电子病历问答语料库（emrQA）

emrQA 由伊利诺伊大学厄巴纳-香槟分校与 IBM 沃森研究中心的研究者在 EMNLP 2018 发布。它基于 i2b2 挑战赛的去标识临床病历，用模板在既有专家标注上自动生成问题、逻辑形式与答案证据。语料含 455,837 个问答对、1,295,814 个问题与逻辑形式对，来自 2,425 份临床记录。病历来自美国波士顿 Partners HealthCare 的研究患者数据登记库。

它用于训练和评测在病历中找答案的问答系统。问题覆盖用药、疾病关系、心脏病危险因素、肥胖与吸烟。逻辑形式把问题写成结构化查询，可研究从自然语言问题到病历查询的转换。

它的上下文是真实临床病历，属于 1.0 临床真实一层。680 个问题模板由一名医生标注逻辑形式，答案证据的生成流程经医生审核，能学到 3.0 专家判断。评测用精确匹配与 F1，另设排行榜，能学到 4.0 任务环境。约 6% 的问题有语料未收录的其他答案，29% 的样例上下文不完整。底层 n2c2 数据目前暂不可用，暂时无法按原流程取得数据。

项目	内容
规模	455,837 个问答对、1,295,814 个问题与逻辑形式、2,425 份临床记录
记录语言	英语
记录来源	诊疗过程
记录单位	问答对
时间轴	纵向，心脏病风险子集每名患者约 5 份病历，其余多为单份
结局	无结局字段
专家标注	有，一名医生为 680 个问题模板标注逻辑形式，问答由模板自动生成
任务环境	有，精确匹配与 F1 判分，主页设排行榜

表：data.json。

字段	含义	类型或取值
note_id	临床记录编号	字符串
context	临床记录全文	字符串
question	问题的同义改写列表	列表
text	答案实体	字符串；complex 型为列表
evidence	支撑答案的证据行	字符串
answer_entity_type	答案实体类型	single、empty、complex
evidence_start	证据行在记录中的行号	整数
title	来源 i2b2 挑战赛名称	字符串

表：问答对（维护方公布的样例）。

维护方提供的范例值，非真实记录。

问题	同义改写	逻辑形式	答案
How was the patient's extensive liver metastases diagnosed?	What diagnosis was used for the patient's extensive liver metastases?	{LabEvent (x) [date=x, result=x] OR ProcedureEvent (x) [date=x, result=x] OR VitalEvent (x) [date=x, result=x]} reveals ConditionEvent (／problem／)	An abdominal and pelvic ct scan with iv contrast

项目	内容
商用	未列明
申请	须先按许可协议取得 i2b2／n2c2 数据，签数据使用协议后用脚本生成

项目	内容
维护方口径	复用 i2b2 已有专家标注，答案证据生成流程经医生审核。抽查 500 个生成问题，语法错误不足 5%
已知局限	约 6% 的问题有语料未收录的其他答案。29% 的样例上下文不完整。n2c2 门户声明数据集暂不可用，注册未开放

• 医疗工作流程　›　病历问答与推理

https://emrqa.github.io/；https://aclanthology.org/D18-1258/；https://aclanthology.org/D18-1258.pdf；https://portal.dbmi.hms.harvard.edu/projects/n2c2-nlp/；https://raw.githubusercontent.com/panushri25/emrQA/master/README.md。