真实世界队列中自主性丧失的预测因素
该数据集来源于clinicaltrials.gov，聚焦记忆障碍与阿尔茨海默病及相关痴呆（ADRD），旨在通过前瞻性收集法国Auvergne Rhone-Alpes地区多家中心的患者病历，构建区域数据库
基本信息
资源简介
真实世界队列中自主性丧失的预测因素
Predictive Factors of Autonomy Loss in Real-life Cohort 是一个登记于 clinicaltrials.gov 的数据集，归类于神经系统疾病 / 阿尔茨海默病方向，主题标签为记忆障碍（Memory Disorders）。该数据集围绕阿尔茨海默病及相关痴呆（ADRD）展开，这类疾病因认知障碍、功能自主性丧失和行为障碍等核心特征而成为致残性最强的疾病之一。在缺乏治愈性治疗手段的背景下，识别疾病进展的预测风险因素具有重要的公共卫生意义。该数据集旨在通过前瞻性方式收集法国奥弗涅-罗讷-阿尔卑斯大区（Auvergne Rhone-Alpes）多家中心的患者病历，构建区域数据库，主要研究目标是分析与功能自主性水平变化相关的预测因素，该自主性水平每 6 至 12 个月测量一次。
【数据集背景】
阿尔茨海默病及相关痴呆（ADRD）的主要特征包括认知障碍、功能自主性丧失和行为障碍，这些特征使其成为致残性最强的疾病之一。目前尚缺乏治愈性治疗手段，因此通过疾病主要症状评估其进展、识别进展的预测风险因素，被视为一项重大的公共卫生课题。在此背景下，研究者在法国奥弗涅-罗讷-阿尔卑斯大区开展真实世界研究，计划与医疗和行政人员以及大学医院的信息学部门合作，以前瞻性方式纳入患者病历，建立区域数据库，为研究功能自主性变化的预测因素提供数据基础。
【数据内容】
该数据集聚焦记忆障碍人群，收录与阿尔茨海默病及相关痴呆相关的患者病历信息。其核心观测内容为患者的功能自主性水平，该水平在法国奥弗涅-罗讷-阿尔卑斯大区各中心每 6 至 12 个月进行一次测量，用于分析自主性水平变化及其相关预测因素。源站描述中未进一步列出具体的变量字段、量表名称或数据结构细节。
【采集与来源】
数据来源于 clinicaltrials.gov 登记的研究项目。采集方式为前瞻性收集，对象为法国奥弗涅-罗讷-阿尔卑斯大区多家中心的患者病历；采集工作与医疗及行政人员合作开展，并得到大学医院信息学部门的协作支持，以区域数据库的形式进行组织。源站描述在此处未完整给出研究的全部细节。
【适用场景】
基于其主题与设计，该数据集适用于阿尔茨海默病及相关痴呆领域中关于功能自主性丧失预测因素的研究，可用于分析记忆障碍患者功能自主性水平随时间的变化，以及识别与疾病进展相关的风险因素。其真实世界、多中心、前瞻性的区域数据库定位，也适合用于区域层面的疾病进展与公共卫生相关分析。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/NCT03894254
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：记忆障碍。阿尔茨海默病或相关疾病（ADRD）因其主要特征如认知障碍、功能自主性丧失和行为障碍而成为最致残的疾病之一。在目前缺乏治愈性治疗的情况下，通过其主要症状评估疾病进展的预测风险因素，是公共卫生领域的一项重大课题。研究者旨在与医疗和行政人员以及大学医院计算机科学部门合作，建立一个区域性数据库，以前瞻性方式纳入患者病历。主要目标是研究与功能自主性水平变化相关的预测因素，该水平在法国奥弗涅-罗讷-阿尔卑斯大区各中心每6至12个月测量一次。真实世界研究人群将包括约5400名ADRD患者。纳入期为3年，每位患者的随访时间最长为10年，总研究时长为13年。
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。
