、微生物和免疫相关标志物。将使用机器学习方法整合人口统计学、临床、症状和基于唾液的生物学数据，以识别与PASC相关的模式。

本研究将评估这些综合特征是否可用于识别在感染SARS-CoV-2后更可能出现持续或严重症状的个体。由此建立的模型可能有助于识别导致Long COVID风险的因素，并为未来预测持续症状的方法提供依据。本研究将纳入新招募的参与者以及既往参与过相关SARS-CoV-2研究的参与者。本研究的结果可能有助于增进对Long COVID及SARS-CoV-2感染后持续症状相关因素的理解。

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。