真菌性肺炎评估与可能性预测评分的推导与验证
该数据集源自clinicaltrials.gov,主题为真菌性肺炎的临床预测研究。真菌性肺炎是严重呼吸道感染的日益常见病因,伴随较高的发病率与死亡率,早期诊断因临床表现非特异而困难

基本信息
资源简介
真菌性肺炎评估与可能性预测评分的推导与验证
该数据集源自clinicaltrials.gov,主题为真菌性肺炎的临床预测研究。真菌性肺炎是严重呼吸道感染的日益常见病因,伴随较高的发病率与死亡率,早期诊断因临床表现非特异而困难。FUNGAL-P研究为在意大利佛罗伦萨Careggi大学医院开展的非营利性单中心观察性研究,旨在推导并验证用于早期识别真菌性肺炎或真菌-细菌共感染的临床预测规则。数据可用于构建和评估肺炎风险预测模型(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):病症:肺炎、真菌性肺炎、曲霉性肺炎、肺曲霉病、侵袭性肺曲霉病、肺孢子菌、肺孢子菌肺炎、真菌病。真菌性肺炎是严重呼吸道感染日益被认识的病因,并与显著的发病率和死亡率相关。早期诊断仍然具有挑战性,因为临床表现往往非特异,且常规诊断标准在急诊环境中可能不易适用。识别延迟可能导致诊断检查和靶向抗真菌治疗启动的延迟。FUNGAL-P研究是一项非营利性、单中心观察性研究,在意大利佛罗伦萨的Careggi大学医院开展。该研究旨在推导并验证一种临床预测规则,用于早期识别真菌性肺炎或真菌-细菌共感染。
【主题与分类】
主题标签:Pneumonia、Fungal Pneumonia、Aspergillosis Pneumonia、Pulmonary Aspergillosis、Pulmonary Aspergillosis Invasive、Pneumocystis、Pneumocystis Pneumonia、Fungal Disease、Fungal Infection、Fungal Infection Lungs。本站分类:呼吸系统疾病/肺炎。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07681583
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/NCT07681583
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
疾病:肺炎、真菌性肺炎、曲霉病性肺炎、肺曲霉病、侵袭性肺曲霉病、肺孢子菌、肺孢子菌肺炎、真菌性疾病。真菌性肺炎作为严重呼吸道感染的病因日益受到重视,并伴有较高的发病率和死亡率。早期诊断仍具挑战性,因为临床表现常无特异性,且传统诊断标准在急诊环境中可能难以直接适用。识别延迟可能导致诊断检查延迟及靶向抗真菌治疗的启动延迟。FUNGAL-P研究是一项非营利性、单中心观察性研究,在Careggi大学医院(意大利佛罗伦萨)开展。该研究旨在推导并验证一项临床预测规则,用于早期识别表现为肺炎的成年患者中的真菌性肺炎或真菌-细菌混合感染。该研究包括两个连续阶段。回顾性推导阶段:推导队列包括2022年1月1日至2023年12月31日期间诊断的微生物学确诊肺炎的成年患者。
符合条件的患者在就诊后48小时内接受了支气管肺泡灌洗(BAL)、支气管吸引物或气管内吸引物的采集。微生物学检查包括真菌和细菌培养、半乳甘露聚糖检测、曲霉属和耶氏肺孢子菌的分子检测,以及多重分子呼吸道病原体检测。经微生物学确诊为真菌性肺炎的患者构成研究组,而细菌性或病毒性肺炎患者作为对照组。真菌-细菌混合感染病例归类为真菌性肺炎。未通过微生物学鉴定出病原体的患者被排除。前瞻性验证阶段 验证队列包括2024年1月1日至2024年12月31日期间连续入组的成年肺炎患者。患者按照标准临床实践接受了常规微生物学检查。对推导出的FUNGAL-P评分的性能进行了评估 p
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。




