重度哮喘中的GSNOR表型分析/GSNO激发
该数据集来自clinicaltrials.gov,主题为重度哮喘中的GSNOR表型分析与GSNO激发,属于呼吸系统疾病/哮喘分类

基本信息
资源简介
重度哮喘中的GSNOR表型分析/GSNO激发
该数据集来自clinicaltrials.gov,主题为重度哮喘中的GSNOR表型分析与GSNO激发,属于呼吸系统疾病/哮喘分类。源站描述指出,S-亚硝基化信号传导与包括重度哮喘在内的多种疾病相关;重度哮喘研究计划(SARP)及其他研究网络的工作表明哮喘具有显著异质性,许多患者对标准哮喘治疗反应欠佳。针对预期应答者或个体化治疗有望改善结局并降低治疗成本。对标准治疗无应答的哮喘患者即使接受标准治疗仍症状明显,这一亚群可能特别受益于包含临床表型分析、定向诊断检测以确认潜在病理生理机制、并针对这些发现进行治疗的个人化方案(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:哮喘。S-亚硝基化信号传导与包括重度哮喘在内的广泛疾病相关。重度哮喘研究计划(SARP)及其他研究网络的工作已确立,哮喘具有显著异质性。许多患者对标准哮喘治疗的反应欠佳。针对预期应答者,或对治疗采取个体化方法,将带来结局改善和治疗成本降低。此外,由于对标准治疗无应答的哮喘患者尽管接受标准治疗仍症状高度明显,这一亚群可能从个体化方法中获得特别益处,该方法包括临床表型分析、用于确认潜在病理生理机制的定向诊断检测,以及针对这些发现所进行的治疗。将哮喘经典地概念化为一种过敏性炎症性疾病
【主题与分类】
主题标签: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/NCT03926741
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/NCT03926741
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:哮喘。S-亚硝基化信号传导与包括重度哮喘在内的多种疾病相关。重度哮喘研究项目(SARP)及其他研究网络的工作已证实,哮喘具有显著的异质性。许多患者对标准哮喘治疗的反应欠佳。针对预期应答者进行治疗,或采用个体化治疗方法,将改善治疗结局并降低治疗成本。此外,由于对标准治疗无应答的哮喘患者尽管接受了标准治疗,症状仍然严重,这一亚组可能尤其受益于个体化方法,包括临床表型分析、旨在确认潜在病理生理机制的针对性诊断检测,以及针对这些发现所进行的特异性治疗。将哮喘经典地视为一种过敏性炎症性疾病,是基于许多哮喘患者具有“Th2高”表型的发现,该表型以循环中IgE、嗜酸性粒细胞和骨膜蛋白水平升高为特征。具有这些特征的患者尤其适合接受令人振奋的新型抗体疗法。
然而,许多患者并不属于这一表型,而且在广义表型中,反应呈高斯分布。此外,这些抗体治疗往往价格昂贵,并且需要胃肠外给药。在那些对标准哮喘治疗无反应的哮喘患者中,已经发现了大量替代性潜在靶点,从气道几丁质酶水平升高到维生素D水平降低,范围广泛。早期记录人类气道中存在S-亚硝基硫醇(SNOs)并表征S-亚硝基谷胱甘肽(GSNO)强效支气管扩张活性的工作,使我们考虑在某些患者中,哮喘可能代表一种肺内SNO稳态紊乱。本研究的重点在于气道S-亚硝基谷胱甘肽还原酶(GSNOR)活性升高的哮喘患者亚群。增加的活
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。




