脓毒症住院死亡预测的连续血小板计数与指数

数据集获取

源站：https://clinicaltrials.gov/study/NCT07832903

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

疾病状态：脓毒症。在脓毒症期间，血小板计数（PC）和平均血小板体积（MPV）作为动态标志物，反映全身炎症、血小板消耗、骨髓反应及血小板活化。当前的预后工具，如SOFA和APACHE II/IV评分，提供了重要的基线风险分层，但相对静态，可能无法完全捕捉宿主对感染不断演变的反应。新兴证据表明，连续监测血小板指标比单次基线测量能提供更多预后信息。此外，综合血小板衍生指标——如MPV/PC比值、血小板与淋巴细胞比值（PLR）、C反应蛋白与血小板比值（CRP/PLT）以及血小板与肌酐比值（PLT/Cr）——整合了炎症、止血和器官功能障碍的信号，可能增强临床风险预测。尽管有这些信号，很少有前瞻性研究同时探讨PC和MPV的连续变化轨迹、其衍生比值，以及它们在传统严重程度评分之外的增量价值。

这项前瞻性队列研究假设，连续血小板计数（PC）和平均血小板体积（MPV）的动态变化及其衍生的血小板比值，在调整临床混杂因素后，可独立预测成人脓毒症患者的院内死亡率。若这些基于轨迹的标志物与SOFA或APACHE评分联合应用时能展现出独立预后价值并改善风险重分类，将支持把常规、随时间更新的血小板指标纳入脓毒症预后评估和风险分层管理。

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。