欧洲碳青霉烯耐药肠杆菌科前瞻性队列研究
该数据集来自 clinicaltrials.gov,为欧洲碳青霉烯耐药肠杆菌科前瞻性队列研究,聚焦碳青霉烯耐药细菌感染,本站归类于呼吸系统疾病/肺炎

基本信息
资源简介
欧洲碳青霉烯耐药肠杆菌科前瞻性队列研究
该数据集来自 clinicaltrials.gov,为欧洲碳青霉烯耐药肠杆菌科前瞻性队列研究,聚焦碳青霉烯耐药细菌感染,本站归类于呼吸系统疾病/肺炎。源站描述提出关于治愈与死亡独立预测因子、不同感染部位联合或单药治疗有效性等假设,可用于研究耐药菌感染的治疗策略与预后预测(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:碳青霉烯耐药细菌感染。假设:H1:可识别出5个独立的治愈和死亡预测因子,包括有效的经验性治疗、早期靶向优化治疗以及必要时的早期感染源管理。H2:对于肺炎、cIAI(复杂性腹腔内感染)和BSI(血流感染),使用两种活性药物联合治疗,其中一种(如可用)为“活性”β-内酰胺类药物(例如美罗培南或亚胺培南,若最低抑菌浓度[MIC] <16 mg/L;氨曲南,若分离株敏感,如许多金属β-内酰胺酶产生菌;或头孢菌素,若分离株敏感,如某些OXA-48产生菌)。对于cUTI(复杂性尿路感染),使用上述“活性”β-内酰胺类药物、黏菌素或氨基糖苷类药物(若体外有活性)单药治疗与联合治疗同样有效。H3. 测试时的临床治愈率
【主题与分类】
主题标签:Carbapenem Resistant Bacteria Infection。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/NCT02709408
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/NCT02709408
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:耐碳青霉烯类细菌感染。假设:H1:可识别出5个独立的治愈和死亡预测因素,包括有效的经验性治疗、早期靶向优化治疗以及必要时的早期感染源管理。H2:对于肺炎、cIAI(复杂性腹腔内感染)和BSI(血流感染),采用两种有效药物联合治疗,其中一种为(如可获得)“有效”的β-内酰胺类药物(如美罗培南或亚胺培南,若最低抑菌浓度[MIC]<16 mg/L;氨曲南,若分离株敏感,如许多产金属β-内酰胺酶菌株;或头孢菌素,若分离株敏感,如某些产OXA-48菌株)。对于cUTI(复杂性尿路感染),使用上述“有效”β-内酰胺类药物、黏菌素或氨基糖苷类药物(若体外有效)单药治疗与联合治疗同样有效。H3:采用BAT时,治愈检测(TOC)时的临床治愈率将为50%。H4:特定碳青霉烯酶类型不独立影响治愈率或死亡率。H5:由碳青霉烯类MIC<16 mg/L的分离株引起的CRE感染与更高的治愈概率和更低的死亡率相关。
H6:可发现五个显著的CRE感染独立预测因素(危险因素)。H7:与碳青霉烯敏感肠杆菌科细菌(CSE)引起的感染或导致住院的其他疾病相比,由CRE引起的目标感染与更高的死亡率、住院时间和住院费用显著且独立相关。具体目标。O1:描述由CRE和CRAB引起的cIAI、肺炎、cUTI和BSI住院患者的特征、临床管理和结局。O1A:提供由CRE和CRAB引起的目标感染患者队列,最终用作历史队列,以比较针对这些微生物的新药的疗效和安全性。O1B:确定由CRE和CRAB引起的cIAI、肺炎、cUTI和BSI患者的结局预测因素,并确定最佳alte
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。




