哮喘与螨虫过敏预防及发病研究
PIAMA研究是一项大型持续进行的基于人群的队列研究，产前纳入并随访至当前18岁。该研究旨在探究生活方式与环境对哮喘、过敏及肺功能发展的影响，因此包含儿童各阶段生活方式与环境暴露的详细特征描述
基本信息
资源简介
哮喘与螨虫过敏预防及发病研究
PIAMA研究（Prevention and Incidence of Asthma and Mite Allergy Study）是一项大型、持续进行的基于人群的队列研究，采用产前纳入的方式招募研究对象，并对参与者随访至当前18岁。该研究旨在探究生活方式与环境因素对哮喘、过敏及肺功能发展的影响，因此涵盖了儿童各个阶段生活方式与环境暴露的详细特征描述。该数据集归属于呼吸系统疾病/哮喘分类，由Koppelman, Gerard提交，来源机构为University Medical Center Groningen，发布时间为2019年，主题标签为FOS: Medical and health sciences。
【数据集背景】
PIAMA研究是一项大型、持续进行的基于人群的队列研究，其设计核心在于考察生活方式与环境因素在哮喘、过敏及肺功能发展过程中的作用。研究采用产前纳入的方式，即从出生前即开始招募研究对象，并持续随访至当前18岁，从而覆盖了从胎儿期到青少年期的完整观察窗口。这一长期随访设计使研究能够捕捉儿童不同发育阶段中暴露因素与健康结局之间的动态关系，为理解呼吸系统疾病与过敏性疾病的早期起源提供了研究基础。
【数据内容】
该数据集包含儿童各阶段生活方式与环境暴露的详细特征描述。由于研究关注生活方式与环境对哮喘、过敏及肺功能发展的影响，其内容围绕这两类暴露因素在儿童成长各阶段的特征展开。数据集所属分类为呼吸系统疾病/哮喘，主题标签为FOS: Medical and health sciences。关于具体变量数量、测量指标种类、随访节点数量等细节，源站未提供。
【采集与来源】
该数据集来源于doi.org，作者为Koppelman, Gerard，所属机构为University Medical Center Groningen，发布时间为2019年。研究采用基于人群的队列设计，产前纳入研究对象并随访至18岁，采集过程跨越儿童各发育阶段。关于具体的采样方法、数据收集工具、随访频率等信息，源站未提供。
【适用场景】
基于该研究的设计目标与内容特征，该数据集适用于探究生活方式与环境暴露对哮喘、过敏及肺功能发展的影响，也适用于考察儿童各阶段暴露特征与呼吸系统及过敏性疾病结局之间的关联。其产前纳入与长期随访的特点，使其可用于关注生命早期暴露与后续健康结局关系的研究场景。关于具体的适用分析类型或已验证的应用案例，源站未提供。
【使用方法】
源站未提供。
【质量与限制】
该研究为大型、持续进行的基于人群的队列研究，具有产前纳入和随访至18岁的长期设计，并包含儿童各阶段生活方式与环境暴露的详细特征描述。关于样本量、失访情况、数据完整性、测量误差等质量指标与使用限制，源站未提供。
【引用与许可】
该数据集的作者为Koppelman, Gerard，所属机构为University Medical Center Groningen，发布时间为2019年，来源站为doi.org。许可状态为Not set，即尚未设定许可条款。关于具体的引用格式要求，源站未提供。
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://doi.org/10.34760/5f5b7c415249c
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
PIAMA研究是一项大型的正在进行中的人群队列研究，从产前纳入并随访至目前的18岁。该研究旨在探究生活方式和环境对哮喘、过敏及肺功能发展的影响。因此，它详细刻画了儿童各阶段的生活方式与环境暴露特征。
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。
