SimSUM 结构化与非结构化模拟病历基准

这份数据由比利时根特大学团队发布，公开在 GitHub 与 Hugging Face，早期版本名为 SynSUM。它含 10,000 条模拟患者记录，情境为基层医疗中的呼吸系统疾病就诊。每条记录有表格变量、一篇临床笔记及其精简版，并附症状片段标注。表格变量由领域专家定义的贝叶斯网络抽样，笔记由大语言模型生成。

基层就诊记录同时有结构化变量和自由文本。这份数据可用于研究如何把两类信息结合起来，做诊断或治疗预测。变量间的依赖关系由贝叶斯网络给定，可用于检验方法能否从文本中还原这些关系。

它是完全合成的数据，不属于 1.0 临床真实一层。贝叶斯网络的结构与参数由领域专家定义，5 名全科医生评审过 30 篇笔记，能学到 3.0 专家判断。模型能从中练习把笔记里的症状描述对应到结构化变量。仓库给出训练 8,000 条、测试 2,000 条的划分。数据不反映真实病历的复杂与噪声，不应用于评估临床模型或训练临床决策支持系统。

项目	内容
规模	10,000 条合成患者记录
记录语言	英语
记录来源	合成数据
记录单位	一次合成就诊
时间轴	单次，每条为一次就诊摘录，刻意去掉时间维度
结局	有诊断、抗生素治疗与居家天数变量，无结局随访
专家标注	有，笔记由大语言模型生成，5 名全科医生评审 30 篇笔记
任务环境	有，固定划分训练 8,000 条与测试 2,000 条

表：SimSUM.csv。

字段	含义	类型或取值
pneu	肺炎诊断	yes/no
cold	普通感冒诊断	yes/no
dysp	呼吸困难症状	yes/no
fever	发热症状	high/low/none
asthma	哮喘基础病	yes/no
policy	医生开抗生素的先验倾向	high/low
antibiotics	是否开具抗生素	yes/no
days_at_home	因病居家天数	离散值（0-...）

表：SimSUM.csv。

哮喘	季节	肺炎	普通感冒	咳嗽	发热	鼻部症状	开抗生素倾向	开具抗生素	居家天数
no	summer	no	no	no	high	no	yes	yes	2
no	summer	no	no	no	none	no	yes	no	2
no	summer	no	no	no	low	yes	no	no	2

项目	内容
许可	CC BY 4.0
商用	是，依 CC BY 4.0 许可文本
申请	公开下载

项目	内容
维护方口径	5 名全科医生评审随机抽取的 30 篇生成笔记。症状片段自动抽取经 100 篇人工核查，精确率 94.06%
已知局限	完全合成，不反映真实电子病历的复杂性与噪声。不应用于评估临床模型或训练临床决策支持系统

• 特殊话题　›　合成数据

https://huggingface.co/datasets/prabaey/simsum；https://github.com/prabaey/SimSUM；https://arxiv.org/abs/2409.08936；https://arxiv.org/html/2409.08936；https://pmc.ncbi.nlm.nih.gov/articles/PMC12713242/。