特应性皮炎前瞻性纵向观察性研究

该数据集来自 clinicaltrials.gov,为特应性皮炎(AD)前瞻性纵向观察性研究,覆盖特应性皮炎、哮喘及特应性皮炎相关疾病

University of ZurichUniversity of Zurich
clinicaltrials
浏览 11
其他预测Atopic DermatitisAsthmaAtopic Dermatitis and Related Conditions
Prospective Longitudinal Observational Research in Atopic Dermatitis

基本信息

模态
其他
任务类型
预测
创建/更新时间
2026-10-09

资源简介

特应性皮炎前瞻性纵向观察性研究

该数据集来自 clinicaltrials.gov,为特应性皮炎(AD)前瞻性纵向观察性研究,覆盖特应性皮炎、哮喘及特应性皮炎相关疾病。研究旨在识别影响 AD 病程与缓解的内源性因素(如免疫与分子因素)和外源性因素(如环境、社会经济与微生物因素),并进一步区分具有不同局部和全身炎症反应的患者亚组(endotypes),以及寻找可预测 AD 及哮喘、食物过敏、过敏性鼻炎等其他特应性疾病个体临床病程的潜在生物标志物。可用于 AD 缓解预测、亚组划分与生物标志物相关研究(来源 clinicaltrials.gov)。

【数据内容】

源站描述(机器翻译,仅供参考):疾病:特应性皮炎、哮喘、特应性皮炎及相关疾病。主要目标:在计划项目中,主要目标是识别影响 AD 病程和缓解的内源性因素(例如免疫和分子因素)和外源性因素(例如环境、社会经济和微生物因素)。更具体地说,是识别在获得或未获得 AD 缓解的患者之间存在显著差异的因素。次要目标:(i)识别内源性和外源性因素,如免疫、分子和微生物因素,以区分具有不同局部和全身炎症反应的患者亚组(endotypes)。(ii)识别可预测 AD 和其他特应性疾病(包括哮喘、食物过敏和过敏性鼻炎)个体临床病程的潜在生物标志物。

【主题与分类】

主题标签:Atopic Dermatitis、Asthma、Atopic Dermatitis and Related Conditions。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/NCT04240522

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/NCT04240522

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:特应性皮炎、哮喘、特应性皮炎及相关病症。主要目标:在计划的项目中,主要目标是识别影响特应性皮炎病程和缓解的内源性因素(如免疫学和分子因素)和外源性因素(如环境、社会经济和微生物因素)。更具体地说,是识别在特应性皮炎缓解与未缓解患者之间存在显著差异的因素。次要目标:(i) 识别免疫学、分子和微生物等内源性和外源性因素,以区分具有不同局部和全身炎症反应的患亚型(内型)。(ii) 识别可预测特应性皮炎及其他特应性疾病(包括哮喘、食物过敏和过敏性鼻炎)个体临床病程的潜在生物标志物。

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