季节性过敏性鼻炎中豚草与桦树花粉的阈值浓度
该数据集来自 clinicaltrials.gov,聚焦季节性过敏性鼻炎,涵盖豚草过敏与桦树花粉过敏等条件。源站描述介绍了豚草(Ambrosia artemisiifolia)的起源、传入欧洲及扩散情况,指出其花粉具有高度致敏性,可能较低浓度即可引发过敏症状,并提及确定阈值浓度的研究方向

基本信息
资源简介
季节性过敏性鼻炎中豚草与桦树花粉的阈值浓度
该数据集来自 clinicaltrials.gov,聚焦季节性过敏性鼻炎,涵盖豚草过敏与桦树花粉过敏等条件。源站描述介绍了豚草(Ambrosia artemisiifolia)的起源、传入欧洲及扩散情况,指出其花粉具有高度致敏性,可能较低浓度即可引发过敏症状,并提及确定阈值浓度的研究方向。数据可用于研究花粉浓度与过敏症状触发之间的关系,支持过敏性鼻炎的阈值分析与相关预测建模(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:过敏性鼻炎、季节性过敏性鼻炎、豚草过敏、桦树花粉过敏。Ambrosia artemisiifolia(以下简称为豚草)是菊科的一种风媒草本植物,可能起源于美国沙漠地区。该植物通过贸易传入欧洲,并在20世纪作为成功的新入侵植物扩散。尽管北欧和中欧的条件对豚草并不理想,但当该植物偏好干燥、沙质土壤时,气候变化可能是其扩散的重要促成因素。该花粉被认为具有高度致敏性,因此与本地草或桦树花粉相比,较低的 pollen 浓度可能就足以引发过敏症状。加之其入侵性扩散能力和对有害因素的耐受性,豚草因此被视为健康危害。确定阈值浓
【主题与分类】
主题标签:Allergic Rhinitis、Seasonal Allergic Rhinitis、Ragweed Allergy、Birch Pollen Allergy。本站分类:免疫系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT05346718
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/NCT05346718
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
疾病:过敏性鼻炎、季节性过敏性鼻炎、豚草过敏、桦树花粉过敏。Ambrosia artemisiifolia(以下简称为豚草)是菊科的一种风媒草本植物,可能原产于美国沙漠地区。该植物通过贸易传入欧洲,并在20世纪作为成功的外来归化植物扩散。尽管北欧和中欧的条件对豚草并不理想,但该植物偏好干燥、沙质土壤,气候变化可能是其扩散的重要促成因素。其花粉被认为具有高度致敏性,因此与本地禾本科或桦树花粉相比,较低的 pollen 浓度就可能足以引发过敏症状。加之其入侵性扩散能力和对有害因素的耐受性,豚草因此被视为健康危害。已有多篇已发表文献尝试确定各种气传过敏原的阈值浓度。事实上,自20世纪60年代以来已有首批实验报道。然而,由于方法、结局指标和研究人群选择繁多,难以获得可比的结果。
基本上,阈值浓度可通过靶器官特异性变应原激发试验、现场研究和变应原激发室激发试验进行评估——每种方法各有其优缺点。迄今为止,变应原激发室主要用于抗过敏药物的概念验证研究。从技术上讲,激发室的设计旨在将高花粉浓度维持在恒定水平达数小时,该浓度应能诱发所有致敏受试者出现症状,从而能够确定所研究治疗干预措施的最大可能效应量。要将花粉浓度维持在两位数范围内,花粉的计量和监测在技术上存在挑战。Fraunhofer ITEM已成功建立了低浓度花粉暴露方法,从而可对过敏患者进行滴定至出现效应。花粉浓度将
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。




