Abrocitinib治疗特应性皮炎的长期疗效、应答预测因素与安全性:一项前瞻性真实世界研究
该数据集为一项关于Abrocitinib治疗特应性皮炎的前瞻性真实世界研究的补充材料,来自Mendeley Data,发布于2026年

基本信息
资源简介
Abrocitinib治疗特应性皮炎的长期疗效、应答预测因素与安全性:一项前瞻性真实世界研究
Long-Term Efficacy, Predictors of Response, and Safety of Abrocitinib in Atopic Dermatitis: A Prospective Real-World Study
该数据集为一项关于Abrocitinib治疗特应性皮炎的前瞻性真实世界研究的补充材料,来自Mendeley Data,发布于2026年。内容涵盖补充方法(治疗、结局指标及血清生物标志物谱)、补充图S1-S3(不同部位EASI评分动态变化、血嗜酸性粒细胞计数变化、按停药原因分层的累积停药发生率)以及补充表S1-S11(含基线人口学等)。数据可用于探索Abrocitinib的长期疗效、应答预测因素与安全性,支持真实世界证据下的疗效评估与停药风险分析(来源 DOI 解析)。
【数据集背景】
源站首次发布:2026。
【数据内容】
源站描述(机器翻译,仅供参考):在本数据集中,我们提供了题为“Abrocitinib治疗特应性皮炎的长期疗效、应答预测因素与安全性:一项前瞻性真实世界研究”的补充信息。补充材料包括补充文档、图和表。详细描述如下:补充方法:提供关于Abrocitinib治疗、结局指标和血清生物标志物谱的额外方法学细节。补充图例S1-3。补充图1. Abrocitinib治疗期间不同身体部位EASI评分的动态变化。补充图2. Abrocitinib治疗期间血嗜酸性粒细胞计数的变化。补充图3. 按治疗停药原因分层的Abrocitinib累积停药发生率。补充表S1-11:表S1. 基线人口学
【主题与分类】
主题标签:Dermatology、Atopic Dermatitis。本站分类:皮肤疾病。
【获取与许可】
源站页面:https://data.mendeley.com/datasets/34dmwxdsrk/3
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://doi.org/10.17632/34dmwxdsrk.3
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:
数据集大小约 2.2 MB。
数据说明
在本数据集中,我们为题为“阿布昔替尼治疗特应性皮炎的长期疗效、应答预测因素及安全性:一项前瞻性真实世界研究”的研究提供了补充信息。补充材料包括补充文档、图表和表格。详细描述如下:补充方法:提供了关于阿布昔替尼治疗、结局指标和血清生物标志物谱的额外方法学细节。补充图例S1-3。补充图1. 阿布昔替尼治疗期间不同身体部位EASI评分的动态变化。补充图2. 阿布昔替尼治疗期间血嗜酸性粒细胞计数的变化。补充图3. 按治疗中断原因分层的阿布昔替尼停药累积发生率。补充表S1-11:表S1. AD患者的基线人口学和临床特征;表S2. 按不同身体部位分层的EASI评分变化率;表S3. 按患者报告的复发事件分层的临床因素;表S4. 按临床医生评估的复发事件分层的临床因素;表S5.
按剂量下调成功与不成功分层的临床因素;表S6. abrocitinib的总体及亚组药物生存率;表S7. 治疗中断的基线预测因素;表S8. 治疗中断的原因;表S9. abrocitinib治疗期间的不良事件;表S10. 第12周后abrocitinib的不良事件,按年龄组分层(<60岁 vs ≥60岁);表S11. 早期应答者和延迟应答者的基线细胞因子和趋化因子水平。
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。




