减重手术与COVID-19
数据基于英国国家减重手术登记库（NBSR），这是一个前瞻性收集所有在英国接受择期减重手术患者信息的数据库。该数据可用于识别疫情期间（2020年4月1日起一年内）接受择期减重手术的患者，并与疫情前队列（2018年9月1日起一年内）进行比较，分析患者特征差异（来源 clinicaltrials.gov）
基本信息
资源简介
减重手术与COVID-19
Bariatric Surgery and COVID-19 数据集来源于 clinicaltrials.gov，归类于感染性疾病/其他类别，主题涉及 COVID-19 与减重手术候选者。该数据集的核心基础是英国国家减重手术登记库（NBSR），这是一个前瞻性收集所有在英国接受择期减重手术患者信息的数据库。借助该登记库，可以识别在疫情期间（自2020年4月1日起一年内）接受择期减重手术的患者，并将这一人群的特征与疫情前队列（自2018年9月1日起一年内）进行比较，从而分析两个时期患者特征的差异。数据集所对应的条件包括 COVID-19 和 Bariatric Surgery Candidate，可为研究疫情对减重手术人群特征的影响提供数据支撑。
【数据集背景】
该数据集围绕 COVID-19 大流行期间择期减重手术的开展情况而建立。其背景数据基础为英国国家减重手术登记库（NBSR），该登记库前瞻性收集所有在英国接受择期减重手术患者的信息。研究设计以疫情暴发为时间分界，将疫情期间接受择期减重手术的患者与疫情前接受同类手术的患者进行特征比较，以观察大流行对这一手术人群构成的影响。数据集主题标签为 COVID-19 和 Bariatric Surgery Candidate，所属分类为感染性疾病/其他。
【数据内容】
数据集所涉及的内容为接受择期减重手术患者的特征信息，覆盖两个时间队列：一是疫情期间队列，即自2020年4月1日起一年内接受择期减重手术的患者；二是疫情前队列，即自2018年9月1日起一年内接受择期减重手术的患者。数据集用于识别上述两个队列的患者并比较其群体特征。除患者特征比较这一核心内容外，源站未提供更细粒度的字段清单或变量说明。
【采集与来源】
数据来源站为 clinicaltrials.gov。数据采集依托英国国家减重手术登记库（NBSR），该登记库为前瞻性收集的数据库，覆盖所有在英国接受择期减重手术的患者。数据集通过该登记库识别疫情期间和疫情前两个规定时间窗口内接受择期减重手术的患者。源站未提供具体的采集流程、数据更新频率或样本量等信息。
【适用场景】
该数据集适用于比较疫情前后择期减重手术患者特征差异的研究场景，可用于观察 COVID-19 大流行对减重手术人群构成的影响。其主题涉及感染性疾病与减重手术候选者，适合围绕疫情期间手术开展情况、患者群体特征变化等方向开展分析。源站未提供其他具体适用场景的说明。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/NCT05532891
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：COVID-19，减重手术候选者。国家减重手术登记处（NBSR）是一个前瞻性收集的数据库，涵盖英国所有接受择期减重手术的患者。该数据库用于识别疫情期间（自2020年4月1日起一年内）接受择期减重手术的患者。将该组患者的特征与大流行前队列（自2018年9月1日起一年内）进行了比较。
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。
