MIMIC-Ext-SynNotes 合成临床笔记语料

这份语料由澳大利亚联邦科学与工业研究组织（CSIRO）和美国国立医学图书馆的作者整理，托管于 PhysioNet。作者用 5 个开放权重大模型，逐份或逐块改写 MIMIC-III 与 MIMIC-IV-Note 的临床笔记。源笔记去重后有 464 万份，约 14 亿词。发布内容为 8 个合成语料，每行保留源库、原笔记编号与笔记类别。

公开的临床文本规模有限，难以满足语言模型训练的需要。这份语料可用于临床语言模型的继续预训练与领域适配。每份合成笔记都能按编号对回原笔记，可用于研究大模型改写时保留和改动了哪些临床信息。

它是大模型改写的合成文本，不属于 1.0 至 4.0 中的任何一层。它的用处在于扩充临床文本的语料量，供模型熟悉病历的用语与文体。人工错误分析发现，改写文本会遗漏内容、误解语境，出现时间与数值错误和虚构细节。文中像真实日期、姓名的字串都是生成伪迹。数据没有结局、专家标注和评测任务，不能作为临床事实来源。

项目	内容
规模	8 个合成语料，源自 464 万份去重笔记
记录语言	英语
记录来源	合成数据
记录单位	一份笔记或其分块
时间轴	单次，每行为一份源笔记或分块的改写文本
结局	无结局字段
专家标注	无，文本由 5 个开放权重大语言模型改写生成
任务环境	未列明

表：data/synthetic-chunks-by-Llama.csv。

字段	含义	类型或取值
source	源数据库	mimic_iii_1.4 或 mimic_iv_2.2
note_id	原笔记编号，同一笔记的各分块重复	MIMIC-III 为 ROW_ID，MIMIC-IV 为 note_id
category	MIMIC 笔记类别	如 Discharge summary、Nursing、Radiology
chunk_id	分块在原笔记中的位置，仅分块级文件有	整数，从 0 起
text	大模型生成的合成文本	文本

表：data/synthetic-chunks-by-Llama.csv。

合成样例，非真实记录。

源数据库	原笔记编号	笔记类别	分块序号
mimic_iii_1.4	58213	Discharge summary	0
mimic_iii_1.4	58213	Discharge summary	1
mimic_iii_1.4	61477	Nursing	0

项目	内容
许可	PhysioNet Credentialed Health Data License 1.5.0
商用	未列明
申请	须通过凭证审核、完成 CITI 培训并签数据使用协议
中国可用性	未写国别或机构限制，仍受凭证访问约束

项目	内容
维护方口径	发布前删除空生成与非英语输出。配套研究评价后称核心临床信息与粗粒度任务效用得以保留
已知局限	合成文本在长度、句式与词汇分布上与原文可测地不同。人工错误分析发现遗漏、时间与数值错误及幻觉。不得作临床事实来源或用于临床决策

• 特殊话题　›　合成数据

https://physionet.org/content/mimic-ext-synnotes/1.0/；https://physionet.org/about/faqs/；https://physionet.org/content/mimic-ext-synnotes/view-license/1.0/。