Leiden血栓复发风险预防
数据覆盖静脉血栓栓塞、静脉血栓、肺栓塞与深静脉血栓等情形,涉及 L-TRRiP 与 VTE-BLEED 两种预测评分,用于区分复发 VTE 风险(低、中、高)与主要出血风险(低与高)

基本信息
资源简介
Leiden血栓复发风险预防
该数据集来自 clinicaltrials.gov,主题为 Leiden Thrombosis Recurrence Risk Prevention(L-TRRiP),关注静脉血栓栓塞症(VTE)患者首次发病后的复发风险与抗凝治疗出血风险。数据覆盖静脉血栓栓塞、静脉血栓、肺栓塞与深静脉血栓等情形,涉及 L-TRRiP 与 VTE-BLEED 两种预测评分,用于区分复发 VTE 风险(低、中、高)与主要出血风险(低与高)。该研究为多中心、开放标签、基于队列的随机对照试验,可用于评估基于个体化复发与出血风险评估来定制长期抗凝治疗时长的可行性(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:静脉血栓栓塞症、静脉血栓、肺栓塞、深静脉血栓。背景:首次发生静脉血栓栓塞症(VTE)的患者存在复发风险。复发性 VTE 可通过延长抗凝治疗来预防,但这可能以主要出血为代价。L-TRRiP 和 VTE-BLEED 预测评分已被开发出来,分别用于对复发性 VTE 风险(低、中、高)和主要出血风险(低与高)进行分类。然而,它们在寻找最佳平衡以同时最小化两种长期风险方面的联合应用尚不明确。目的:基于对复发性 VTE 和主要出血风险的个体化风险评估,评估定制长期抗凝治疗时长。方法:L-TRRiP 研究是一项多中心、开放标签、基于队列的随机对照试验,将纳入首次发生 VTE 的患者。对于每
【主题与分类】
主题标签:Venous Thromboembolism、Venous Thromboses、Pulmonary Embolism、Deep Vein Thrombosis。本站分类:呼吸系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT06087952
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/NCT06087952
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
病症:静脉血栓栓塞症、静脉血栓形成、肺栓塞、深静脉血栓形成。背景:首次发生静脉血栓栓塞症(VTE)的患者存在复发风险。通过延长抗凝治疗可预防VTE复发,但这可能以增加大出血风险为代价。L-TRRiP和VTE-BLEED预测评分分别用于对VTE复发风险(低、中、高)和大出血风险(低危与高危)进行分类。然而,如何联合使用这两种评分以找到最佳平衡点,从而同时最小化这两种长期风险,目前尚不明确。目的:基于对VTE复发风险和大出血风险的个体化评估,评价长期抗凝治疗的定制化疗程。方法:L-TRRiP研究是一项多中心、开放标签、基于队列的随机对照试验,将纳入首次发生VTE的患者。采用L-TRRiP和VTE-BLEED预测评分分别确定每位患者的VTE复发风险(低、中、高)和大出血风险(低危、高危)。
经过三个月的初始抗凝治疗后,复发性VTE风险较低(2年内<6%)的患者将停用抗凝药物,而复发性VTE风险较高(2年内>14%)且大出血风险较低的患者将继续用药。其他获益尚不明确的组别将随机分配至继续或停用抗凝药物。患者将接受至少两年的随访,在此期间,前两年每3个月填写一次问卷,此后在研究剩余时间内每年填写一次问卷(即最后一位参与者入组后2年;预计在2027年)。因此,总随访时间预计为2至6年不等。随访问卷用于筛查潜在结局(包括复发性VTE和出血),并包括EQ-5D-5L评估生活质量、Post VTE功能状态量表评估功能结局以及Medical C
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。




