信息速览
BRATECA 是巴西首个成规模开放的真实住院病历语料，由巴西非营利机构 Institute for Artificial Intelligence in Healthcare（产品名 NoHarm.ai）整理，2022 年在 LREC 发表，同年 7 月经 PhysioNet 以受控方式发布。它覆盖 10 家巴西医院、2 个州，含 73,040 次成人入院、52,973 名患者，以及 2,849,572 条葡萄牙语自由文本临床记录，另有检验与处方数据。
临床自然语言处理长期以英语为中心：公开语料、预训练模型、评测基准几乎都在英语医疗文本上建立。葡萄牙语的标注资源极少，本语种的临床模型多靠翻译数据或跨语言迁移支撑，而医学缩写、剂量单位、本地商品名恰恰是最难迁移的部分。BRATECA 补的正是这一块——它提供的是巴西医院里真实写下的文本。
使用前需要知道两件事。第一，获取门槛在三道以上：PhysioNet 资质认证、数据使用协议、贡献方逐案审批，没有任何公开直链。第二，v1.1 不含人工标注，做监督式命名实体识别需要自行标注，把它用于预训练、弱监督或领域探索才是它的设计用途。
§1 它是什么
1.1 定义与定位
BRATECA 的全名是 BRATECA (Brazilian Tertiary Care Dataset): a Clinical Information Dataset for the Portuguese Language，缩写取自 BRAzilian TErtiary CAre，意为巴西三级诊疗数据集。论文开篇把目标写得很直接：构建一个「类似 MIMIC 集合、但面向巴西葡萄牙语」的大规模临床数据集合。
理解这个定位需要两句限定。第一，它是「三级诊疗」数据集，来源是医院住院与急诊环节，而不是社区卫生或门诊随访；第二，它是「编辑整理版」，本身不是一家医院信息系统的原始导出，而是从该机构自有的巴西三级诊疗信息库中抽出若干最有用处的表，重组成 5 个对外发布的 CSV。
数据的采集、去标识与管理由 Institute for Artificial Intelligence in Healthcare 负责。这是一家巴西非营利初创，团队由数据科学家与在职医疗专业人员（药师、医师）混编，主营业务是为临床药学开发智能系统，其处方异常检测系统名为 NoHarm.ai。这一点解释了数据集为何以处方为核心组织：原始数据库本身就是围绕处方表构建的。
1.2 发布方与学术出处
论文由五个作者合作完成，横跨三个机构：PUCRS（巴西天主教大学南里奥格兰德分校）、Institute for Artificial Intelligence in Healthcare（巴西）、以及 CIDEHUS / University of Évora（葡萄牙埃武拉大学）。这种「巴西临床机构 + 葡萄牙语文学术机构」的组合，反映的是葡语 NLP 社区本身的分布特征——巴西是人口与数据重心，葡萄牙是研究传统与语料学重心。
论文发表于 2022 年第十三届语言资源与评测会议（LREC 2022），收录于第 5609 至 5616 页，由欧洲语言资源协会（ELRA）出版，论文本体以 CC-BY-NC-4.0 授权。会议 6 月在马赛举行，PhysioNet 上的 v1.1 版则在 7 月 14 日上线。
伦理方面，论文声明数据使用经各参与医院批准，并获得巴西国家研究伦理委员会（National Research Ethics Committee）批准，编号 46652521.9.0000.5530。
1.3 版本谱系
BRATECA 在 PhysioNet 上至少出现过两个版本。v0.9 曾包含一个不完整的临床记录文件 B1_ClinicalNote_demo.csv，仅含部分记录；v1.1 补齐了完整记录，同时把访问审批从「自动发放」改成「须经贡献方逐案审批」。后一项变更对使用者影响更大：它意味着即便完成了 PhysioNet 的资质流程，也不保证能拿到数据。
PhysioNet 页面同时给出两个 DOI：版本页的 10.13026/ay8n-qf21，以及论文脚注中记录的 10.13026/v8a6-mr20。前者是版本级标识，后者是 PhysioNet 记录的「最新版本」标识，二者当前指向同一份 v1.1 数据。规范引用应写清版本号，避免日后 v1.2 发布后引用指向漂移。
1.4 名字里的信息
BRATECA 这个名字本身是三段信息压缩：BRA 指巴西，TE 指三级诊疗（tertiary care），CA 指照护（care）。它不包含任何「葡语」字样，但论文副标题明确限定为葡萄牙语，正文也反复强调这是面向 Brazilian Portuguese 的资源。检索时需要注意一个常见问题：用「BRATECA Portuguese」能命中，用「Brazilian clinical NLP dataset」则容易漏掉，因为该数据集在巴西本地的传播更多依赖 NoHarm.ai 项目页与 LREC 论文集，而非通用数据集目录。
§2 数据构成
2.1 五个 CSV 表
v1.1 以 5 个 CSV 文件发布，彼此通过标识符关联。它们可以单独使用，也可以联表使用。
| 表名 | 一行代表什么 | 主要内容 |
|---|---|---|
| Admission | 一次入院 | 患者人口学特征、出生日期、入出院日期、肤色、身高体重及其测量日期、入院原因 |
| Exam | 一次检查结果 | 检查名称、数值、单位、检查日期 |
| Prescription | 一张处方抬头 | 处方日期与失效日期、病区标记、药房评估、AI 处方异常评分、告警与药物类别计数 |
| Prescription Item | 一条处方药品明细 | 药品名、剂量、归一化剂量、给药途径、每日频次、给药时间、是否静脉给药 |
| Clinical Note | 一条自由文本记录 | 记录正文、记录日期、记录者职位 |
四个关联键分别是 Hospital ID（医院代码）、Patient ID（患者代码）、Admission ID（入院代码）、Prescription ID（处方代码，仅后两个表使用）。论文明确说明，重编后的 ID 在表间保持一致：如果某入院在 Admission 表被重编为 789，那么在其他四张表里出现同一入院时也会是 789。这是联表分析的前提。
2.2 规格表
| 维度 | 内容 | 数值或口径 | 字段可靠性 |
|---|---|---|---|
| 入院总数 | 进入数据集的入院记录 | 73,040 | 论文正文明确 |
| 唯一患者 | 年满 18 岁的成人 | 52,973 | 论文正文明确 |
| 医院数 | 参与合作的医院 | 10 | 论文正文明确，医院匿名 |
| 州数 | 覆盖的巴西州 | 2 | 论文正文明确，州名未披露 |
| 临床记录 | 自由文本记录条数 | 2,849,572 | 论文正文明确 |
| 文本规模 | 记录累计词数 | 超过 4 亿 | 论文引言给出，概数 |
| 检验结果 | 实验室结果条数 | 2,374,807 | 论文正文明确 |
| 处方与条目 | 处方及明细合计 | 519,318 | 论文正文明确，表头与条目的拆分未给 |
| 年龄中位数 | 全体患者 | 54 岁（四分位 38 至 68） | 论文正文明确 |
| 男性比例 | 全体患者 | 41.3% | 论文正文明确 |
| 死亡率 | 全体患者 | 6.5% | 论文正文明确，判定口径未细化 |
| 肤色构成 | 白人 70.7%、混血 3.8%、黑人 3.8%、黄种人 0.2% | 合计 78.5%，其余未记录 | 论文正文明确 |
| 时间窗 | 入院起止均落在同一九个月区间 | 2020 至 2021 年之间 | 精确区间以隐私为由不公开 |
| 文件格式 | 逗号分隔值 | 5 个 CSV | PhysioNet 页面明确 |
| 数据版本 | 当前版本 | v1.1（2022-07-14） | PhysioNet 页面明确 |
2.3 病区构成
论文按病区类别统计入次，这张表能直接说明数据集的临床轮廓：
| 病区类别 | 入次数 | 占比参考 |
|---|---|---|
| 急诊 | 37,392 | 最大类，超过总量一半 |
| 外科 | 25,004 | 第二大 |
| 公立资助 | 12,096 | 与「公私混合」的巴西医疗现实对应 |
| 未归入上述类别 | 8,674 | 论文称 normal |
| 产科 | 5,550 | 全部为女性病例 |
| 重症监护 | 4,666 | 复杂度最高的一类 |
| 门诊 | 3,107 | 数量最小 |
| COVID-19 | 1,714 | 明确标出的疫情专病病区 |
这组数字必须小心使用：各病区加总为 73,703，比入院总数多出 663。论文表注写明，一次入院可能辗转多个病区，一个病区也可能归属多个类别，因此这张表不是互斥分组，不能直接相加或换算占比。
急诊占比最高这一点值得强调。三级诊疗数据集常被想象成「疑难重症库」，但 BRATECA 的实际重心是急诊与外科，ICU 只占约 6%。这与它的抽取逻辑有关：处方是抽表的锚点，而急诊与外科是开处方最密集的环节。
2.4 各病区的中位数特征
论文的统计表还给出每个病区的年龄、检验量、处方量、记录量与死亡率中位数。从这张表能读出几组结构性差异：
- 年龄：产科最年轻（中位数 30 岁），ICU 最年长（中位数 64 岁），门诊最低（中位数 44 岁）。
- 检验量：ICU 与 COVID-19 病区最高（每次入院的检验结果中位数分别为 119 与 117 条），产科与外科最低（均为 0 条中位数）。
- 处方量：外科与 ICU 最高（中位数分别为 28 与 15 条），门诊最低（中位数 1 条）。
- 记录量：ICU 的记录最密集（中位数 140 条），门诊最少（中位数 2 条）。
- 死亡率：ICU 24.09%，COVID-19 病区 17.68%，急诊 10.62%，产科 0.07%。
ICU 的中位数指标（检验 119 条、记录 140 条、死亡率近四分之一）在整张表里独树一帜，说明真正的高密度临床信息集中在少数重症病例上。反过来，产科与门诊的检验中位数为 0，意味着这两个病区的大量入次在 Exam 表里可能没有对应行——做检验相关分析时，缺失不是数据错误，而是业务事实。
2.5 字段清单
论文的字段表列出了 5 张表的全部列名。按表整理如下。
Admission 表：Hospital ID、Admission ID、Patient ID、Date of Birth、Gender、Skin Color、Admission Date、Weight、Weight Date、Height、Height Date，另有出院相关与入院原因字段在正文中提及但未在简表中逐列展开。
Exam 表：Hospital ID、Admission ID、Exam Name、Exam Date、Value、Unit。整张表只有六个字段，这意味着检查结果被压平成「名称—数值—单位」三件套，没有参考区间、没有异常标记、没有检查类别层级。
Clinical Note 表：Hospital ID、Admission ID、Note Date、Note Text、Notetaker Position。只有五个字段，正文是纯文本。
Prescription 表：Hospital ID、Admission ID、Patient ID、Prescription ID、Prescription Date、Expiration Date、Pharmacy Assessment、Assessment Date、Prescription Score、Score One、Score Two、Score Three、Alerts、Alert Exams、Allergy、High Alert、Controlled、Antibiotics、Different Drugs、Interventions、Complication、Not Default、Tube，以及 7 个病区布尔标记（Public、IC、Obstetrics、COVID-19、Surgical、Emergency、Ambulatory）。
Prescription Item 表：Hospital ID、Admission ID、Patient ID、Prescription ID、Drug Name、Dosage、Normalized Dosage、Dose Unit、Administration Route、Daily Frequency、Time、Administration Period、Tube、Source、Group、Steps、Hour、App Time、Suspension Date、Allergy，以及干预相关的一组字段（日期、状态、动机、备注、是否计为处方错误、是否带来成本下降）。
有几列需要单独解释。Prescription Score 及 Score One/Two/Three 是由 NoHarm.ai 系统给出的处方异常评分，分数越高说明处方越不寻常，三个分项分别统计被判为 1 分、2 分、3 分的条目数量。这是机器产出，不是人工金标。Interventions 一组字段记录药师对处方发起干预的经过，属于机构临床药学工作流的副产品。这些列在其他公开临床数据集里很少见，是该数据集最独特的部分之一。
2.6 关联结构与时间线
五张表通过四个 ID 组成一个星型结构：Admission 是事实表，Exam、Prescription、Clinical Note 通过 Admission ID 挂接；Prescription Item 再通过 Prescription ID 挂到 Prescription 下。论文用一张示意图说明了这种时间关系：一次入院的记录时间轴上，入院、检验、处方执行、记录书写、出院依次发生，偶有同一时刻批量记录多条检验结果的情况。
这张示意图的脚注透露了一个细节：同一时间点记录多条结果并非数据错误，而是真实工作流的产物——系统在某个时点批量回写了 15 条或 8 条检验结果。使用时间序列方法时，需要把这类批量写入视为同刻事件，而不是精确的采样时刻。
§3 怎么拿到
3.1 访问级别的准确表述
BRATECA 是受控访问资源，没有公开下载入口。PhysioNet 页面写明：只有签署了数据使用协议的资质用户才能访问文件，此外用户还须经贡献方逐案审核。这一句话包含三个独立闸门，缺一不可。
第一道是 PhysioNet credentialed 身份。研究者需要注册、提交身份证明并通过平台审核，账号从普通用户升级为资质用户。第二道是培训证明：必须完成 CITI 项目下「仅数据或标本研究」（Data or Specimens Only Research）课程并提交证书。第三道是贡献方审批，由 Institute for Artificial Intelligence in Healthcare 逐份审阅申请。
3.2 申请流程
论文给出的申请步骤依次为：在 PhysioNet 平台登录并确认身份；完成人类研究受试者保护课程；如申请人是学生，其导师须同时同意保密条款；访问 BRATECA 页面提交数据访问申请；等待 Institute for Artificial Intelligence in Healthcare 批准。批准通过后，研究者方可获得文件访问权限。
学生需导师联署这一条容易被忽略。它意味着以课程作业或学生个人项目名义申请时，审批链条会更长；实际申请中建议提前确认导师是否愿意共同签署。
3.3 许可协议
数据本体采用 PhysioNet Contributor Review Health Data License 1.5.0，配套的协议文本是 PhysioNet Contributor Review Health Data Use Agreement 1.5.0。这一族许可的共同特征是：数据不得再分发，只能在获批的研究项目范围内使用；成果发表时须声明数据来源并遵守署名要求；使用目的限于研究，不用于商业产品。
论文脚注补充了一句重要的自我限定：BRATECA 归 Institute for Artificial Intelligence in Healthcare 所有，仅允许资质访问，但对研究用途免费。这句话的实用含义是——它「免费」但「不自由」，与 CC 系列许可不是一回事，不能按开源数据集的方式规划分发或二次发布。
3.4 GitHub 仓库的边界
项目在 GitHub 上有一个仓库（noharm-ai/brateca），提供抽表用的 SQL 脚本、日期移除脚本、示例数据、语言模型与实验代码，论文称这是为可复现性而放出的。需要明确的是：仓库里没有完整数据。示例数据与完整数据集是两回事，把仓库当作下载入口会导致后续所有分析无法复现。
仓库中的 SQL 脚本对申请者仍有参考价值——它记录了五张表是从原始库的哪些表、按什么条件抽出来的，可以在自建同类数据集时借鉴其抽取逻辑。
3.5 拿到之后的第一步
拿到数据后建议先做三件事。第一，核对文件清单与行数：五个 CSV 是否存在、Clinical Note 的行数是否接近论文给出的量级，可快速判断拿到的是否为完整的 v1.1 而非早期的 demo 版本。第二，确认 Admission ID 在五张表间的一致性：抽若干 ID，检查其在 Exam、Prescription、Clinical Note 中是否都能找到对应行，验证联表可行。第三，扫一遍日期字段：由于日期被整体前移 5 至 10 年，年份会落在 2025 至 2031 年附近，任何按真实年份做流行病学推断的分析都会立刻出错，需要在流程最开始就设定「日期仅用于相对间隔」的规则。
§4 质量与已知问题
4.1 去标识化的方法与边界
BRATECA 的去标识化按 HIPAA 口径进行，分几条路径处理，每条路径的目标不同。
人名处理走了模型路线。团队用 Bi-LSTM-CRF 序列标注模型识别文本中的人物姓名，比较了两套语料与三种语言模型，结论是「领域专用语料 + 上下文嵌入叠加词嵌入」的组合效果最好，取得 F 值 0.94、召回 0.95。这个数字的含义是：在测试集上约有 6% 的姓名未被正确识别，其中漏检（召回 0.95 意味着约 5% 的姓名未被找出）比误标更值得关注，因为漏检直接意味着残留可识别信息。团队也说明模型之外还有人工复核。
日期处理走两条完全不同的路径。自由文本中的日期用正则表达式直接删除，删得干脆但也删掉了文本内的全部时间信息；非文本字段（入院日期、检验日期、处方日期等）则整体随机前移 5 至 10 年，且同一入院的偏移天数一致，以保持该次入院内部的时间线连贯。
标识符处理相对直接：所有内部数据库 ID 被替换为随机数字，并在表间保持一致。
病区名称被替换为七个通用标签，替换由在职医疗专业人员协助完成，目的是防止通过病区名反推医院身份，同时尽量保留对研究者有用的病区类别信息。
4.2 时间关系的取舍
最需要使用者留意的设计是：同一患者的多次入院不保持时间先后关系，也不保留任何时序关联。论文明确说明这是为加强去标识化。代价是明确的——跨入院的病程演进、再入院间隔、慢病进展这类纵向研究，在这个数据集上做不了。
入院内部的时间线是保留的，患者级的时间线是打断的。这个区分决定了任务设计的边界：单次入院内的「检验—处方—记录」序列建模可行，跨入院的患者轨迹建模不可行。
4.3 纳入标准带来的选择偏倚
抽取逻辑决定了数据集的人群不是「某医院的全部病人」，而是「有处方的成人住院病人，且入院与出院都落在同一个九个月窗口内」。这两条限制各自都会引入偏倚。
「有处方」这条限制最容易被低估。它以处方表为锚点，理由是处方表带着病区信息，便于确认病人来自目标病区。副作用是：没有开过处方的住院（例如纯观察、纯检查、快速转诊）完全不在数据里。论文在 Data Records 一节之外也承认只有带处方的入院被抽取。
「九个月窗口」这条限制排除了跨越窗口边界的长期住院。慢性病长期住院、康复期住院、复杂手术后的延长住院，只要出院时间落在窗口外，就不会被纳入。这会让数据集的住院时长分布偏向较短的一侧。
4.4 人口构成
论文给出的人口构成有几个值得记录的特征。年龄中位数 54 岁，四分位区间 38 至 68 岁，说明主体是中老年成人，儿科完全缺席——这是「仅成人」纳入标准直接决定的。男性占 41.3%，女性偏多，与产科病区（5,550 入次，全部女性）的存在有关。
肤色构成是最需要谨慎解读的一项。白人占 70.7%，混血与黑人各占 3.8%，黄种人 0.2%，合计 78.5%，其余 21.5% 为未记录。这一构成与巴西整体人口的种族比例差异很大——巴西自报白人比例远低于此。差异可能有多个来源：肤色由医院工作人员在入院时登记而非患者自报、不同医院的登记习惯不同、以及 10 家医院的选址本身可能偏向某些地区。论文未对此做深入讨论，因此只能作为观察记录下来，不能反推数据集覆盖的人群。
同一张统计表还显示，肤色构成在不同病区之间差异显著：外科与门诊的白人比例超过 83%，而急诊未记录比例高达 30.48%。这种病区间的不一致提示，肤色字段的缺失不是随机发生的，做任何以肤色为自变量的分析前都需要检查缺失机制。
4.5 假设、支持与反对
| 假设 | 支持证据 | 反对证据或反例 |
|---|---|---|
| 数据足以支撑葡萄牙语临床语言模型预训练 | 文本累计超过 4 亿词，记录数达 285 万条，明显超过通用葡语临床语料 | 单一机构体系内产生，文风与术语受该机构模板影响；无公开的预训练结果可比对 |
| 数据集能代表巴西三级诊疗的现实 | 覆盖 10 家医院、2 个州，含急诊、外科、ICU 等主要病区 | 州名与医院匿名，无法核实地理覆盖；公立资助病区仅占六分之一，私立场景占比不明 |
| 去标识化达到可直接共享的标准 | 按 HIPAA 口径处理，人名识别 F 值 0.94，另有日期移除与人工复核 | 召回 0.95 意味着仍有漏检；论文无独立的隐私攻击评估 |
| 处方字段可用于药物安全研究 | 含药名、剂量、途径、频次，且有药师干预记录与 AI 异常评分 | 药品采用本地商品名与院内写法，跨机构映射需自建词典；无标准编码（如 ATC）字段 |
| 可用于结局预测建模 | 有死亡率、住院时长可推导、检验与处方齐全 | 死亡判定口径未细化；同一患者跨入院关系被打散，无法做患者级划分以避免泄漏 |
4.6 已知的质量问题清单
第一，字段压平。Exam 表只有名称、数值、单位三列，没有参考区间。要判断某次检验是否异常，必须自建「检查项—参考区间」映射表，而这个映射无法从数据集内部获得。
第二，处方计数口径未拆分。论文写处方与条目合计 519,318，但没有说明其中表头多少、条目多少。做处方级统计时需要自行按 Prescription ID 去重。
第三，医院权重未知。10 家医院只有 Hospital ID，没有床位数、级别或入次分布的说明。若某一家医院贡献了大部分数据，则「10 家医院」的多样性意义会被削弱，而使用者无法从数据内部判断这一点。
第四，机器评分列的可用性存疑。Prescription Score 与三个分项来自 NoHarm.ai 系统，其阈值、训练数据与验证方式均未在论文中展开。把它们当作标签使用，等于把一个未公开的模型当作金标准。
第五，文本长度分布未给出。论文没有公布记录的字符长度或词数分布，而这对决定模型的最大输入长度是必要信息。唯一可参考的是全库超过 4 亿词的总量。
第六，病区标记的多重归属没有显式规则。Prescription 表的七个病区布尔列各自独立，同一条处方可能同时命中多个病区。论文只说明一次入院可跨病区，没有说明当一次入院的处方同时带有两个标记时，应以哪一个作为主病区。做病区分组统计时，这条规则的缺位会直接影响分母，必须先自行约定，并在方法中写明。
第七，记录者职位字段的取值域未公开。Clinical Note 表有一列记录书写者的职位，理论上可用于区分医师记录与护理记录、药师记录，但论文没有列出该字段可能出现的取值，也没有说明缺失比例。若要用它做子集划分，需要先在数据内部做取值统计，不能预设类别。
§5 能做什么
5.1 高匹配度的任务
葡萄牙语临床语言模型预训练。 这是最贴合数据形态的用途。285 万条真实记录、超过 4 亿词的规模，足以支撑 Word2Vec、fastText 这类静态词向量，或 ELMo、BERT 这类上下文模型的继续预训练。论文自己就把这条列为未来方向，并提到可以按人群切片（例如只用老年患者或 ICU 患者的文本）训练更专门的嵌入。相比用通用葡语语料训练再迁移，直接在临床文本上预训练的优势在于能学到医学缩写、剂量写法、院内术语的真实用法。
去标识化方法研究。 数据集本身是去标识化流程的产物，其人名识别模型的表现（F 值 0.94）与日期正则方案都可作为对照。研究者可以在获批数据上检验新方法，或分析残留可识别信息的类型。
处方合理性与药物安全。 处方表带药师评估、干预记录、高危药品计数、管制药品计数、抗生素计数，以及 AI 异常评分。这些字段组合起来，可以直接做「哪些处方特征与药师干预相关」这类研究。巴西的药品命名体系与欧美不同，本地商品名与通用名的对应关系本身就是一个有价值的研究对象。
临床文本的信息抽取与弱监督。 由于没有标注，弱监督是现实路径：用处方表中的药品名、检验表中的检查名，反向匹配文本中出现的实体，生成远距离监督标签。这类方法在英文语料上已较成熟，在葡语上仍缺公开基线，用 BRATECA 做第一个基线是可行的切入。
术语与缩写的资源建设。 265 万条记录里沉淀的缩写、剂量单位写法、本地药名，是构建葡语临床词典的原料。这类工作产出的是可复用的中间资源，价值往往超出单篇论文。
5.2 需要额外条件的任务
命名实体识别。 可以做，但必须先自建标注集。可行做法是从获批数据中抽取若干记录，按 i2b2/n2c2 风格设计标注方案，由具备资质的标注者完成。成本不低，但一旦完成，其标注集可以回馈社区——论文明确鼓励使用者把自己开发的标注子集通过同一渠道共享。
结局预测。 死亡率、住院时长、再入院等标签需要从现有字段推导。死亡率有直接字段，住院时长可由入出院日期差得到，再入院因跨入院时序被打散而不可行。做预测建模时还要注意患者级划分：同一患者多次入院虽无时序关系，但仍属同一人，若在训练集与测试集间分散，会造成信息泄漏。
跨语言迁移研究。 BRATECA 与 MIMIC 系列在字段设计上有一定对应关系（都有入院、检验、处方、文本），可以做「英语预训练 + 葡语微调」的迁移实验。但两者的表结构并不一一对应，迁移前需要先做字段映射，映射本身会影响结论。
5.3 最小可执行示例
以下流程描述的是获批之后的分析骨架，不涉及任何需要额外权限的操作。
第一步，建立入院级事实表。从 Admission 表读入 Admission ID、Patient ID、入院与出院日期、年龄相关字段，计算住院时长作为派生列。这一步产出的表是后续所有分析的锚。
第二步，建立文本索引。从 Clinical Note 表按 Admission ID 聚合，统计每次入院的记录条数与累计字符数。这一步能在不读全文的情况下，先看清文本密度在入院间的分布。
第三步，抽取处方特征。从 Prescription 表按 Admission ID 聚合，取高危药品数、管制药品数、抗生素数、干预数四个计数字段，与上一步的文本密度并列，形成「文本密度 × 处方强度」的二维视图。
第四步，选样与人工检查。从第二步得到的文本密度分布中，取高密度与中密度各若干入院的记录，人工通读，确认缩写与术语的实际形态。这一步不能省——它决定后续标注方案的设计。
第五步，制定标注规范。基于第四步的观察，确定实体类别（药品、剂量、检查、症状、时间表达等）与边界规则，并在小样本上做标注一致性检验，再扩量。
5.4 不适合的任务
以纵向病程建模为目标的研究不适合，原因在 §4.2 已述。以影像为对象的研究不适合，数据集不含任何图像。以儿科为对象的研究不适合，纳入标准限定成人。以基层或社区医疗为对象的研究不适合，数据来自医院三级诊疗场景。以真实日历年做流行病学推断的研究不适合，日期已被整体前移。
§6 常见误读与引用陷阱
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| BRATECA 是「葡语版 MIMIC」 | 论文只说目标是构建类似 MIMIC 的巴西葡语集合；两者的表结构、病区构成、纳入标准均不同，MIMIC 以 ICU 为主，BRATECA 以急诊与外科为主 | 论文 Related Work 与 §3 |
| 数据覆盖 70,000 名患者 | 70,000 是入院次数；唯一患者为 52,973 名，二者相差约 1.38 倍 | 论文 §3 |
| 有 250 万条临床记录，所以词数是 250 万级 | 记录数与词数是两个量纲：记录 2,849,572 条，累计词数超过 4 亿 | 论文 §1 与 §3 |
| 数据集带标注，可直接训练 NER | v1.1 不含任何人工标注子集；NER、文本分类、共指、语义相似度的标注是论文列出的后续计划 | 论文 §6.1 Continuous Development |
| 这是巴西统一医疗系统（SUS）的数据 | 数据来自 10 家参与合作的医院，公立资助病区仅 12,096 入次，与 SUS 全量相差数个数量级 | 论文 §3 病区统计 |
| 三级诊疗数据集等于疑难重症库 | 急诊 37,392 入次、外科 25,004 入次，ICU 仅 4,666 入次，主体是急诊与外科而非重症 | 论文 §3 |
| 各病区入次可以相加得到总数 | 各病区加总为 73,703，比入院总数多 663，因一次入院可跨病区，该表非互斥分组 | 论文 Table 1 表注 |
| 肤色统计各分类可加总为 100% | 白人 70.7%、混血 3.8%、黑人 3.8%、黄种人 0.2%，合计 78.5%，其余为未记录 | 论文 §3 与 Table 1 |
| 日期字段可反映真实年份 | 非文本日期整体随机前移 5 至 10 年，同一入院偏移一致；文本内日期已被正则删除 | 论文 §4.2 |
| 同一患者的多次入院可以串成病程 | 论文明确不保持跨入院的时序关系，也不保留任何时序关联 | 论文 §4.2 |
| 数据可以在 GitHub 下载 | GitHub 仓库只放 SQL 脚本、示例数据与实验代码，完整数据须经 PhysioNet 审批 | 论文 §4.3 与 PhysioNet 页面 |
| 完成 PhysioNet 资质即可拿到数据 | v1.1 起还须贡献方逐案审批，资质与培训只是前置条件 | PhysioNet 页面与论文 §6.1 |
| 数据集用 CC 许可，可自由再分发 | 采用 PhysioNet Contributor Review Health Data License 1.5.0，禁止再分发，仅限获批研究用途 | PhysioNet 页面 |
| 处方异常评分可作为金标准标签 | 该评分由 NoHarm.ai 系统生成，阈值与验证方式未公开，属机器产出 | 论文 §3.1 与字段表 |
技术陷阱一：检验参考区间的缺失。 Exam 表只有检查名、数值与单位，没有参考区间，也没有异常标记。任何「异常检验比例」这类指标都必须先自建映射表，而映射表无法从数据内部导出。直接把数值与常见成人参考区间比对，会在性别、年龄、妊娠等情形下系统性出错。
技术陷阱二：处方数量口径混淆。 论文给出的处方总量是表头与条目明细的合计，未拆分两部分。做「平均每张处方几种药」这类计算时，必须先在 Prescription Item 表按 Prescription ID 分组计数，不能把合计值当作表头数使用。
技术陷阱三：病区布尔标记可多选为真。 Prescription 表里的七个病区标记是独立布尔列，同一条处方可能同时被标为急诊与外科。用这些列做互斥分组会重复计数，需要先定义优先级规则。
技术陷阱四：文本日期已被删除导致时序线索断裂。 记录正文中的日期被正则整体移除，因此文本内部无法定位事件发生的绝对时间；若要关联时间，只能依赖 Note Date 字段，而该字段已前移。同一入院内的相对间隔仍然可信，绝对时间是假的。
技术陷阱五：患者级划分的泄漏风险。 患者数与入院数不相等，存在同一患者多次入院的情形。按入院随机划分训练集与测试集，会让同一患者的不同入院分处两边，造成信息泄漏。正确做法是按 Patient ID 分组划分。
§7 在生态中的位置
7.1 与英语临床语料的关系
BRATECA 在论文中把自己的参照系明确锚定在 MIMIC 系列。MIMIC-IV 按模块划分（core、hosp、icu、ed、cxr、note），覆盖美国一家医学中心的ICU与住院数据；BRATECA 则把五类数据压成五张平表，覆盖巴西十家医院的急诊与住院。两者在字段颗粒度上差距明显：MIMIC 有详细的计费、操作、生命体征时序，BRATECA 的检验表只有名称、数值、单位三列。
这种简化不完全是缺点。平表结构降低了上手门槛，五张表就能拼出一次入院的完整视图，而 MIMIC 的模块化设计需要相当多的关联工作才能达到同样效果。对于以文本为核心的研究，BRATECA 的结构反而更直接。
任务型语料的对照是 i2b2/n2c2 系列。这一系列自 2006 年起持续发布带标注的挑战赛数据，涵盖去标识化、用药事件抽取、社会决定因素等任务。BRATECA 与它们的关系是原料与成品的关系：n2c2 提供标注好的任务数据，BRATECA 提供未经标注的原始语料。两者不能互相替代。
7.2 与葡语资源的关系
在同一语种内，最直接的对照是 SemClinBr——一个多机构、多专科的巴西葡语临床语义标注语料，含 1000 条临床记录、超过 65,000 个实体标注与 11,000 条关系。BRATECA 的论文把 SemClinBr 列为先行工作，并指出它更接近 n2c2 而非 MIMIC。
两者的分工很清楚：SemClinBr 规模小而标注密集，适合做监督训练与评测；BRATECA 规模大而无标注，适合做预训练与领域探索。做葡语临床 NER 的团队，合理路径是在 BRATECA 上预训练，在 SemClinBr 上微调与评测。
另一个葡语资源是 BioBERTpt，一个在巴西医院临床文本与葡语生物医学文献上继续预训练的 BERT 模型。其临床语料来自 2002 至 2018 年的两百多万条记录，但论文指出该语料在训练模型后并未公开。这正好说明了 BRATECA 的补位意义：它让葡语临床预训练从「有模型、无语料」变成「模型与语料都可得」。
7.3 与巴西其他医疗数据集的关系
BRAX 是一个巴西胸片数据集，与 MIMIC 的胸片模块定位相似，但没有配套的文本资源。BRATECA 的论文在对比时特别指出这一点，实际上勾勒出一个可能的方向：如果把 BRAX 这类影像与 BRATECA 的文本对齐，可以构造巴西版的多模态资源。目前两者没有官方关联，只是同一国家的两个独立数据集。
在结构化数据一侧，巴西还有以 OMOP 通用数据模型组织的 ICU 数据库。这类资源的优势是符合国际通用模型、便于跨库分析，劣势是自由文本通常被剥离或大幅压缩。BRATECA 恰好相反：文本完整，结构化程度低。两者互补而非竞争。
7.4 非英语临床 EHR 的横向位置
把视野放宽到语种层面，中文、日语、法语、德语的公开临床 EHR 资源都在近十年陆续出现，但规模与开放度普遍不及英语。中文的危重症数据库是一个可对照的案例：同样以 ICU 为核心、同样受控访问、同样缺少跨机构文本的公开标注。
这些资源面临共同的结构性问题：本语种的标注语料稀少，导致模型只能靠翻译或跨语言迁移；而医学缩写、剂量单位、本地药名这些最需要本地知识的成分，恰恰是翻译与迁移效果最差的部分。BRATECA 的应对方式是「先把原始语料放出来」，用规模换标注，让社区自行在之上生长标注资源。这个策略是否有效，取决于后续是否有团队愿意投入标注并向同一渠道回馈。
7.5 引用时的定位建议
引用 BRATECA 时，最准确的定位是「巴西葡语真实住院病历的受控访问语料，附结构化检验与处方数据，未附标注」。避免使用「葡语 MIMIC」这类类比作为定义，它会让使用者误判数据形态。若需要在论文中说明其价值，可以直接引用论文引言的原意：公开临床语料多数为英语、采自英语国家，不反映其他国家的临床现实。
§8 总结
8.1 适用场景
BRATECA 适合需要真实葡语临床文本的研究：语言模型预训练、术语与缩写资源建设、去标识化方法验证、处方合理性与药物安全分析、弱监督信息抽取的原料。它也适合作为跨语言迁移研究的目标域语料，以及巴西医疗 AI 本地化的基础资源。
8.2 不适用场景
不适合需要标注数据的监督任务（除非自建标注），不适合儿科与基层医疗研究，不适合纵向病程建模，不适合真实日历年度的流行病学推断，不适合需要影像的研究，也不适合把数据二次分发的场景。
8.3 三句话概括
第一，BRATECA 填补的是葡语临床语料的空缺，不是规模的空缺——它的价值在于文本是巴西医院里真实写下的，而非翻译产物。
第二，它的三个结构性限制决定了使用边界：仅成人、仅有处方的入院、跨入院时序被打散；三者叠加，使它更接近「单次入院的横截面样本」而非「患者轨迹库」。
第三，获取门槛高于多数公开数据集，三道闸门叠加意味着它不是一个可以随手取用的资源，申请前需要确认导师联署、机构合规与项目周期是否都允许。
附录 A 缩写与术语
| 缩写 | 全称 | 说明 |
|---|---|---|
| BRATECA | BRAzilian TErtiary CAre dataset | 巴西三级诊疗数据集 |
| SUS | Sistema Único de Saúde | 巴西统一医疗系统，本文仅在区分「数据集不等于 SUS 全量」时提及 |
| EHR | Electronic Health Record | 电子健康记录 |
| NER | Named Entity Recognition | 命名实体识别 |
| DUA | Data Use Agreement | 数据使用协议 |
| CITI | Collaborative Institutional Training Initiative | 提供人类受试者保护培训并颁发证书的机构 |
| HIPAA | Health Insurance Portability and Accountability Act | 美国健康保险流通与责任法案，此处指其去标识化口径 |
| Bi-LSTM-CRF | Bi-directional LSTM with Conditional Random Field | 双向长短期记忆网络加条件随机场，序列标注常用架构 |
| LREC | Language Resources and Evaluation Conference | 语言资源与评测会议 |
| OMOP | Observational Medical Outcomes Partnership | 观察性医疗结果合作组织的通用数据模型 |
| ATC | Anatomical Therapeutic Chemical | 药品解剖治疗化学分类系统 |
附录 B 使用前检查清单
- 确认已取得 PhysioNet 资质、CITI 培训证书与贡献方批准三项。
- 核对手中文件是否为完整 v1.1，而非早期含 demo 临床记录的版本。
- 确认五个 CSV 齐全，且 Admission ID 在表间一致。
- 设定「日期仅用于相对间隔」的处理规则，禁止按年份做外部推断。
- 建立「检查项—参考区间」映射表，否则无法判定检验异常。
- 处方统计前先按 Prescription ID 去重，区分表头与条目。
- 机器学习建模时按 Patient ID 分组划分，防止患者级泄漏。
- 确认项目不涉及儿科、不涉及纵向病程、不涉及影像。
附录 C 未覆盖内容
官方文档未披露以下信息：具体州名；精确的时间区间；10 家医院各自的入次分布与规模；各医院是否为教学医院或公立医院的比例；临床记录的平均长度与长度分布；处方表头与条目明细各自的条数；死亡判定的具体口径；Prescription Score 的阈值与验证方式；病区标记的多重归属规则。
这些内容在论文与 PhysioNet 页面中均未展开，任何补充数字都需要另找来源，不能从现有材料推断。
附录 D 检索模板
- 找原始论文：在 ACL Anthology 检索 2022.lrec-1.602。
- 找数据集页面：在 PhysioNet 站内检索 brateca，选 1.1 版本。
- 找抽取脚本：GitHub 检索 noharm-ai/brateca。
- 找同语种标注语料：检索 SemClinBr。
- 找葡语临床预训练模型：检索 BioBERTpt。
- 找巴西影像数据集：检索 BRAX chest X-ray PhysioNet。
附录 E DAIMS 评估
DAIMS（Data and AI Management Scorecard）从可用性、可理解性、可维护性与可复现性四个维度对数据集做分级评估。
| 维度 | 评分 | 依据 |
|---|---|---|
| 数据可获得性 | C | 三道审批闸门，无公开直链；v1.1 起须贡献方逐案审批 |
| 文档完备度 | B | 有同行评审论文与 PhysioNet 页面双重文档，字段表完整；但州名、时间窗、医院分布未披露 |
| 字段可解释性 | B | 字段表逐列释义清晰；机器评分列的阈值与验证方式未公开，检验无参考区间 |
| 人口代表性 | C | 仅成人、仅有处方的入院；白人占比 70.7%；10 家医院权重未知 |
| 标注可用性 | D | 无任何人工标注子集，监督任务须自建标注 |
| 去标识化强度 | B | 按 HIPAA 口径处理，人名识别 F 值 0.94，另有日期移除与人工复核；无独立隐私攻击评估 |
| 时间完整性 | C | 入院内时间线保留，患者级时序被打散，日期整体前移 |
| 跨库可关联性 | D | 采用本地 ID 体系，无 OMOP 或 FHIR 映射，跨库关联需自建映射 |
| 复现支撑 | B | 提供 SQL 脚本、实验代码与示例数据；完整数据受控 |
| 语种稀缺性补偿 | A | 葡语临床真实文本规模在公开资源中处于前列，是该数据集最核心的增量价值 |
§9 十个常见问题
Q1：BRATECA 到底包含什么？
它是巴西 10 家医院、2 个州的成人住院记录合集，规模以万次入院计、语料以百万条记录计，含五万多唯一患者，覆盖人口学、实验室检验、处方与处方明细、自由文本临床记录五类内容，全部以互相通过 ID 关联的 CSV 表发布。各表的精确条数见正文规格表。
Q2：为什么需要一个葡语版本的 MIMIC？
公开临床语料绝大多数是英语、采自英语国家，反映的诊疗流程、药品命名、缩写体系与剂量书写习惯都与巴西不同。BRATECA 的价值不在于比 MIMIC 更大，而在于它记录的是真实巴西医院里写下的文本，而不是从英语翻译过来的文本。
Q3：数据能直接下载吗？
不能。需要 PhysioNet credentialed 身份、完成 CITI 人类受试者保护培训、签署数据使用协议，并在 BRATECA 页面提交申请等待 Institute for AI in Healthcare 逐案审批。v1.1 起审批是新增的必要环节。
Q4：有标注吗，能直接训 NER 吗？
没有。v1.1 未附带任何人工标注子集，命名实体识别、文本分类、共指等标注被论文列为后续计划。可用的是原始文本加结构化字段，做预训练、弱监督或自建标注都行，做监督训练不行。
Q5：为什么要限制为三级诊疗？
数据源自一家做临床药学 AI 的机构，其业务场景集中在医院住院与重症环节，因此病区以急诊、外科、ICU 为主，病例复杂度偏高。这意味着它不能代表巴西基层或社区卫生人群。
Q6：同一患者的多次入院能串起来吗？
患者 ID 在表间是一致的，但论文明确说明同一患者多次入院不保持时间先后关系，也不保留任何时序关联，这是为加强去标识化而做的取舍。跨入院的纵向研究因此不可行。
Q7：这是不是 SUS 的完整数据？
不是。它来自 10 家参与合作的医院，含公立资助病区与私立场景并存，规模与覆盖远小于 SUS 全量。把它当作巴西公立医疗系统的样本会明显高估其代表性。
Q8：去标识化做到什么程度？
文本中的人名用 Bi-LSTM-CRF 模型识别并替换，该模型在人物姓名识别上 F 值为 0.94、召回 0.95；文本日期用正则移除；非文本日期随机前移 5 至 10 年且同一入院偏移量一致；内部 ID 全部重编。整体按 HIPAA 口径处理。
Q9：处方表里的异常评分是怎么来的？
由 NoHarm.ai 药物合理性系统给出。该评分按条目分级，分数落在 1 至 3 分，Prescription 表另有三个分项列，分别统计被判为 1 分、2 分与 3 分的条目数。评分越高意味着系统认为该处方越不寻常。论文没有公布阈值定义与验证方案，因此它只能作为参考特征，不能作为金标签使用。
Q10：用它做研究，成果发表时要注意什么？
两项常规义务。第一，遵守数据使用协议，不得再分发原始数据，也不得在论文附录中直接贴出可识别患者身份的原文。第二，声明数据来源并引用论文（Consoli 等，2022，LREC 第 5609 至 5616 页）与 PhysioNet 版本页（带版本号与 DOI）。论文明确鼓励使用者把自己开发的标注子集通过同一受控渠道回馈，但这属于自愿行为，不是协议义务。
§10 申请与使用路线图
10.1 审批周期中的三个卡点
第一道卡点在身份认证。PhysioNet 的资质审核需要提交能证明研究者身份与所属机构关系的材料，机构邮箱、在职或在读证明是常见要求。个人邮箱或无法核验机构归属的账号，在这一步就会被拦下。
第二道卡点在培训证书。CITI 的「仅数据或标本研究」课程是线上课程，完成后可下载证书。需要注意的是证书有有效期，部分机构的合规部门要求证书在整个研究期间保持有效，因此不建议用早年取得的证书提交申请。
第三道卡点在贡献方审批。这一环节没有公开的时限承诺，审批由 Institute for AI in Healthcare 内部完成。论文给出的流程只写到「等待批准」，没有给出预计时长。申请材料中说明研究目的、使用范围与数据保存方案，有助于减少往返。
10.2 学生申请的额外步骤
论文明确写道：若申请人为学生，其导师也须同意保密条款。实际操作中，这一条通常意味着导师需要以自己的账号完成同样的资质步骤，或在申请表单中被列为共同申请人。以课程小组形式集体申请时，建议由一名固定联系人牵头，避免多人重复提交造成审批方混淆。
10.3 拿到数据后的合规动作
数据使用协议通常要求指定保存位置与访问人员名单。建议在获批后立刻建立三件事：一份访问人员清单（含离组即移除的规则）、一台受控的分析环境（不放在个人笔记本上）、一份数据流向记录（哪些派生文件可以带出、哪些不可以）。这三件事在多数机构的伦理审查中是必查项。
需要特别注意的是派生数据的边界。去标识化后的统计结果、聚合特征表、训练好的模型权重，通常可以与原始数据分开管理；但「脱敏后的原始文本副本」仍属受限数据，不能因为做过二次脱敏就视为可自由分发。
10.4 复现性准备
论文提供了 SQL 抽取脚本与日期移除脚本，这两份代码对复现有实际意义：它们记录了五张表的抽取条件（成人、有处方、九个月窗口），使外部研究者能理解样本是如何被筛出来的。把这些条件写进方法学部分，比只写「使用 BRATECA 数据集」要严谨得多。
编辑说明
核验时间与方式。 本页于 2026 年 10 月 18 日核对。事实来源为三处：LREC 2022 论文全文（ACL Anthology 2022.lrec-1.602，PDF 已下载逐页通读）、PhysioNet BRATECA 1.1 版本页（数据集描述、访问政策、许可与引用格式）、以及论文提供的 GitHub 项目页引用信息。三方在主要数字上一致。
具体来源清单。
- 论文：Consoli, B.; dos Santos, H. D. P.; Ulbrich, A. H. D. P. S.; Vieira, R.; Bordini, R. H. 2022. BRATECA (Brazilian Tertiary Care Dataset): a Clinical Information Dataset for the Portuguese Language. LREC 2022, 5609–5616. https://aclanthology.org/2022.lrec-1.602/
- 数据集页：https://physionet.org/content/brateca/1.1/（v1.1，2022-07-14）
- 版本 DOI：10.13026/ay8n-qf21；最新版 DOI：10.13026/v8a6-mr20
- 代码仓库：https://github.com/noharm-ai/brateca
- RRID：SCR_007345
口径对照与处理。
- 入院数：摘要是「超过 70,000」的概数，正文 §3 给出 73,040，本页取正文精确值。
- 患者数：PhysioNet 页面未列患者总数，仅论文给出 52,973，本页按论文口径记录并注明页面未披露。
- 记录数：PhysioNet 写「超过 250 万条自由文本记录」，论文为 2,849,572，二者是概数与精确值的关系，不构成冲突。
- 词数：论文引言写「超过 4 亿词」，这是与记录数不同的量纲，正文已分列，避免混用。
- DOI：版本 DOI 与最新版 DOI 并存，本页以版本 DOI 为主，引用时要求带版本号。
- 病区入次：各病区加总 73,703，高于入院总数 73,040，源于一次入院可跨病区，已在正文与误读表中说明。
未覆盖内容。 具体州名、精确时间区间、各医院入次分布、临床记录长度分布、处方表头与条目的拆分、死亡判定口径、异常评分的阈值与验证方式，官方文档均未披露，本页未作推测。
下次复核建议。 若 PhysioNet 发布 v1.2 或更高版本，需重新核对：版本 DOI、访问政策是否变化、标注子集是否已提供、论文是否更新。这三项直接影响本页的核心结论（无标注、受控访问）。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- echo-note2num — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
- meddec — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 真实世界数据
- annotation-opioid-use-notes — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 真实世界数据
- medsecid — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
- labelled-notes-hospital-course — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
- emergency-complaint-gout — 共享标签：医疗NLP / 临床文本 / 临床电子病历
- mediqa — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
- ehrsql — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
- deidentified-medical-text — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
- ehr-reasoncon — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 临床电子病历
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
