远程医疗药物治疗管理下的用药依从性

该数据集来自 clinicaltrials.gov,聚焦呼吸系统疾病中的哮喘,研究对象为未控制哮喘的青少年和年轻成人。研究评估药物治疗管理(MTM)视频远程医疗干预对用药依从性的改善作用,并使用 Propeller Sensors 追踪依从性并向参与者反馈

Johns Hopkins UniversityJohns Hopkins University
clinicaltrials
浏览 14
视频预测Uncontrolled AsthmaYoung Adults
Medication Adherence With Telehealthcare Medication Therapy Management

基本信息

模态
视频
任务类型
预测
创建/更新时间
2026-10-08

资源简介

远程医疗药物治疗管理下的用药依从性

该数据集来自 clinicaltrials.gov,聚焦呼吸系统疾病中的哮喘,研究对象为未控制哮喘的青少年和年轻成人。研究评估药物治疗管理(MTM)视频远程医疗干预对用药依从性的改善作用,并使用 Propeller Sensors 追踪依从性并向参与者反馈。300 名青少年和年轻成人被随机分配至 MTM 视频远程医疗联合电子依从性自我管理组,或单独电子依从性自我管理组。试验采用序贯检验,主要结局为依从性和首次哮喘急性发作时间,可用于用药依从性预测与干预效果评估(来源 clinicaltrials.gov)。

【数据内容】

源站描述(机器翻译,仅供参考):条件:未控制哮喘、年轻成人。该研究评估一种药物治疗管理(MTM)视频远程医疗干预,以解决用药依从性差的问题。此外,它采用一种新方法,通过使用 Propeller Sensors 追踪依从性并向参与者提供反馈。300 名青少年和年轻成人将被随机分配至药物治疗管理(MTM)视频远程医疗联合电子依从性自我管理[MTM EAM]组,或单独电子依从性自我管理(EAM)组(也称为数字依从性监测[DAM])。由于试验的层级设计,指定了两个按序检验的主要结局:依从性和首次哮喘急性发作时间。

【主题与分类】

主题标签:Uncontrolled Asthma、Young Adults。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/NCT03978936

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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/NCT03978936

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:未控制的哮喘,年轻成人。本研究评估一项药物治疗管理(MTM)视频远程医疗干预,以解决药物依从性差的问题。此外,研究采用一种新方法,通过Propeller传感器追踪依从性并向参与者提供反馈。300名青少年和年轻成人将被随机分配至药物治疗管理(MTM)视频远程医疗加电子依从性自我管理[MTM EAM]组,或单独电子依从性自我管理(EAM)组(也称为数字依从性监测[DAM])。由于试验的层级设计,指定了两个主要结局,将按顺序进行检验:依从性和首次哮喘急性发作时间。

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。

获取专属数据定制方案