低频 ICD-10 编码合成出院小结数据集

这份数据由爱丁堡大学、埃克塞特大学等英国机构的研究者发布，托管在 PhysioNet。数据含 9,606 份由大语言模型生成的合成出院小结，对应 9,606 组输入编码。其中 6,779 组唯一，2,827 组重复，覆盖 98 个少样本和 16 个零样本 ICD-10 编码。输入编码组合取自 MIMIC-IV 真实出院小结，每份附提示词、原始输出、预处理文本和模型预测的编码。

自动 ICD 编码模型在罕见编码上表现差，原因之一是训练样本太少。这份数据可用于给罕见编码补充训练文本，并比较补充前后的编码效果。它也可用于研究合成出院小结与真实出院小结在写法和内容上的差异。

文本全部由模型生成，不属于临床真实一层。每份小结对应一组标准 ICD-10-CM 与 ICD-10-PCS 编码，能学到 2.0 规则语义。模型可以从中学习罕见编码与疾病、操作描述之间的对应。文中预测的编码由正则表达式抽取，未逐份检查，可能有遗漏。出院存活状态也由模型预测，不能当作真实结局。

项目	内容
规模	9,606 份合成出院小结，覆盖 98 个少样本与 16 个零样本 ICD-10 编码
记录来源	合成数据
记录单位	一篇合成出院小结
时间轴	单次，每份对应一组 ICD-10 编码
结局	无真实结局，只有模型预测的出院状态
专家标注	未列明，仅自动标签
任务环境	未列明

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，须个人通过凭证审核，不得共享访问

项目	内容
维护方口径	编码组合从真实病例反推，保留标签间关联。临床人员将合成小结与真实小结对比分析
已知局限	模型预测编码以正则表达式抽取，未逐份核查。文本为模型生成，非真实病历

• 特殊话题　›　合成数据

https://physionet.org/content/generated-codes-low-resource/1.0.0/；https://physionet.org/about/faqs/；https://physionet.org/content/generated-codes-low-resource/view-license/1.0.0/。