临床试验预测多模态数据集（TrialBench）

TrialBench 由香港科技大学（广州）与南京大学等机构的研究者发布。它从 ClinicalTrials.gov 登记的临床试验整理出 8 类预测任务、23 个数据集，并入 DrugBank 等药物信息。记录以试验为单位，含试验设计、分期、干预、疾病 ICD-10 编码、申办方、入排标准、摘要与药物分子结构。数据不含受试者个体记录。按试验数计，试验时长任务有 143.8K 项，药物剂量任务有 12.8K 项。

它用于在临床试验设计阶段预测风险与结局。任务包括试验时长、受试者脱落、严重不良事件、死亡事件、能否获批与失败原因。数据还可用于入排标准设计与药物剂量推荐。

它汇总临床试验的登记文本与试验层面结果，不含患者个体记录。疾病按 ICD-10 编码，药物附 SMILES 分子结构，能学到 2.0 规则语义。维护方提供的加载函数直接给出训练、验证与测试集，并附评测指标与基线模型，能学到 4.0 任务环境。失败原因与剂量标签由大语言模型从登记文本自动转换，没有为研究另做的专家标注。部分试验缺完成日期与结局。涉及 DrugBank 与 TrialTrove 的部分只限学术或非商业使用。

项目	内容
规模	8 类预测任务、23 个数据集
记录来源	其他来源
记录单位	临床试验
时间轴	不适用，以试验为单位，不含受试者个体记录
结局	不适用，预测目标为试验时长、脱落、严重不良事件、获批与失败原因
专家标注	无，仅自动标签，失败原因与剂量标签由大语言模型从登记文本转换
任务环境	有，加载函数返回训练、验证、测试集，并给评测指标与基线模型

表：Serious Adverse Event Forecasting 特征集。

字段	含义	类型或取值
brief_title	试验题名	非结构化文本
brief_summary	试验摘要，2 至 5 句	textblock
condition	试验针对的疾病	非结构化文本
icdcode	疾病的 ICD-10 编码	如 G30.0
phase	试验分期	Phase I 至 IV
enrollment	实际或预期入组人数	数值
minimum_age	招募患者的最小年龄	数值
smiless	药物分子的 SMILES 字符串	字符串

表：Serious Adverse Event Forecasting 特征集。

合成样例，非真实记录。

试验针对的疾病	疾病 ICD-10 编码	试验分期	入组人数	最小招募年龄
Alzheimer Disease	G30.0	Phase II	240	50
Type 2 Diabetes	E11.9	Phase III	1200	18
Breast Cancer	C50.9	Phase I	36	18

项目	内容
许可	数据集未单列许可，代码为 MIT License，论文为 CC BY-NC-ND 4.0
商用	是，须另签协议，DrugBank 与 TrialTrove 部分仅限非商业使用
申请	公开下载，经项目网站与程序包获取

项目	内容
维护方口径	每个任务设筛选条件，并给出基线与多模态深度学习实验结果。失败原因与剂量标签由大语言模型自动转换
已知局限	仍有重要任务与数据集未纳入。部分试验缺少完成日期与结局等特征

• 特殊话题　›　临床试验数据

https://huyjj.github.io/Trialbench/；https://doi.org/10.1038/s41597-025-05680-8；https://github.com/ML2Health/ML2ClinicalTrials；https://www.nature.com/articles/s41597-025-05680-8/tables/3；https://raw.githubusercontent.com/ML2Health/ML2ClinicalTrials/main/README.md；https://raw.githubusercontent.com/ML2Health/ML2ClinicalTrials/main/LICENSE。