创新性认知障碍病例发现与多元化参与阿尔茨海默病照护、治疗及研究的对接

数据集获取

源站：https://clinicaltrials.gov/study/NCT07016178

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

条件：轻度认知障碍（MCI）、阿尔茨海默病、阿尔茨海默病（含亚型）、痴呆、认知衰退。近期研究强调了利用电子健康记录（EHR）数据在人群层面可扩展且偏倚较小地识别可能患有或有风险发展为MCI或ADRD的个体的潜力。8,9 在初级保健（PC）就诊前使用EHR数据可以系统性地识别未检测出的MCI和ADRD患者。在印第安纳大学（IU），研究人员开发了一种被动数字标记（PDM），能够以80%的准确率实现ADRD的一年和三年预测期早期检测。8,9 尽管PDM具有准确性，但其在PC中用于ADRD早期检测的可行性、可接受性和整体有效性仍不明确。基于这一创新工具以及在IUH PC中持续开展的ADRD早期检测工作，我们提出一个项目，测试在IUH PC中实施PDM以识别MCI和ADRD患者及高风险人群的可接受性和可行性，并评估我们能否通过IUH脑健康导航员（BHN）提高患者对研究和循证随访护理的参与度。

BHN是一名基于初级保健的注册护士，接受过特殊培训，能够在ADRD筛查呈阳性后对患者进行额外评估，以识别可能导致认知障碍的潜在原因，并协助PCP促进患者进行下一步的诊断评估。

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。