SEPREVEN：阶梯楔形随机对照试验
SEPREVEN 是一项阶梯楔形随机对照试验数据集，来源于 clinicaltrials.gov，聚焦新生儿重症监护病房（NICU）患者中的不良事件
基本信息
资源简介
SEPREVEN：阶梯楔形随机对照试验
SEPREVEN 是一项阶梯楔形随机对照试验数据集，来源于 clinicaltrials.gov，聚焦新生儿重症监护病房（NICU）患者中的不良事件。数据覆盖中央导管相关血流感染（CLABSI）、呼吸机与导管相关不良事件、用药错误等，并涉及医疗质量、院内肺炎、早产儿及皮肤损伤等主题。该数据可用于研究 NICU 不良事件的发生率、严重程度分类及教育干预效果，支持对患者结局的预测与医疗质量评估（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：新生儿重症监护病房、手术和医疗过程中患者遭受的意外伤害、导管相关血流感染（CRBSI）、医疗质量、呼吸机不良事件、院内肺炎、未成熟新生儿、皮肤损伤。新生儿重症监护病房（NICU）患者中不良事件频繁发生，导致高发病率和高死亡率。可能的严重不良事件包括中央导管相关血流感染（CLABSI）、呼吸机与导管相关不良事件以及用药错误。不良事件后患者结局的严重程度可使用国家用药错误报告与预防协调委员会（NCC MERP）用药错误分类指数进行分级。该研究将检验以下假设：通过实施教育
【主题与分类】
主题标签：Intensive Care Units, Neonatal、Quality of Healthcare、Ventilator Adverse Event、Nosocomial Pneumonia、Immature Newborn、Skin Lesion、Extravasation Injury、Nasal Injury、Intubation Complication、Medication Administered in Error。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/NCT02598609
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/NCT02598609
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：新生儿重症监护病房、手术和医疗护理过程中对患者的不幸事件、导管相关血流感染（CRBSI）、医疗质量、呼吸机不良事件、医院获得性肺炎、未成熟新生儿、皮肤病变。不良事件在新生儿重症监护病房（NICU）患者中频繁发生，并导致较高的发病率和死亡率。可能的严重不良事件包括中心静脉导管相关血流感染（CLABSI）、呼吸机和导管相关不良事件以及用药错误。不良事件后患者结局的严重程度可使用国家用药错误报告和预防协调委员会（NCC MERP）用药错误分类指数进行分级。本研究将检验以下假设：通过为NICU照护人员（护士和医生）实施教育项目，包括在其病房中识别和预防不良事件的策略，NICU患者的不良事件发生率将会降低。这些策略将针对预防CLABSI、用药错误、皮肤和鼻腔并发症以及呼吸机和导管相关不良事件。
本试验采用阶梯楔形整群设计，法国12家医院的新生儿重症监护病房将按教育项目实施时间随机分组。为了描述研究期间发生的不良事件，将向参与单位护理人员提供一个匿名自愿不良事件报告系统。一项嵌套研究将考察护理人员在发生不良事件时如何与患者父母沟通（是否披露及护理人员的理由）。不良事件发生率将使用新生儿重症监护病房触发工具进行回顾性测量。
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。
