Clinical Medical Text NLP Dataset

328,000 electronic medical records, diagnostic reports, medical advice, literature digests of NER and relationships extracting labeled data sets to support clinical NLP and terminology standardization model training.

لمحة عامة عن البيانات

اسم البياناتمجموعة بيانات مخطرة من البرنامج الوطني للإحصاء
مجموع حجم البيانات000 328 (سجلات طبية إلكترونية + تقارير تشخيصية + مشورة طبية + نبذات طبية)
النصالنوع)٥٨( / M.C.S.S.A. / S.A. / S.A. / S.A. / S.A. / S.A. / S.A. / S.A. / S.A. / S.A. / S.A. /S. /S. / / / / / / / / / / / /
فئة الكيان غير المرخصالأمراض والأعراض والأدوية والفحوص والجراحة والتشريح ومؤشرات المختبرات
关系标注الأمراض - الأعراض، المخدرات - الأمراض، الكشف - الكشف، الجراحة - التشريح
术语标准化ICD-10-CM/ SNOMED CT / ATC / LOINC Map
طريقة الشروحClinical medicine professional label + NLP pre-marking aids + expert review of terminology
الناتجBIO/BIOS Sequence Description / JSON / Brat Standoff / CNNL

الوصف التفصيلي لمذكرات البيانات

الاسم الميدانينوع البياناتدرجة القيمة/الوصف
doc_idString(32)الوثيقة التي لا تراعي الاعتبارات
doc_typeEnumADMISSION | PROGRESS | DISCHARGE | REPORT | ORDER | LITERATURE
departmentEnumINTERNAL | SURGERY | OBGYN | PEDIATRICS | ONCOLOGY | CARDIOLOGY 等
textTextالنص السريري بعد المضايقة (اسم المريض، تاريخ [تاريخ]، مؤسسة [ORG])
entitiesArray[{start, end, type, subtype, text, icd10_code, snomed_code}]
relationsArray[{head_entity_idx, tail_entity_idx, relation_type}]
bio_tagsArrayقائمة بايلو أو بيوس
text_lengthIntegerعدد الشخصيات (بما في ذلك النقاط)
entity_countInteger实体数量
annotator_idString(8)هوية المعلم المُحسّن
qc_scoreFloatتقييم الجودة

De-identified JSON Data Sample

[ { "doc_id": "CLT-A0000821", "doc_type": "ADMISSION", "department": "CARDIOLOGY", "text": "患者[NAME],[AGE]岁[GENDER],因"反复胸闷、心悸[DURATION]"入院。既往有[DISEASE]病史[DRUG]治疗中。入院查体:[VALUE]次/分,血压[VALUE]/[VALUE]mmHg。", "entities": [ {"start": 62, "end": 70, "type": "SYMPTOM", "subtype": "胸闷", "text": "反复胸闷、心悸"}, {"start": 82, "end": 90, "type": "DISEASE", "subtype": "心血管疾病", "text": "[DISEASE]", "icd10_code": "I25.1"}, {"start": 92, "end": 98, "type": "DRUG", "subtype": "心血管药物", "text": "[DRUG]", "atc_code": "C07AB"} ], "relations": [ {"head_entity_idx": 0, "tail_entity_idx": 1, "relation_type": "SYMPTOM_OF"} ], "text_length": 156, "entity_count": 3, "annotator_id": "ANN-0421", "qc_score": 0.96 }, { "doc_id": "CLT-R0012345", "doc_type": "REPORT", "department": "RADIOLOGY", "text": "检查部位:[BODY_PART]。Imaging Findings:[BODY_PART]见[SIZE]cm[DESCRIPTOR][FINDING],边界[DEGREE],周边[DESCRIPTOR]。诊断意见:[DIAGNOSIS]。", "entities": [ {"start": 4, "end": 16, "type": "ANATOMY", "subtype": "检查部位", "text": "[BODY_PART]", "snomed_code": "123037004"}, {"start": 20, "end": 32, "type": "ANATOMY", "subtype": "检查部位", "text": "[BODY_PART]"}, {"start": 33, "end": 42, "type": "LAB", "subtype": "尺寸测量", "text": "[SIZE]cm"}, {"start": 43, "end": 55, "type": "FINDING", "subtype": "التصويرالكشف", "text": "[DESCRIPTOR][FINDING]"} ], "relations": [ {"head_entity_idx": 1, "tail_entity_idx": 3, "relation_type": "HAS_FINDING"} ], "text_length": 89, "entity_count": 4, "annotator_id": "ANN-0715", "qc_score": 0.94 }, { "doc_id": "CLT-D0003672", "doc_type": "DISCHARGE", "department": "ONCOLOGY", "text": "出院诊断:[DISEASE]([STAGE])。住院期间行[PROCEDURE]治疗,过程顺利。出院医嘱:1.[DRUG] [DOSAGE];2.定期复查[LAB];3.不适随诊。", "entities": [ {"start": 5, "end": 15, "type": "DISEASE", "subtype": "肿瘤", "text": "[DISEASE]", "icd10_code": "C34.9"}, {"start": 24, "end": 32, "type": "PROCEDURE", "subtype": "治疗操作", "text": "[PROCEDURE]"}, {"start": 47, "end": 53, "type": "DRUG", "subtype": "抗肿瘤药", "text": "[DRUG]", "atc_code": "L01XE"}, {"start": 64, "end": 70, "type": "LAB", "subtype": "实验室检查", "text": "[LAB]", "loinc_code": "24331-1"} ], "relations": [ {"head_entity_idx": 0, "tail_entity_idx": 1, "relation_type": "TREATED_BY"}, {"head_entity_idx": 0, "tail_entity_idx": 3, "relation_type": "MONITORED_BY"} ], "text_length": 112, "entity_count": 4, "annotator_id": "ANN-0388", "qc_score": 0.97 }, { "doc_id": "CLT-O0009105", "doc_type": "ORDER", "department": "INTERNAL", "text": "[DRUG] [DOSAGE] [ROUTE] [FREQUENCY] [DURATION]天", "entities": [ {"start": 0, "end": 6, "type": "DRUG", "subtype": "抗生素", "text": "[DRUG]", "atc_code": "J01MA"}, {"start": 7, "end": 15, "type": "DOSAGE", "subtype": "剂量", "text": "[DOSAGE]"}, {"start": 16, "end": 22, "type": "ROUTE", "subtype": "给药途径", "text": "[ROUTE]"} ], "relations": [], "text_length": 42, "entity_count": 3, "annotator_id": "ANN-0912", "qc_score": 0.99 }, { "doc_id": "CLT-L0001543", "doc_type": "LITERATURE", "department": "ONCOLOGY", "text": "本بحث旨在评估[DISEASE]患者中[DRUG]联合[DRUG]方案的有效性和安全性。共纳入[NUMBER]例患者,ORR为[VALUE]%,中位PFS为[VALUE]个月。", "entities": [ {"start": 6, "end": 16, "type": "DISEASE", "subtype": "肿瘤", "text": "[DISEASE]"}, {"start": 18, "end": 24, "type": "DRUG", "subtype": "抗肿瘤药", "text": "[DRUG]"}, {"start": 26, "end": 32, "type": "DRUG", "subtype": "抗肿瘤药", "text": "[DRUG]"}, {"start": 40, "end": 48, "type": "LAB", "subtype": "Clinical指标", "text": "ORR"}, {"start": 55, "end": 63, "type": "LAB", "subtype": "Clinical指标", "text": "中位PFS"} ], "relations": [ {"head_entity_idx": 0, "tail_entity_idx": 1, "relation_type": "TREATED_BY"}, {"head_entity_idx": 0, "tail_entity_idx": 3, "relation_type": "MEASURED_BY"} ], "text_length": 97, "entity_count": 5, "annotator_id": "ANN-0523", "qc_score": 0.95 } ]

标注规范与质量控制

معايير الشروح

  • NER label following i2b2 2010/2012 extension of the Clinical Named Entity Identification Standard, add 46 fine particle categories
  • استخراج العلاقة في شكل ثلاثي المستويات من مجموعة "الكيان الذي يتعقب العلاقة" و أنواع العلاقة تغطي التشخيص و التشخيص و الاختفاء
  • خريطة مزدوجة موحدة للمصطلحات: ICD-10-CM التشخيصي + SNOMED CT السريري، ATC code for pharmaceuticals
  • حساسية النصوص: استُعيض عن مؤشر الصحة البشرية (معلومات الصحة المحظورة) بمحل من نوع، لا يوجد تسرب للمعلومات

مقاييس الجودة

96.3%

NER F1

91.7%

استخراج العلاقة

98.5%

معدل دقة الخرائط

0.89

معدل المواظبة على مارك كابا

حالات استخدام التدريب

تحديد الكيانين المعنيين بالسم السريري

نموذج التطبيق: BiLSTM-CRF / BioBERT/ PubMedBERT/ Clinical BERT / GatorTron، الذي جرى تدريبه في نموذج تحديد هوية الكيان الاسمي للنص السريري الصيني، يمكن أن تصل F1 إلى 90 في المائة +.

استخراج العلاقات الطبية

نموذج التطبيق: بيولوجيا RelEx/ PURE / PL-Marker / REBEL. Draws the disease-symptoms, pharmaceuticals-disease relationships on the basis of physical identification, and constructs a medical knowledge map.

توحيد المصطلحات السريرية

نموذج التطبيق: SapBERT / CODER / BioSyn. Map oral/non-standard clinical terms to the ICD-10/SNOMED CT standard terminology system.

تم تنظيم تاريخ طبي إلكتروني

نموذج التطبيق: LLM + RAG (GPT-4o/Claude/Qwen2.5 + Langchain) - تحويل السجلات الطبية غير المنظمة إلى شكل منظم من أشكال FHIR/CDA.

الحصول على هذه البيانات

وتُسمح مجموعات البيانات السريرية للشركة بمرونة حسب نوع القسم/الميزة، مما يدعم تكييف شروط وضع البطاقات التعريفية.

137-5502-0164 المشاورة على الإنترنت

قيمة التطبيق التجاري

:: تقديم المعلومات إلى المستشفيات الذكية

:: مراقبة تاريخ المرضى الذكية المتأصلة في نظام المعلومات الإدارية المتكامل/نظام إدارة السجلات البيئية، ونموذج دعم القرارات السريرية التابع للدائرة من أجل تحسين تنظيم سجل المرضى وجودة العلاج.

تطهير الاستخبارات الطبية

واستنادا إلى علاقات الفحص التشخيصي - الصيدلي، والتدريب على نموذج الرقابة العقلية، والتعرف الآلي على الاستخدام غير المعقول، والفحص المفرط.

دراسة العالم الحقيقي الطب

وتنتج المعلومات المُنظَّمة عن المخدرات والعيادات من سجل طبي الكتروني كبير لدعم دراسة الشبكة العالمية للمعلومات عن الأدلة الحقيقية بعد إدراج المخدرات.