MIMIC-IV 出院小结姓名去标识标注数据集

这份数据由麻省理工学院团队发布，托管在 PhysioNet。作者从 MIMIC-IV 预发布版抽取 100 份出院小结，整理成标出姓名位置的模板，男女各 50 份。作者再按美国姓名分布构建 16 个姓名集，每集 20 个名，填充生成 16,000 份带标签的评测文书。数据还附有多义姓名评测集、微调用数据和 9 种去标识方法的预测输出。

医院共享病历前要先去除姓名等受保护健康信息。这份数据可用于检验去标识工具对不同性别、种族、流行程度和年代的姓名是否同样有效。研究者可以借它比较各种去标识方法在不同人群姓名上的漏检差异。

文书由模板填充生成，不属于 1.0 临床真实一层。它能学到 3.0 专家判断，作者逐份标注了模板中姓名与其他受保护信息的位置。模型可以从中学习在临床文本里识别姓名，并检验识别率是否因人群而异。姓名集只反映美国的姓名分布，种族匹配依赖按揭申请数据，性别只分两类。作者要求不得用姓名集做人口学推断。

项目	内容
规模	100 份出院小结模板、16,000 份评测文书
记录来源	合成数据
记录单位	出院小结模板或填充文书
时间轴	单次，不含同一患者多时点记录
结局	无结局字段
专家标注	有，作者人工标注 100 份模板中的姓名与其他 PHI 位置
任务环境	有，16,000 份带标签评测文书，另有微调用训练与验证模板

表：general/input/names-first.csv。

字段	含义	类型或取值
SetID	名字集编号	1–16
Gender	名字集对应的性别	M / F
Race	名字集对应的种族	white / black / asian / hispanic
Popularity	名字的流行程度档	top / medium / bottom
Decade	名字流行的年代	1940s / 1970s / 2000s
Name	名	文本
Rank	该名在同年代同性别中的排名	整数
Count	该名在同年代同性别中的出现次数	整数

表：general/input/names-first.csv。

合成样例，非真实记录。

姓名集编号	性别	种族	流行程度	年代	名	排名
1	M	white	top	2000s	Jacob	1
2	F	white	top	2000s	Emily	1
16	F	white	top	1940s	Mary	1

项目	内容
许可	PhysioNet Credentialed Health Data License 1.5.0
商用	未列明
申请	须为 PhysioNet 认证用户、完成 CITI 培训并签数据使用协议
中国可用性	未写地域限制，须成为 PhysioNet 认证用户

项目	内容
维护方口径	出院小结在 MIMIC-IV 公开前抽取，被评测模型未见过。准备与分析代码以开源许可公开
已知局限	仅限美国姓名分布，结论须在其他场景复现。种族匹配依赖按揭申请人数据，偏向经济条件较好人群。只用二元性别与标准化种族类别

• 医疗安全边界　›　隐私与去标识

https://physionet.org/content/discharge-summary-templates/1.0/；https://physionet.org/content/discharge-summary-templates/view-license/1.0/。