消防员纵向气道与呼吸暴露组/多组学研究 (FLARES)
FLARES 是一项观察性自然史研究,聚焦城市火灾与野地城市交界带(WUI)火灾产生的人为烟雾暴露对气道、呼吸及免疫系统的急性和长期影响,并以消防员作为高暴露模型人群

基本信息
资源简介
消防员纵向气道与呼吸暴露组/多组学研究 (FLARES)
FLARES 是一项观察性自然史研究,聚焦城市火灾与野地城市交界带(WUI)火灾产生的人为烟雾暴露对气道、呼吸及免疫系统的急性和长期影响,并以消防员作为高暴露模型人群。研究整合标准化临床表型、详细暴露评估与多组学分析,纵向随访消防员新兵与在职消防员,每年两次前往 NIH Clinical Center 访视,并开展事件驱动评估,包括暴露前后配对采样。数据覆盖嗅觉丧失、嗅觉减退、慢性鼻窦炎、哮喘和慢性阻塞性肺病等状况,可用于烟雾及污染物相关呼吸损伤的预测与管理研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):状况:嗅觉丧失、慢性阻塞性肺病、嗅觉减退、慢性鼻窦炎、哮喘。研究描述:这项观察性自然史研究(FLARES)将界定由城市火灾和野地城市交界带(WUI)火灾产生的人为烟雾暴露所导致的急性及长期气道、呼吸和免疫后果。鉴于消防员的暴露程度不成比例,将以其作为模型。该方案整合(1)标准化临床表型分析,(2)详细暴露评估,以及(3)多组学分析,以支持对烟雾和污染物相关呼吸损伤的循证管理。FLARES 将招募消防员新兵和在职消防员。消防员将接受纵向随访,每年两次前往 NIH Clinical Center(NIH CC)访视,并将接受事件驱动评估,包括配对的暴露前和暴露后评估。
【主题与分类】
主题标签:Anosmia、Chronic Obstructive Pulmonary Disease、Hyposmia、Chronic Rhinosinusitis、Asthma。本站分类:呼吸系统疾病/哮喘。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07867184
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/NCT07867184
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:嗅觉丧失、慢性阻塞性肺疾病、嗅觉减退、慢性鼻窦炎、哮喘。研究描述:这项观察性自然史研究(FLARES)将界定由城市火灾和野地-城市交界处(WUI)火灾产生的人为烟雾暴露所导致的急性和长期气道、呼吸及免疫后果。鉴于消防员暴露程度过高,将以其作为模型。该方案整合了(1)标准化临床表型分析,(2)详细暴露评估,以及(3)多组学分析,以实现对烟雾和污染物相关呼吸功能损害的循证管理。FLARES将招募消防员新兵和现役消防员。消防员将接受纵向随访,每年两次前往NIH临床中心(NIH CC)进行访视,并将接受事件驱动评估,包括围绕计划性火灾暴露(例如实火模拟)的配对暴露前和暴露后评估,以及非计划性暴露后的评估。
将对上、下气道进行系统评估,并配套建立暴露信息指导下的生物样本库,采集血液、鼻黏膜衬液、深部气道呼出颗粒物及尿液,用于多组学和暴露组分析,以阐明烟雾及化学相关损伤的分子通路。评估将包括鼻窦和胸部影像学检查(基线和3年时CT,期间行磁共振成像[MRI])、肺功能检测(PFT)以及详细的暴露问卷。将利用消防员暴露前/后比较及纵向轨迹,识别与暴露特征(如频率、持续时间、强度和火灾类型)相关的早期生物标志物、多组学轨迹及呼吸免疫紊乱和鼻肺疾病的临床指标,包括气候变化背景下日益加重的人为烟雾暴露负担。目标:主要目标:评估人为烟雾暴露后气道上皮/液体、外周血和/或尿液中多组学特征的变化
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。




