预防大麻使用精神健康后果的遗传咨询
该数据集来自 clinicaltrials.gov,聚焦严重精神疾病(SMI)的遗传与环境风险重叠,涵盖精神疾病、精神分裂症、双相障碍、重度抑郁症、大麻使用与精神病性障碍

基本信息
资源简介
预防大麻使用精神健康后果的遗传咨询
该数据集来自 clinicaltrials.gov,聚焦严重精神疾病(SMI)的遗传与环境风险重叠,涵盖精神疾病、精神分裂症、双相障碍、重度抑郁症、大麻使用与精神病性障碍。源站描述指出 SMI 包括精神分裂症、双相障碍和重度抑郁,多在青春期或成年早期起病,约30%患者对现有药物治疗抵抗,早期干预需求迫切。数据可用于研究大麻使用与精神健康后果的遗传咨询相关分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:精神疾病、精神分裂症、双相障碍、重度抑郁症、大麻使用、精神病性障碍。严重精神疾病(SMI)指最具负担的精神障碍形式,包括精神分裂症、双相障碍和重度抑郁。这些疾病通常起病于青春期或成年早期,并与功能显著受损相关。相当比例(约30%)的SMI个体对任何现有药物治疗仍抵抗。早发、治疗反应差和持续残疾的组合使SMI成为对个人和社会最具问题的疾病组。早期干预以预防SMI发生的需求十分紧迫,因为一旦SMI发展,患者及其家庭的生活质量很差。遗传和环境风险存在实质性重叠
【主题与分类】
主题标签:Mental Illness、Schizophrenia、Bipolar Disorder、Major Depressive Disorder、Cannabis Use、Psychosis。本站分类:神经系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT03601026
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/NCT03601026
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
疾病:精神疾病、精神分裂症、双相情感障碍、重度抑郁症、大麻使用、精神病性障碍。严重精神疾病(SMI)指最具负担的精神障碍形式,包括精神分裂症、双相情感障碍和重度抑郁症。这些疾病通常起病于青春期或成年早期,并伴有显著的功能损害。相当比例(约30%)的SMI患者对任何现有药物治疗均无反应。早发起病、治疗反应差和持续性残疾的共同作用,使SMI成为对个人和社会而言最成问题的一组疾病。早期干预以预防SMI发病的需求十分迫切,因为一旦SMI发展形成,患者及其家庭的生活质量即很差。各类SMI的遗传和环境风险因素存在大量重叠,且SMI的预测因素并非特定于某一种疾病。
因此,有必要将SMI概念化为跨诊断类别,纳入精神分裂症、双相障碍和抑郁症的诊断,而非在制定预防性干预措施时仅关注单一疾病。目前,SMI的预防因无法及早识别高风险个体以使其发展轨迹正常化而受到阻碍。基因组学的最新进展以及对重要基因-环境相互作用的理解,可能有助于克服这一挑战,并实现SMI的有效靶向预防。在大脑成熟的关键时期接触大麻是SMI的一种可避免的环境风险因素。一项已被重复验证的基因-大麻相互作用表明,常见遗传变异携带者(AKT1基因rs2494732位点的C等位基因)如果使用大麻,其发生精神病的风险最高可增加7倍。遗传咨询提供了一种有力的工具,能够以赋权并促进健康的方式向青少年传达遗传信息。本项目涉及实施遗传咨询干预,以告知青少年其个人
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。




