K-HEALTH in AIR 巴塞罗那试点队列

数据集获取

源站：https://clinicaltrials.gov/study/NCT06421402

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

条件：重度哮喘、COPD。本研究采用全面的两阶段方法。2024年1月至12月（第一阶段），方案侧重于评估和优化研究的四个核心组成部分：i）强化肺功能检测，ii）室内空气质量（IAQ）家庭监测，iii）对创新临床流程的先进数字化支持，以及iv）用于早期发现和管理急性加重的预测建模。第一阶段结束时的主要成果是设计一项创新的整合照护服务，旨在加强对急性加重的管理并减少高风险患者的非计划住院。2025年1月至12月（第二阶段），方案旨在优化新型临床流程，包括上述四个核心组成部分，并评估新的整合照护服务在医疗价值创造方面的潜力及其可扩展性/可移植性。第一阶段（2024年）：1.

强化肺功能检测：采用振荡法（强迫振荡技术）测量呼吸系统阻力和电抗，作为强迫肺量测定的补充工具，探索其在患者监测和急性加重管理中的潜力。2. 患者居家室内空气质量（IAQ）的持续监测：评估患者家中的先进监测系统，以持续追踪空气质量参数，从而识别与呼吸系统急性加重相关的环境触发因素。3. 先进数字化支持创新临床流程，具有双重目标：i）赋能患者对其自身状况进行自我管理；ii）强化护士个案管理师在急性加重早期发现和管理中的作用，促进患者与转诊医生（初级保健医生和/或专科医生）之间达成共享照护协议。为此，采用适应性个案管理（ACM）方法构成关键要素。4. 预测建模：开发和完善基于机器学习的模型

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。