Omalizumab在哮喘急性加重发作前的应用
该数据集来自clinicaltrials.gov,聚焦儿童哮喘、特应性体质与病毒性上呼吸道感染。OBOE是一项前瞻性、试点性、平行组随机对照试验,旨在研究在秋季上呼吸道感染发作时单剂给予抗IgE药物omalizumab与安慰剂相比,对6-17岁、城市居住、特应性、持续哮喘且易急性加重青少年的效果

基本信息
资源简介
Omalizumab在哮喘急性加重发作前的应用
该数据集来自clinicaltrials.gov,聚焦儿童哮喘、特应性体质与病毒性上呼吸道感染。OBOE是一项前瞻性、试点性、平行组随机对照试验,旨在研究在秋季上呼吸道感染发作时单剂给予抗IgE药物omalizumab与安慰剂相比,对6-17岁、城市居住、特应性、持续哮喘且易急性加重青少年的效果。试验计划在3年内招募并随机化参与者,每年2月启动招募,每队列设2-6个月导入期以控制哮喘并稳定控制药物级别。数据可用于评估omalizumab在病毒性上呼吸道感染触发哮喘急性加重中的预防作用(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:儿童哮喘、特应性体质、病毒性上呼吸道感染。OBOE是一项前瞻性、试点性、平行组随机对照试验,总体目标是研究在秋季上呼吸道感染发作时单剂给予抗IgE(omalizumab)与安慰剂相比,对6-17岁、高度易急性加重、城市居住且特应性的持续哮喘青少年的效果。OBOE将在3年内招募并随机化参与者(3个年度参与者队列)。OBOE每个年度队列的招募将于2月开始。每个队列将接受为期2-6个月的导入期随访,目的是控制每位参与者的哮喘并稳定所需的控制药物阶梯级别。参与者在导入期将每1-2个月接受一次常规哮喘护理(共2-4次),使用Inner-city Asthm(原文此处截断)先前描述的算法。
【主题与分类】
主题标签:Asthma in Children、Atopy、Viral Upper Respiratory Infection。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/NCT05332067
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/NCT05332067
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:儿童哮喘、特应性体质、病毒性上呼吸道感染。OBOE是一项前瞻性、试点性、平行组随机对照试验,总体目标是考察在秋季上呼吸道感染发作时单次给予抗IgE(奥马珠单抗)与安慰剂相比的效果,研究对象为6-17岁、哮喘持续存在、高度易发生急性加重、城市居住且具有特应性体质的青少年。OBOE将在3年内招募并随机分配参与者(每年3个参与者队列)。OBOE每个年度队列的招募将于2月开始。每个队列将接受为期2-6个月的导入期随访,目的是控制每位参与者的哮喘并获得所需控制药物阶梯级别的稳定。在导入期内,参与者将每1-2个月接受一次常规哮喘护理(共2-4次),采用先前由Inner-city Asthma Consortium开发并在PROSE研究中成功应用的算法。
主要结局是鼻液吸收回收的鼻部IFN-α量在两个时间点之间的变化,即在URI发病后72小时内(URI定义为流涕、鼻塞或打喷嚏的出现或显著加重,单一或多症状)以及研究药物注射后3-6天。
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。




