COVID-19康复者口腔与嗅觉并发症数据集
该数据集来自clinicaltrials.gov,为一项前瞻性队列研究,聚焦COVID-19康复后持续存在的化学感觉障碍与口腔表现

基本信息
资源简介
COVID-19康复者口腔与嗅觉并发症数据集
该数据集来自clinicaltrials.gov,为一项前瞻性队列研究,聚焦COVID-19康复后持续存在的化学感觉障碍与口腔表现。数据覆盖口腔并发症、味觉障碍和嗅觉障碍,旨在描述这些症状的频率与严重程度、分析其与COVID-19严重程度分级的相关性,并比较康复者与健康个体的口腔微生物组差异。可用于研究长期新冠症状的病因、症状分型及预后相关因素(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:口腔并发症、味觉障碍、嗅觉障碍。本前瞻性队列研究旨在调查COVID-19疾病康复后长期存在的化学感觉障碍和口腔表现。长期症状与COVID-19严重程度分级之间的相关性对于理解和阐明这些症状的病因非常重要。研究目标:1. 描述COVID-19康复后持续存在的口腔体征和化学感觉障碍的频率和严重程度,并检查“味觉障碍”是否可区分为味觉丧失或味觉减退以及嗅觉丧失或嗅觉减退。2. 报告COVID-19严重程度分级与由此产生的持续症状之间的任何相关性。3. 描述COVID-19感染后的口腔微生物组,并描述与正常健康个体相比可能的变化。临床和-如有指示
【主题与分类】
主题标签:Oral Complication、Dysgeusia、Olfactory Disorder。本站分类:神经系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT04791436
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/NCT04791436
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:口腔并发症、味觉障碍、嗅觉障碍。本前瞻性队列研究旨在探究COVID-19疾病康复后长期存在的化学感觉障碍及口腔表现。长期症状与COVID-19严重程度分级之间的相关性对于理解和阐明这些症状的病因将非常重要。研究目标:1. 描述COVID-19康复后持续存在的口腔体征和化学感觉障碍的频率与严重程度,并检验“味觉障碍”是否可区分为味觉丧失或味觉减退以及嗅觉丧失或嗅觉减退。2. 报告COVID-19严重程度分级与由此产生的持续症状之间的任何相关性。3. 描述感染COVID-19后的口腔微生物组,并描述与正常健康个体相比可能发生的变化。临床检查及——如有指征——放射学检查,以评估COVID-19患者康复后长期的口腔和化学感觉损伤及主诉,应在口腔颌面外科、耳鼻喉科和医学微生物学的跨学科环境中进行。
研究对象将根据疾病严重程度分级分为三组:非住院患者、住院患者和重症监护患者。所有成年COVID-19康复患者(年龄超过18岁)都将纳入研究。从发病到研究招募的时间间隔应至少为3个月。排除标准为精神或神经系统疾病、既往口腔或鼻腔创伤、手术或放疗、既往味觉或嗅觉功能障碍或慢性鼻窦炎。研究变量包括年龄、性别、合并症、可能的研究排除原因。口腔健康评估将通过以下检查进行:牙周状况、口腔病变评估、如有临床指征则使用全景X线进行放射学检查、照片记录、使用心理物理学方法对嗅觉和味觉功能进行客观评估
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。
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。




