成人严重烧伤液体复苏优化:Burn Navigator™与Parkland公式随机试验
该数据集来自clinicaltrials.gov,主题为成人严重烧伤的液体复苏优化,比较Burn Navigator™与Parkland公式的随机试验

基本信息
资源简介
成人严重烧伤液体复苏优化:Burn Navigator™与Parkland公式随机试验
该数据集来自clinicaltrials.gov,主题为成人严重烧伤的液体复苏优化,比较Burn Navigator™与Parkland公式的随机试验。源站描述涵盖烧伤病理特征、大面积烧伤后的全身炎症反应与液体转移、烧伤休克风险,以及传统Parkland公式和Modified Brooke公式的初始补液估算。数据可用于烧伤复苏策略研究、液体管理方案比较及相关临床决策分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):Conditions: Resuscitation, Burn。烧伤在病因和严重程度上差异很大,但具有共同的 fundamental 病理特征,即皮肤液化性坏死,皮肤是人体最大的器官,也是免疫防御系统的关键组成部分。当烧伤面积达到或超过总体表面积(TBSA)的20%时,会出现深刻的全身炎症反应。该反应导致广泛的液体转移和第三间隙形成,引起血管内容量丢失、器官灌注减少以及烧伤休克的高风险。为对抗这些生理变化,烧伤后最初24-48小时内的静脉液体复苏是管理的重要组成部分。传统烧伤复苏指南——最著名的是Parkland公式(4 mL/kg/TBSA)和Modified Brooke公式(2 mL/kg/TBSA)——提供所需液体量的初始估计。然而,这些公式是静态的
【主题与分类】
主题标签:Resuscitation, Burn。本站分类:泌尿生殖系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07307599
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/NCT07307599
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:复苏、烧伤。烧伤损伤的病因和严重程度差异很大,但都具有皮肤液化性坏死这一基本病理特征,皮肤是人体最大的器官,也是免疫防御系统的关键组成部分。当烧伤面积达到或超过总体表面积(TBSA)的20%时,会出现显著的全身炎症反应。该反应导致大量液体转移和第三间隙积液,引起血管内容量丢失、器官灌注减少以及烧伤休克的高风险。为对抗这些生理变化,烧伤后最初24-48小时内的静脉液体复苏是治疗的重要组成部分。传统的烧伤复苏指南——最著名的是Parkland公式(4 mL/kg/TBSA)和改良Brooke公式(2 mL/kg/TBSA)——提供了所需液体量的初步估计。然而,这些公式是静态的,可能无法反映患者快速、个体化的变化。过量液体输注可导致危及生命的并发症,如腹部、肢体或眼部骨筋膜室综合征,而复苏不足则可诱发急性肾损伤、烧伤休克或多器官衰竭。
现代方法强调根据生理反应,尤其是尿量(UO),进行动态的每小时液体滴定,以避免复苏不足和过度复苏。为支持临床医生进行实时调整,美国陆军外科研究所和UTMB开发了烧伤复苏决策支持系统(BRDSS)。该系统现已商业化为Burn Navigator™,它使用一个数学模型,综合尿量趋势、液体输注速率、烧伤面积、体重和伤后时间,生成每小时的液体推荐量。研究表明,与手动调整相比,它可以减少总体液体暴露量。尽管在军事和民用烧伤中心得到广泛采用,但尚未对其在不同临床环境中的性能进行全面评估。
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。




