基于自我报告应用纵向评估确定神经外科术后恢复及不良事件影响

数据集获取

源站：https://clinicaltrials.gov/study/NCT06352710

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：椎间盘疾病、腰椎不稳、脑肿瘤、动脉瘤。理解并分析手术及不良事件（AEs）对患者主观幸福感的影响至关重要，因为这能提供客观信息，有助于风险-获益讨论。目前结局研究的方法静态、资源密集且易受数据缺失问题影响。这导致对正常术后病程的理解不足，进而妨碍了对AEs的一致报告，因为AEs通常被定义为偏离正常病程。另一个挑战是，由于该主题尚无共识和/或推荐意见，AEs采用各种分类进行分级，而这些分类忽视了AEs对患者主观幸福感的影响。例如，最常用的AE分级系统是基于治疗的Clavien-Dindo分级系统（CDG，doi:10.1097/01.sla.0000133083.54934.ae），该系统无法检测未通过药物治疗和/或手术治疗的不良事件的严重程度。

这是一个重要的局限性，因为新发的神经功能缺损是常见的不良事件，可能对生活质量产生显著影响，但在基于治疗的评级系统（如CDG）中却被视为低级别。其他专门为神经外科开发的分类系统也存在同样的局限性。最近，我们团队提出了治疗-残疾-神经病学分级（TDN，doi:10.1093/neuros/nyab121）以解决这一问题。TDN分级考虑了用于对抗不良事件的治疗（与CDG相同）、相关的神经功能缺损以及由此导致的残疾，但目前尚缺乏广泛的应用和验证。这些是结局研究的严重缺陷，因为它阻碍了对所提供治疗质量的监测、比较和改进。智能手机在各年龄段的日益普及为数据收集提供了前所未有的机会。研究人员创建了一款智能手机应用程序（app），以标准化和纵向的方式评估患者的健康状况

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。