病毒性与细菌性脓毒症的临床结局与炎症反应
该数据集来自clinicaltrials.gov,聚焦感染性疾病/脓毒症,覆盖细菌性与病毒性脓毒症患者。源站描述显示,研究纳入四川省人民医院ICU中按Sepsis 3.0标准诊断的267例患者,其中细菌性脓毒症105例、病毒性脓毒症162例(COVID-19经RT-PCR确诊),回顾性比较两类的临床

基本信息
资源简介
病毒性与细菌性脓毒症的临床结局与炎症反应
该数据集来自clinicaltrials.gov,聚焦感染性疾病/脓毒症,覆盖细菌性与病毒性脓毒症患者。源站描述显示,研究纳入四川省人民医院ICU中按Sepsis 3.0标准诊断的267例患者,其中细菌性脓毒症105例、病毒性脓毒症162例(COVID-19经RT-PCR确诊),回顾性比较两类的临床结局、炎症反应与治疗策略。关键参数包括死亡率、ICU住院时长、SOFA评分等。数据可用于脓毒症亚型区分、结局预测及炎症反应模式分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):Conditions: Sepsis, Sepsis Bacterial, Viral Sepsis, Inflammatory Response, Cytokine Storm, COVID-19, MODS. 脓毒症是ICU患者发病和死亡的主要原因,由于病毒性脓毒症相关的高死亡率,在COVID-19大流行期间受到越来越多的关注。本研究旨在阐明细菌性与病毒性脓毒症在临床结局、炎症反应和治疗策略方面的差异。通过利用四川省人民医院诊断为脓毒症的ICU患者的综合数据集,该研究将回顾性比较两种脓毒症类型。共纳入267例根据Sepsis 3.0标准诊断的患者,包括105例细菌性脓毒症和162例病毒性脓毒症(COVID-19经RT-PCR确诊)。关键临床参数如死亡率、ICU住院时长、SOFA评分以及ne
【主题与分类】
主题标签:Sepsis、Sepsis Bacterial、Viral Sepsis、Inflammatory Response、Cytokine Storm、COVID-19、MODS。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/NCT06491966
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/NCT06491966
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
研究条件:脓毒症、细菌性脓毒症、病毒性脓毒症、炎症反应、细胞因子风暴、COVID-19、多器官功能障碍综合征(MODS)。脓毒症是ICU患者发病和死亡的主要原因,在COVID-19大流行期间,由于病毒性脓毒症相关的高死亡率,其受到了越来越多的关注。本研究旨在阐明细菌性脓毒症与病毒性脓毒症在临床结局、炎症反应和治疗策略方面的差异。通过利用四川省人民医院诊断为脓毒症的ICU患者的综合数据集,本研究将回顾性比较两种脓毒症类型。共纳入267例根据Sepsis 3.0标准诊断的患者,其中105例为细菌性脓毒症,162例为病毒性脓毒症(经RT-PCR确诊COVID-19)。将分析死亡率、ICU住院时间、SOFA评分以及生命支持措施(机械通气、CRRT、ECMO)需求等关键临床参数。此外,本研究还将检查细胞因子谱和其他炎症标志物,以识别两组之间的显著差异。
本研究将采用先进的统计方法,包括Kaplan-Meier生存分析、多项逻辑回归和ROC曲线分析,以评估各种生物标志物的预测能力。预计研究结果将突出揭示导致病毒性脓毒症死亡率较高的关键因素,并为制定靶向治疗策略提供依据。最终目标是通过针对脓毒症类型量身定制的个性化方法,提高诊断准确性和患者预后。主要目标包括了解细菌性和病毒性脓毒症中不同的炎症反应,并识别用于区分二者的可靠生物标志物。该研究还将评估不同治疗方案,特别是抗生素使用,对临床结局的影响。从本研究中获得的见解将有助于更广泛地理解脓毒症管理,并指导未来的临床实践和研究。
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。




