Texto de la medicina clínica NLP conjuntos de datos - Longhui Tecnología de datos Productos

Dataset Overview

Nombre del conjunto de datos	Texto clínico NLP Conjunto de datos notificados
Volumen total de datos	328.000 (informes médicos electrónicos + diagnóstico + asesoramiento médico + digestión médica)
TextoTipo	85K / 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.A. / S. / / / / / / / / / / / / / / / / / / / / R
Categoría de Entidades	Enfermedades, síntomas, medicamentos, exámenes, cirugía, anatomía, indicadores de laboratorio 7 categorías principales 46 subcategorías
Relación Descripción	Enfermedades - síntomas, fármacos - enfermedades, detección - detección, cirugía - autopsia
Normalización de la terminología	ICD-10-CM / TC sin resonar / ATC / Mapa de LOINC
Método de anotación	Medicina clínica etiqueta profesional + ayudas pre-marcación NLP + revisión experta de terminología
Formato de salida	BIO/BIOS Secuencia Descripción / JSON / Brat Standoff / CNNLL

Descripción detallada de las dimensiones de datos

Nombre del campo	Tipo de datos	Rango de valor / Descripción
doc_id	String(32)	ID de documento sensible
doc_type	Enum	ADMISSION \| PROGRESS \| DISCHARGE \| REPORT \| ORDER \| LITERATURE
department	Enum	INTERNAL ANTE SURGERY ANTE OBGYN ANTE LAS PEDIATRIAS ANTE LAS ONCOLOGÍAS
text	Text	Texto clínico después de la disensibilización (nombre de paciente [NAME], fecha [Fecha], institución [ORG])
entities	Array	[{start, end, type, subtype, text, icd10_code, snomed_code}]
relations	Array	[{head_entity_idx, tail_entity_idx, relation_type}]
bio_tags	Array	Lista de etiqueta de secuenciación BIO/BIOS
text_length	Integer	Número de caracteres (incl. puntos)
entity_count	Integer	Número de entidades
annotator_id	String(8)	ID de marcador desensibilizado
qc_score	Float	Valoración de la calidad de la evaluación 0.0 - 1.0

Muestra de datos JSON de identificación

[ { "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]。Imagen所见：[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": "ImagenDiscovery", "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Investigación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": "Clínica指标", "text": "ORR"}, {"start": 55, "end": 63, "type": "LAB", "subtype": "Clínica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

标注标准

NER etiqueta siguiente i2b2 2010/2012 Ampliación del estándar de identificación de la Entidad Nombre Clínica, añadiendo 46 categorías de partículas finas
La extracción de relaciones se encuentra en el formato de grupo de tres niveles de la "órgano de la relación de la entidad principal" y tipos de relaciones cubren el diagnóstico-descubrimiento, tratamiento-diseas, etc.
Mapa de términos estandarizado: Código de diagnóstico ICD-10-CM + TC SNOMED, código ATC para productos farmacéuticos
Desensibilización de texto: PHI (Información de salud aprobada) fue reemplazada por un propietario de un tipo, cero fuga de información

质量指标

96.3%

NER F1

91.7%

Extracción de relaciones F1

98.5%

La tasa de exactitud de los términos

0.89

Mark Consistency Rate Kappa

Casos de uso de capacitación de AI

Identificación de entidad de designación clínica (NER)

Modelo de aplicación: BERT-BiLSTM-CRF / BioBERT / PubMedBERT / Clinical BERT / GatorTron. Formado en el modelo de identificación de entidad de nombre para el texto clínico chino, F1 puede alcanzar el 90%+.

Extracción de relaciones médicas

Modelo de aplicación: BioRelEx / PURE / PL-Marker / REBEL. Dibuja los síntomas de la enfermedad, las relaciones farmacéuticas-diseas sobre la base de la identificación física, y construye un mapa de conocimiento médico.

Normalización de la terminología clínica

Modelo de aplicación: SapBERT / CODER / BioSyn. Map oral/no estándar términos clínicos al sistema de terminología estándar ICD-10/SNOMED CT.

Historia médica electrónica estructurada

Modelo de aplicación: LLM + RAG (GPT-4o/Claude/Qwen2.5 + Langchain). Conversión de archivos médicos no estructurados a formato FHIR/CDA estructurado.

Obtener este Dataset

Los conjuntos de datos clínicos NLP están autorizados flexiblemente por el tipo de sección/marcación, soportando la personalización de los requisitos de etiquetado.

137-5502-0164 Consulta en línea

Datos relacionados

商业应用价值

Información sobre hospitales inteligentes

Control inteligente de historia de pacientes integrado en el sistema HIS/EMR, módulo de soporte de decisiones clínicas CDSS para mejorar la regulación del registro de pacientes y la calidad del tratamiento.

Despeje de la información médica

Basado en relaciones de diagnóstico-farmaciado-farmacia, formación en el modelo de censura mental, identificación automática de uso irrazonable y control excesivo.

El estudio mundial de medicina real

Información estructurada de fármacos y resultados clínicos de un gran registro médico electrónico para apoyar el estudio de RWE sobre evidencias reales del mundo después de que se enumeran los medicamentos.

Dataset NLP de Texto Médico Clínica