烧伤死亡率预测评分
该数据集来自 clinicaltrials.gov,主题为烧伤死亡率预测评分,属于感染性疾病/脓毒症分类。源站描述显示,研究为单中心、回顾性、观察性队列研究,在 Gaziantep City Hospital 烧伤中心开展,纳入 2023 年 10 月至 2026 年 2 月住院烧伤患者,共筛查 1

基本信息
资源简介
烧伤死亡率预测评分
该数据集来自 clinicaltrials.gov,主题为烧伤死亡率预测评分,属于感染性疾病/脓毒症分类。源站描述显示,研究为单中心、回顾性、观察性队列研究,在 Gaziantep City Hospital 烧伤中心开展,纳入 2023 年 10 月至 2026 年 2 月住院烧伤患者,共筛查 1315 条烧伤入院记录,排除转院及拒绝治疗者。数据可用于识别高死亡风险患者,支持临床分诊、重症监护规划、资源分配及与家属沟通(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:烧伤损伤、院内死亡。烧伤损伤与显著的发病率、死亡率、重症监护使用、住院时间延长和手术负担相关。早期识别高死亡风险患者可能有助于临床分诊、重症监护规划、资源分配以及与患者家属的沟通。本研究是一项单中心、回顾性、观察性队列研究,在 Gaziantep City Hospital 烧伤中心开展,该中心是服务于土耳其南部及跨境地区的三级转诊烧伤中心。研究纳入 2023 年 10 月至 2026 年 2 月期间接受治疗的住院烧伤入院患者。共筛查了 1315 条烧伤入院记录。在最终临床结局评估前转至另一机构的入院患者以及拒绝治疗的入院患者被排除。在应用资格标准后
【主题与分类】
主题标签:Burn Injury、In-Hospital Mortality。本站分类:感染性疾病/脓毒症。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07689890
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/NCT07689890
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:烧伤、院内死亡。烧伤损伤与显著的发病率、死亡率、重症监护使用、住院时间延长和手术负担相关。早期识别高死亡风险患者可能有助于临床分诊、重症监护规划、资源分配以及与患者家属的沟通。本研究是一项单中心、回顾性、观察性队列研究,在加济安泰普市医院烧伤中心进行,该中心是服务于土耳其南部及跨境地区的三级转诊烧伤中心。研究纳入2023年10月至2026年2月期间接受治疗的住院烧伤入院病例。共筛选了1315份烧伤入院记录。在最终临床结局评估前转至其他机构的入院病例以及拒绝治疗的入院病例被排除。应用 eligibility 标准后,1082例住院烧伤入院被纳入主要分析队列。本研究评估了简明烧伤严重程度指数(ABSI)、修订Baux评分和改良Ryan评分对院内死亡率的预后性能。
ABSI的计算基于年龄、性别、烧伤总体表面积、吸入性损伤以及全层烧伤状态。修订版Baux评分则依据年龄、烧伤总体表面积及是否存在吸入性损伤来计算。改良Ryan评分则考虑了年龄分组、烧伤总体表面积分组、吸入性损伤及三度烧伤状态。主要结局指标为院内死亡率,定义为在本次住院期间发生的死亡。次要评估包括死亡率与特定临床变量之间的关联,这些变量包括吸入性损伤、脓毒症、重症监护入住、机械通气、手术次数及住院时长。预后评分的区分能力将通过受试者工作特征分析来评估,涉及曲线下面积、置信区间等指标。
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。




