信息速览

数据集名称CDSL — 西班牙多模态新冠住院数据集 AI-Ready Wikipedia

数据类型多模态住院数据,关系表EHR,CT切片,胸部X光

规模4,479 住院记录（patient_id 为住院标识，患者数 ≤ 4,479，官方两口径并存）

接入方式HM Hospitales（西班牙私立医院集团；ED 信息系统/医院 EHR/ICU 信息系统/放射科信息系统）

AI 就绪度

INFOBOX：cdsl-covid-data-shared-learning 速览

键	值
名称	COVID Data for Shared Learning (CDSL): A comprehensive, multimodal COVID-19 dataset from HM Hospitales（v1.0.0）
上线	PhysioNet 2024-10-25；DOI 10.13026/1176-6c44（latest 10.13026/85z8-jq92）；RRID SCR_007345
前身	2020-04 以 “Covid Data Saves Lives” 名义在 HM 官网发布（申请制）——缩写 CDSL 不变、全名漂移
规模	4,479 住院记录（2019-12-26 ~ 2021-02-13）；6 张关系表；影像 1,444,764 张 JPG（CT 1,440,156 + X 光 4,608）
结构	patient_01 / diagnosis_er / diagnosis_hosp / vital_signs / medication / lab 六表 + 附加表文件夹 + 影像文件夹 + DICOM 元数据
影像转换	DICOM→JPG 官方复刻 MIMIC-CXR-JPG 方法论（quality factor 95），CovidHM_V3-code 开源全管线
访问	Contributor Review（PhysioNet 最严档）：DUA 1.5.0 + CITI + HM 数据科学委员会逐案审查
论文	Sci Data (2026) DOI 10.1038/s41597-026-08184-1（收 2025-08-12 / 接受 2026-08-14 / 见刊 2026-09-08）
伦理	HM Hospitales Clinical Research Ethics Committee（auth_opendata_cdsl3_170624）；HIPAA 18 类标识符移除
DAIMS	5.9/8（文档 0.8/机读 0.8/标签 0.7/可访问 0.5/许可 0.5/格式 0.8/评测 0.6/生态 0.5）

§0 摘要卡：一批疫情数据的长跑终点

§0.1 名称与口径声明

本条目主实体：COVID Data for Shared Learning（CDSL）v1.0.0，PhysioNet 平台 slug 为 covid-data-shared-learning。三个易混名提前切割：CDSL——本集缩写，2020 至今未变；Covid Data Saves Lives——2020-04 的 alpha 版名（HM 官网申请制发布），是本集的前身而非另一数据集（§1.2 漂移史）；CovidHM——HM 集团内部数据工程的项目代号（CovidHM_V3-code 是本集开源代码文件夹名）。三条纪律：引用数据用 CDSL 全名+PhysioNet DOI；讲历史用 alpha 版名并标注时间；指代码管线用 CovidHM_V3。patient_count 口径（§3.5 详账）：4,479 是住院记录数——版本页 Methods 一处写 “unique hospitalized patients”、论文摘要写"住院记录"、数据字典定义 patient_id 为 “unique admission identifier”——三处口径并存，本条目以"住院记录"为准并全程标注，患者真实数 ≤ 4,479。

§0.2 读者收益清单

读毕本条目你将拿到：拿数据——Contributor Review 三重门槛的完整申请路线图（§3.9，含 HM 委员会逐案审查的提案书写要点）；看结构——六张关系表 + 影像文件夹 + 附加表的完整地图与 patient_id 连接范式（§3.1/§3.4）；用影像——144 万张 CT 切片的切片级组织方式与 MIMIC-CXR-JPG 复刻的逐项对照（§3.6/§4.4）；避坑——患者/住院口径、切片级影像的纵向泄漏、英译术语层等十类坑（§5.7 错误黑名单）；接系列——与本系列 492/495（MIMIC 生态）、498（EHR）、501-504（胸片与评测线）的十处咬合（§9.5）。

§0.3 本条目与其他条目的阅读组合

组合一（EHR 线）：492/495（MIMIC-IV 生态）→ 498（EHR 结构对照）→ 本集——关系表 EHR 的第二种组织风格（西班牙四系统 vs MIT 三模块）。组合二（影像方法线）：501（CXLSeg）→ 502/503（掩码）→ 本集 §3.6（JPG 转换的 MIMIC 复刻）——同一方法论的两次官方落地。组合三（批次五收官线）：502（掩码资产）→ 503（不确定性）→ 504（推理评测）→ 本集（回到多模态全谱）——批次五从像素出发，终点是"数据如何从疫情现场走到研究者手里"的完整故事。组合四（疫情数据线，前瞻）：本集与未来的疫情登记/疫苗/长新冠类条目构成组——CDSL 是疫情急性期的横断面深挖样本。

§0.4 身份卡：一条命令背下这个数据集

**西班牙 HM Hospitales 集团把 2020 年初新冠风暴中的 4,479 份住院记录——六张关系表的结构化 EHR，加上 144 万张 CT 切片与 4,608 张 X 光——以 PhysioNet 最严档（Contributor Review）开放给全球研究者；这套数据 2020 年 4 月就以 “Covid Data Saves Lives” 之名在官网开放申请，四年后挂牌 PhysioNet，六年半后论文见刊（Sci Data 2026）；它的 DICOM→JPG 转换逐项复刻 MIMIC-CXR-JPG 方法论并开源了全部管线代码——疫情最早期"数据救不了命但数据共享能"的一声回响，落地成了一批可以复现的 CSV 与 JPG。**时间跨度 2019-12-26 至 2021-02-13——覆盖西班牙第一波与第二波疫情的开始；结构化表英译自西语原系统；伦理授权 HM 临床研究伦理委员会。DAIMS 5.9/8——文档与格式过关，可访问性与生态是短板（§3.6 逐项）。

§0.5 一分钟决策：你要不要往下读

要读：做多模态住院预测（EHR×影像融合）、COVID 急性期回顾研究、MIMIC 方法复刻的对照研究、西班牙语区医疗数据生态调研。快读：只关心影像——直接 §3.6（JPG 转换）+ §4.4（CT 为主结构的后果）；只关心合规——§3.9（申请流程）+ §8（Contributor Review 全解）。不读：需要现成标签做监督学习（本集标签层薄，§3.6 DAIMS 标签 0.7 的原因）、需要胸片分割/检测的即用资产（那是 501/502 的地盘）、期望像 Open 数据那样即下即用（Contributor Review 的获取周期以月计）。决策心法：本集的价值在"多模态的真实性"（四套医院信息系统的原生整合），不在"任务的即用性"——找即用资产去批次五前三篇，找真实世界的整合样本，留在这里。

§1 出身与谱系：一家西班牙医院集团的六年半

§1.1 HM Hospitales：私立集团的数据科学雄心

数据来源方 HM Hospitales 是西班牙马德里为中心的私立医院集团（含 HM Sanchinarro、HM Montepríncipe 等院区），2010 年代起以肿瘤与心血管的精准医学项目建立研究形象。CDSL 的出现语境：2020 年 3-4 月西班牙成为欧洲疫情震中，马德里重症床位告急——集团在疫情最混乱的几周里决定把住院数据整理开放（“data democratization” 是论文与版本页的关键词，且特别强调"not only in Europe but also in Spain"——西班牙在开放数据版图上的自我定位焦虑是字面可见的）。私立集团开放数据的稀缺性：公立医疗体系（如英国 NHS、美国 MIT 依托的 BIDMC）的数据开放有公共资金与法规框架托底，私立集团的开放是品牌+科研合作驱动的自愿行为——可持续性依赖集团战略（§6.11 的长期维护判断以此为基础）。数据技术侧的四系统整合（ED/EHR/ICU/放射）说明集团内部有跨院区的统一数据治理团队——这在 2020 年的私立医疗集团里是超前配置。

§1.2 命名漂移史：Saves Lives → Shared Learning

2020-04 alpha 版上线的名字是 “Covid Data Saves Lives”（数据救命）——疫情最早期的时间印记：那时整个数据社区的心态是"共享数据=间接救命"（MIMIC 社区、Kaggle COVID 挑战都是同氛围）。2024 年挂牌 PhysioNet 时改名为 “COVID Data for Shared Learning”（共享学习之数据）——名字从口号变成了学术措辞。缩写 CDSL 两个名字都满足（Covid Data Saves/Shared Learning），多年文献里两种全名并存。漂移的三点解读：解读一——“Saves Lives” 的承诺在四年里无法被直接验证（数据开放与救命之间的因果链太长），改名是一次务实的定位校准；解读二——“Shared Learning” 呼应 PhysioNet 的共享学习传统（physionet.org 的原使命语句），挂牌动作伴随品牌归编；解读三——对引用者的实操纪律：2020-2024 年的网页/新闻/预印本里出现的 “Covid Data Saves Lives” 与 2024 后的 “Shared Learning” 是同一资产的两个人生阶段（§10.1 存照 A 的核对清单）。命名史本身是疫情数据运动史的切片——从紧急主义到制度化。

§1.3 时间线年表：六年半的五个锚点

2020-04——alpha 版 “Covid Data Saves Lives” 上线 HM 官网（申请制）：疫情最早期的大型多模态开放尝试之一，论文自称 “the first multimodal open COVID-19 repository”（“first” 的限定词是 multimodal+open，与同类 ICU 专精集形成差异）。2020-2023——沉默四年：公开渠道少有更新记录，社区使用情况未见系统报告（§6.11 维护观察的空白期）。2024-10-25——PhysioNet v1.0.0 挂牌（DOI 10.13026/1176-6c44）：从官网申请制转为 PhysioNet Contributor Review 档——准入更规范也更严。2025-08-12——Sci Data 投稿。2026-08-14 接受 / 2026-09-08 见刊——审稿恰好一年整（Sci Data 的数据描述文常规时长）；见刊距本条目核查仅 14 天，是本系列核查时点最新的 Sci Data 论文。年表的读法：真正的高强度数据整理发生在 2020（疫情压力期），2024 的挂牌是"存量数据找正规渠道"，2026 的论文是"补方法学署名"——时间箭头与常规"研究→数据→论文"相反，是"数据先行、论文殿后"的疫情特例节奏。

§1.4 论文的身份：迟到的数据描述文

Sci Data 论文（DOI 10.1038/s41597-026-08184-1，Ritoré-Hidalgo Á 等）的性质是 Data Descriptor（数据描述文）：内容以数据生成过程、技术验证（数据完整性/内部一致性/图像转换质量三方面）为主，不含新的临床科学结论——这是 Sci Data 的体裁定位。论文的三点额外信息量：其一——作者名单扩编（版本页引用 4 人 vs 论文 et al. 长名单含 Villar Fernández J、Oprescu AM 等）——数据整理的真实人力在论文里才显形（§10.1 存照 C）；其二——JPG 转换方法的正式署名（“following the approach of the MIMIC-CXR-JPG repository”）——方法学谱系的官方声明（§3.6）；其三——技术验证章节给出了数据质量的官方自检框架（§4.8 转述）。引用组合：数据用 PhysioNet DOI，方法与验证引 Sci Data 论文，代码引 GitHub/CovidHM_V3（§3.10 引用四件套）。

§1.5 团队构成与伦理治理

版本页引用署名 4 人（Ritoré Á / Oprescu AM / Estirado Bronchalo A / Armengol de la Hoz MÁ），论文扩编后含临床与数据科学多方——HM 集团的研究办公室（HM Hospitales research office）+ 数据科学团队 + 临床科室代表的组合模式。伦理治理三层：层一——HM Hospitales Clinical Research Ethics Committee 的总体批准（授权码 auth_opendata_cdsl3_170624，2017-06-24 格式的授权编号含义待考，原样记录）；层二——HIPAA 18 类标识符移除+日期偏移去标识（§3.7）；层三——Contributor Review 的逐案研究审查（HM Data Science Commission 审研究提案，必要时伦理委员会复审，§8.2 详）——第三层是把伦理审查从"一次性数据发布审批"延伸为"每次使用的持续治理"，PhysioNet 四档访问制度里唯一内置持续审查的档位（§8.1 四档对照）。治理成本的代价：获取周期长、使用灵活性低（§6.5 机会地图把"审批周期"列为机会成本首项）。

§1.6 数据源四系统：西班牙医院的原生堆栈

六张关系表背后是四套医院信息系统的数据汇流（§3.4 逐表对应）：ED 信息系统（急诊）——diagnosis_er 的来源，西班牙急诊的分诊与诊断编码习惯；医院 EHR——patient_01 人口学/入院信息与 diagnosis_hosp 的来源，西语原生的诊断自由文本+编码混合；ICU 信息系统——生命体征高频采样的来源（vital_signs 的首末值结构暗示 ICU 与普通病房的采样频率差异被合并了）；放射科信息系统（RIS/PACS）——DICOM 影像与元数据的来源。四系统整合的工程含义：本集的关系表结构是"四套系统的最小公分母"——每张表的字段选择反映的是跨系统可对齐的部分，系统特有字段（如 ICU 的呼吸机参数细节）在附加表文件夹里（§3.4）。与 492 MIMIC-IV 的对照：MIMIC 是"单院区深挖+carevue/metavision 双 EHR 版本史"，CDSL 是"多院区横向拼接+四系统类型覆盖"——两种真实世界的典型形态（§9.5 组合一）。

§1.7 “first multimodal open COVID-19 repository” 的排位赛

论文与版本页的自我定位声称需要放回 2020-2024 的疫情数据赛场上核对：同期多模态选手——MIMIC-IV 的 COVID 子集（ICU 专精）、各国国家登记（西班牙全国 COVID 登记，统计导向）、影像专精集（BIMCV-COVID19，瓦伦西亚，影像深挖）、ICU 影像集（ICU spacecraft 类）——CDSL 的差异点是"住院全谱 EHR + 大规模 CT"的组合与"最早（2020-04）"的先发。排位结论：“first multimodal open” 的限定词链（multimodal+open+repository）在排位赛里成立，但每个限定词都排除了一批对手——引用时保留完整限定词链，避免"第一个 COVID 数据集"的错误简化（那是误解，不是卖点）。对本系列的意义：疫情数据集的"first"话语竞赛是数据社会学样本——§6.16 时代定位章展开。

§1.8 与批次五的收官关系：从胸片专项回到多模态全谱

批次五的叙事线在本集收拢：502（掩码）→503（不确定性）→504（推理评测）都是胸片专项——像素、公差、考卷；本集把镜头拉远：同一个"胸"字下，真实住院患者的数据从来不只是胸片——是六张表的生命体征与化验，是 CT 的三百多倍于 X 光的体量，是四套信息系统的时间戳对齐难题。收官的三层含义：含义一——501-504 的"任务即用性"是分析者的福利，本集的"多模态原生性"是建模者的原料——批次五的两端各取所需；含义二——本集 §3.6 的 MIMIC 方法复刻把批次五的方法学线（501 也在 MIMIC 生态内）闭合；含义三——CT 为主的影像结构（存照 E）提醒胸片专项者：真实世界的放射科产出结构里 CT 才是大头，胸片数据集的规模是研究者选择的结果而非世界的原貌。

§1.9 资助与独立性

版本页与论文均未列出专项资助条目（论文致谢 HM 开源倡议与各院区支持）——私立集团自筹模式：数据整理成本由集团研发预算吸收，无外部基金编号可引（与 504 的 MSRA+韩国四部委全家桶、502 的 CONICET+ANPCyT 形成资助光谱的另一端）。独立性的正面：无基金资助方的成果压力，数据发布节奏由集团战略自定（六年半的从容既是低效也是无 KPI 压力的证据）；负面：无资助承诺等于无长期维护承诺——§6.11 的维护风险评估把"单一集团自筹"列为中性偏负的信号。使用者的对应策略：引用与使用不依赖其持续更新，把 v1.0.0 当固化资产规划研究。

§1.10 名词速查表

CDSL——COVID Data for Shared Learning（本集正名）；Covid Data Saves Lives——alpha 版名（2020-04）；CovidHM——集团内部项目代号（CovidHM_V3-code 代码包）；patient_id——住院标识（unique admission identifier，非患者终身标识）；六表——patient_01/diagnosis_er/diagnosis_hosp/vital_signs/medication/lab；附加表文件夹——四系统特有字段的补充存放；影像文件夹——1,444,764 张 JPG（CT 1,440,156+X 光 4,608）；DICOM 元数据文件——影像的技术参数对（转换后元数据单列）；Contributor Review——PhysioNet 最严访问档（§8.1）；HM Data Science Commission——逐案审查研究提案的集团委员会；quality factor 95——JPG 压缩质量参数（复刻 MIMIC-CXR-JPG）；VOI LUT——DICOM 灰度映射表（转换时的视觉优化环节）。

§1.11 版本页快照纪要（2026-09-22 时点）

字段	快照值
版本/DOI	v1.0.0，10.13026/1176-6c44（latest 85z8-jq92，同版本号体系）
类型	Database（Clinical Data + Imaging）
访问	Contributor Review（DUA 1.5.0 + CITI “Data or Specimens Only Research” + 贡献方逐案审查）
规模	4,479 住院记录；1,444,764 JPG（CT 1,440,156 / X 光 4,608）
时间覆盖	2019-12-26 ~ 2021-02-13
引用	版本页列 4 人；论文 et al. 长名单（Sci Data 2026）
Views	59（All Versions，2026-09-22）——本系列核查时点最低可见度之一
代码	CovidHM_V3-code（PostgreSQL 建表/元数据提取/DICOM→JPG 全管线）

快照表的意义与 503/504 同：版本页是活的，本表是 2026-09-22 的固定证据，后续维护者 diff 即得变更日志素材。Views 59 的解读：Contributor Review 档的可见度天花板比 Credentialed 更低（504 是 73）——门槛与流量的反比关系在批次五三连（502 Open 高流量/504 Credentialed 73/本集 Contributor Review 59）里构成一条完整的剂量-反应曲线（§6.7 详）。

§2 语境与设计逻辑：疫情数据运动的活化石

§2.1 2020 年 4 月：数据紧急主义的 snapshot

alpha 版上线时刻的语境还原：2020 年 3 月底西班牙日增确诊破万、马德里 ICU 满负荷——此时决定开放住院数据，动机里"帮世界搞明白这个病"的成分远大于学术产出考量。当时的"开放"是官网申请制（非 CC0 即下即用，但也非 PhysioNet 的正式流程）——紧急主义与合规底线的折中形态。同期参照系：MIMIC 社区在 2020 年放开了 MIMIC-III 的快速申请通道、Kaggle 上的 COVID 开放数据周更、NYTimes/CSSE 的疫情仪表盘日更——CDSL alpha 是这波"数据紧急主义"里少数来自医院内部的住院级多模态供给（多数快数据是统计汇总或单模态影像）。2024 年挂牌 PhysioNet 的动作则是一次"紧急主义的制度化收编"：从官网的灵活申请转向标准 DUA+委员会审查——数据还在，治理换轨。本节的史学价值：疫情数据运动的两阶段（紧急共享→制度归档）在一个数据集的两次发布里完整显形。

§2.2 多模态的账本：结构化、影像、时间戳的三线并管

本集"多模态"的三条线：线一（结构化 EHR）——六表+附加表，行=住院/事件，列=字段，关系范式；线二（影像）——CT/X 光 JPG+独立元数据文件，文件系统范式；线三（时间戳）——两线通过住院标识与（去标识后的）时间轴对齐，入院时间/ICU 入出时间/检查时间的相对时序是联合分析的粘合剂。三线的联合成本账：EHR 表的 join 是关系代数问题（§3.4 的连接范式）；影像的按住院归组是文件路径问题；难的是第三线——日期去标识（§3.7）后时间轴是相对的还是保留绝对间隔，直接决定"影像检查 vs 病程进展"的对齐粒度——装载前必须核对的第一个技术问题（§5.1 环境对账的第一条）。多模态的收益：影像发现可以挂回生命体征与化验轨迹（胸片恶化前的炎症指标爬升）——这是单模态集给不了的研究设计空间（§7.13 联合分析提案）。

§2.3 CT:X 光 = 313:1 的结构反差：放射科的真实产出

1,440,156 张 CT 切片 vs 4,608 张 X 光——313 倍的反差需要三层解释：层一（采集端）——COVID 肺炎的临床路径里 CT 在西班牙私立体系是主力评估手段（早期 CT 敏感性叙事+私立集团的 CT 可及性），X 光多用于床旁快速评估（床旁片的 DICOM 归档率天然低）；层二（计数口径）——CT 按"切片"计、X 光按"张"计——一次胸部 CT 数百切片，一张 X 光就是一张，倍数天然放大（按"检查次数"对账才是公平口径，§3.6 的检查级统计）；层三（数据集传统）——胸片数据集（501/502/504）的百万级规模是"跨库聚合"的产物，单院区的真实 X 光存量就是数千级。三层合成的提醒：用本集做"胸片 AI"是拿错工具（4,608 张做不了大模型的事），做"CT 影像组学+住院结局"或"多模态融合"才是本集的主场——批次五收官条目给胸片专项者的最后一个校准。

§2.4 CT 切片级组织的代价与用法

1,440,156 张 CT 以"切片"为单位交付（非 DICOM 原始层级、非 3D volume）——这个设计的代价与用法：代价一——3D 重建需自行按检查归组切片（排序键：患者/住院/检查/层号，元数据文件里对齐），层厚不均时重建的几何保真度有损；代价二——切片级随机抽样会造成纵向泄漏（同一检查的相邻切片几乎相同，train/test 划分必须按住院或按检查切，§5.2 泄漏三条的头号条款）；代价三——JPG 8-bit 有损压缩对 CT 的窗宽窗位灵活性有损（原始 DICOM 的 HU 值线性窗没了，§3.6 转换细节）。用法——切片级预训练（自监督的 2D 表示学习，如 CT 切片预训练→3D 下游微调）、切片级分类任务（新冠肺炎灶的切片二分类）、多模态的影像侧特征提取——三种用法都不需要 3D 重建，JPG 切片形式反而是轻量优势。用法与代价的分界线：要不要 3D 几何——要，代价高；不要，JPG 是福利。

§2.5 英译层：内容英译的方法论与残余风险

本集内容英译自西班牙语原系统（版本页 “translated into English”）——翻译层的三点风险账：风险一——诊断术语的西英映射自由度（西语 ED 的自由文本诊断→英译时术语标准化程度未披露——同一诊断是否一致译法影响 diagnosis 表的分组统计）；风险二——药物名的商品名/通用名翻译链（medication 表的药名归一化水平决定用药分析的可合并性）；风险三——“transformation steps minimized” 的官方声明说明翻译外尽量保留原始性（好），但也意味着没有额外的术语标准化服务（克制是双刃）。残余风险的对策：关键分析前抽样核对英译术语的分布（诊断表 top-N 术语的频率分布是否合理），异常聚集（同一诊断的多种译法）手工归并并记录映射表（§5.6 的衍生映射表纪律）。与 CARMEN-I（西班牙语临床 NLP 语料）的联动机会（§7.16）：用西语 NLP 工具回溯原始语义——若能拿到原始西语字段（大概率拿不到，Contributor Review 下问一下 HM 委员会也是合法动作）。

§2.6 与 MIMIC 的方法学亲缘：复刻的逐项意义

“following the approach of the MIMIC-CXR-JPG repository” 不是一句客套——§3.6 的逐项对照表显示转换参数（quality factor 95/VOI LUT/Photometric Interpretation 处理/元数据单列）与 MIMIC-CXR-JPG 官方转换脚本逐项同构。复刻的三点意义：其一——跨集可比性：两集的 JPG 有相同的压缩与灰度处理史，迁移学习（MIMIC 预训练→CDSL 微调）的域差里排除了"转换差异"这个混杂；其二——工具链复用：MIMIC-CXR-JPG 的解析脚本/元数据 schema 几乎可以直接套用（CovidHM_V3-code 补齐了 SQL 建表侧）；其三——方法学署名的礼节：复刻且声明出处是数据工程规范化的标志（对比：自行摸索的转换无从审计）。本系列 501 也在 MIMIC 生态内（MIMIC 正位图占 64.5%）——批次五的方法学谱系至此闭合：MIT 的转换脚本成了一个国际事实标准。

§2.7 Contributor Review 的设计逻辑：为什么要逐案审查

PhysioNet 四档访问（Open/Credentialed/Contributor Review/私有托管）里 Contributor Review 的独特条款：“users must have individual studies reviewed by the contributor”——每个研究提案都要 HM Data Science Commission 过目，必要时回伦理委员会。设计逻辑三层：层一（再识别残余风险）——4,479 住院的西班牙单国队列+详细临床轨迹，再识别风险高于百万级美国多院区集（小池子效应），逐案审查是风险与用途的个案匹配；层二（用途质量）——HM 希望数据被"用好"（数据荒地化是贡献方的名誉损失），审查是对研究设计质量的把关（也是对品牌的管理）；层三（法律属地）——西班牙/欧盟的 GDPR 语境对健康数据跨境与二次利用的约束比 HIPAA 严，逐案审查是 GDPR 合规姿势（§8.4 GDPR 专节）。对使用者的翻译：申请材料的研究设计质量决定审批速度（§3.9 的提案书写要点）——这不是形式审查，是真的会读你的 proposal。

§2.8 任务面盘点：本集适合与不适合的任务

适合：①住院结局预测（ICU 转入/死亡/住院时长 × EHR 时序）——六表的原生结构服务；②影像+EHR 融合预测——多模态的主场；③CT 切片表示学习——144 万张的自监督原料；④COVID 严重度的影像-化验关联研究——急性期回顾；⑤医疗 NLP 的译文学——诊断/用药文本的西英对照语料价值。不适合：①胸片检测/分割的即用训练（4,608 张量级+无掩码层——501/502 的地盘）；②结构化输出/推理评测（标签层薄且无 QA 树——504 的地盘）；③纵向终身队列研究（patient_id 是住院标识，跨住院去重后样本更小）；④药物效应因果推断（观察性数据+治疗方案的疫情期混杂）。适合/不适合的分界：需要"厚标签"的任务去前面批次，需要"厚语境"的任务留在这里——本集给的是语境（四系统轨迹），不是标签。

§2.9 与 504 的关系修正：从"双塔"到"分工"

504 条目曾把本集预设为"结构化输出评测塔"——随着本集事实核查落地，这个预设需要修正：本集是多模态住院数据库，不是评测基准——504 的"双塔"比喻的正确版本是：504 评模型的推理过程，本集供给模型训练与回顾研究的真实语境。两集的真实接口：504 的评测若要扩展到"EHR 语境下的推理"（如结合化验值判断心扩大），本集可当语境数据源（Contributor Review 的审批下）；本集的影像若要做质量分层，504 的 CheXStruct 管线逻辑（分割→测量→质控）是可复用的蓝图——管线的可迁移性不因平台不同而失效。本节同时是 504 条目的勘误预告（§10.4 变更日志）：批次五收尾时对 604 条目的"双塔"表述做精确化修订。

§2.10 与疫情数据家族的位置

本系列与本集同语境的资源盘点：ICU 专精——MIMIC-IV 的 COVID 阳性子集、各国 ICU 登记（Sauer 综述的对比表是标准参考文献）；影像专精——BIMCV-COVID19（瓦伦西亚，大影像集）、CC-CCII（中国）；登记统计——各国卫生部的全国登记（ecdc/who 聚合）。CDSL 的位置：住院全谱+大 CT 的私立单集团样本——家族里"单机构深挖"的一极（对面极是全国统计的浅而广）。家族研究的通用纪律（对任何家族成员都适用）：病毒株时代（野生型/Alpha…）、治疗方案时代（瑞德西韦/激素/疫苗铺开）的分层是结论外推的先决条件——本集 2019-12~2021-02 的时间窗=野生型与 Alpha 前夜+西班牙第一二波的治疗方案语境，任何跨时代合并分析都要带这个时间戳（§10.8 核查注记的时间敏感项）。

§2.11 合规光谱的第三档：批次五的完整光谱收官

批次五的访问光谱在本集合龙：502/503 Open（CC BY 4.0，即下即用）→ 504 Credentialed（DUA+CITI）→ 本集 Contributor Review（DUA+CITI+逐案审查）——三档依次收紧，PhysioNet 制度光谱的三个台阶都在批次五里有了活样本。三档的代价-收益对照：Open 档换生态繁荣（502 的引用与工具链生长）；Credentialed 换防污染（504 的评测严肃性）；Contributor Review 换持续治理（本集的逐案审查=数据主权的最后防线）。对数据贡献者（未来想开放自家数据的医院/团队）的启示：光谱不是道德阶梯而是策略选择——数据的再识别风险×预期用途谱×治理能力三因素定档位（§8.7 的定档决策树）。对使用者的启示：档位越高，申请材料的研究设计权重越大——本集的申请本质上是一次同行评审（§3.9 提案书写）。

§2.12 证据层级小结

本章与后续的证据等级：A级（双源互证）——版本规模/时间窗/六表构成/影像计数/访问档位/DOI——版本页与 Sci Data 论文对读一致；B级（单源待复核）——Views 59（平台单源快照）；英译层的术语保真度（官方无第三方审计，本条目按"未验证"处理）；alpha 版的早期使用情况（公开渠道空白）；C级（推断，标注为观点）——命名漂移的动机解读（§1.2 三解读）、Contributor Review 的设计逻辑三层（§2.7）、维护可持续性判断（§6.11）；时间敏感项——Views/论文引用数/竞争格局带 2026-09-22 快照戳。本集特有的证据注记：患者 vs 住院的两口径并存（存照 B）属于"官方自相矛盾"级——本条目全程用"住院记录"口径并标注 patient_id 的 admission 语义，使用者引用时请保持同口径（§3.5 的对账协议）。
EOF
wc -l /workspace/qianfanghub-study/writing/cdsl-covid-data-shared-learning/parts/part1.md

§1.13 论文与版本页的差异清单（双文档对读）

维度	版本页（2024）	论文（2026）	处理建议
作者	4 人（Ritoré 等）	Ritoré-Hidalgo et al. 长名单	各引各的（存照 C）
姓氏形式	Ritoré	Ritoré-Hidalgo	以各自文档为准
口径	“4,479 unique hospitalized patients”	“4,479 住院记录”	用记录口径（存照 B）
技术验证	提及	专章展开（完整性/一致性/转换质量）	引论文的验证细节
历史叙事	alpha 简述	“first multimodal open” 的完整论述	历史叙事引论文

双文档的差异不是矛盾而是分工：版本页是"资产的合同"，论文是"资产的传记"——引用数据用合同、引用叙事用传记。

§2.18 与 495 系的 X 光对照：同一管线谱系的两端

CDSL 的 4,608 张 X 光与 MIMIC-CXR 系（495/501/502）的数十万张在同一 JPG 管线谱系上，但两端的世界完全不同：

维度	MIMIC-CXR 系	CDSL X 光
规模	22.7 万图	4,608 图
角色	主角（影像专项库）	配角（多模态库的一个通道）
标签	14 类 NLP 挖掘+报告	EHR 诊断对齐（无影像专项标注）
预处理	同管线（q95+VOI LUT）	同管线复刻
时间跨度	2011-2016	2019-12~2021-02（COVID 特定）

对照的结论：CDSL X 光的正确用法是"贴着 EHR 用"——每张图都有住院记录的完整临床语境（诊断/结局/时序），这是 MIMIC 大库做不到的"单图语境密度"；用数量换语境，是这条小库的生存策略。

§2.19 三波的流行曲线预期：宽表能"看见"什么

数据窗口 13.5 个月覆盖西班牙疫情的前三波（2020 春、2020 夏尾、2020-11 冬）——patient_01 的 admission 日期直方图的预期形态：三峰曲线（每波一个入院高峰）+ 波间谷底。这张曲线的三重用途：①时代锚——确认去标识后的相对日期与三波的对应（数据完整性的直观验证）；②分层框架——波次作为分层变量（§7.10 的迁移研究基础）；③资源压力的代理——每波的住院量与 ICU 率的联动（私立体系的容量压力曲线）。三波的形态若不清晰（曲线平/单峰）——先查日期字段的理解是否正确（偏移语义）。

§2.13 关系表 EHR 的两种范式：MIT 式与 HM 式

本集六表与 MIMIC-IV 的 schema 哲学对照（§6.4 矩阵的深化）：MIT 式（MIMIC-IV）——模块化极强（hosp/icu/ed/emar 等模块分库）、事件表高度规范化（每类事件一张表）、字典表齐全（d_items/d_labitems 的编码体系）——设计给"大规模横跨分析"；HM 式（本集）——六表主干+附加文件夹的紧凑结构、字段语义以文档与代码为准（无独立字典库）、首末值预聚合进主表（vital_signs 的轨迹另存）——设计给"单病种深挖"。两种范式的迁移成本：MIMIC 用户上手本集的最大不适是"没有字典表"——测量项/药物/检验的编码靠英译文本+频率统计自行建立对照（§5.6 映射表纪律的必然性）；本集用户上 MIMIC 的不适是"模块太深"——找字段要在多模块间跳。范式无优劣，是"分析规模×数据规模"的两种最优解——本条目的字段地图（§3.2-§3.4）本质上是给 MIT 式用户写的 HM 式导览。

§2.14 影像"切片级交付"的制度史：为什么不是 DICOM

一个常见质疑：为什么不交付原始 DICOM？三层答案：层一（先例）——MIMIC-CXR-JPG 的 JPG 交付已被社区广泛接受（501/502/504 的用户都在用 JPG）——复刻方法论同时复刻了交付形态；层二（隐私）——DICOM 头是再识别重灾区（设备序列号/技师/拍摄参数的原生残留），JPG+精选元数据是"隐私面更小"的交付——去标识的彻底性提升；层三（体量与门槛）——144 万 DICOM 的体量更大且需要 DICOM 工具链，JPG 降低了多模态研究的入门门槛（PIL 即可读）。代价已在 §2.4 记账（HU 窗/3D 重建）。制度史的读法：交付格式是"隐私-易用-保真"三角的一次落点——MIMIC 选了（JPG+元数据），本集跟随并扩展到 CT——若未来出现"DICOM 沙箱"交付（原始格式+远程分析），将是三角的第四个落点（§7.17 提案的可选项）。

§2.15 疫情数据的"整理债"概念：本集作为测量样本

§6.16 的"制度化成本"可以形式化为整理债（curation debt）：数据获取（急诊抢救间隙的导出）到数据可用（schema 化+去标识+文档）之间的全部延迟工作。本集的债务账本：获取 2020-03 → schema 化与去标识 2020-2023（无公开记录的沉默期）→ 治理封装 2024-10 → 方法学署名 2026-09——六年半的债期，利息是"早期学术红利的流失"（2020-2022 是 COVID 研究的引用黄金窗，本集缺席）与"数据的时代折旧"（病毒株语境漂移）。清偿方式：不是加速整理（质量代价），而是债务结构化——alpha 版就是一次"部分清偿"（提前两年让数据可用，代价是治理不规范）。概念的一般化：每个"先发布后整理"的数据集都在选债期与利息——Top 1000 里的同债样本（发布仓促的竞品集）的维护观察可沿用此框架。概念出处标注：本条目提出的分析框架（C 级推断），供后续条目复用与批判。

§2.16 单集团数据的科学价值：n=1 集团的辩护

"单集团样本有科学价值吗"的正面回答（对本集最常见的质疑）：辩护一（同质性是特征）——单集团的设备谱/流程/编码习惯同质——异质性噪声小，"治疗方案-结局"关系的信号更干净（对照：多国聚合集的设备/流程混杂需要层层校正）；辩护二（四系统完整性）——单集团内 ED/EHR/ICU/RIS 全谱可得（跨机构聚合常缺系统覆盖）；辩护三（因果推断的局部优势）——同质性群体内的混杂结构简单，工具变量/断点等准实验设计的可行性更高；辩护四（对照价值）——本集的欧洲私立域是 MIMIC（美国学术中心）的天然对照臂（§6.4）。科学社会学的旁证：Framingham 心脏研究（单城队列）与.Whitehall 研究（单行业队列）——n=1 场景的经典成功先例。单集团不是缺陷是设计——前提是研究者问的问题匹配这个设计（§0.5 的劝退逻辑）。

§2.17 疫情急性期数据的证据等级：时代标注的三层

使用本集做任何结论时的时代标注纪律（比一般数据集多两层）：第一层（采集时代）——2019-12~2021-02：病毒株为野生型与 Alpha 前夜、治疗指南一周一更、检测能力挤兑（假阴性率异常高）、ICU 标准被迫扩张——所有"临床事实"都带这个语境；第二层（体系时代）——西班牙私立体系：CT 可及性高于公立（§2.3）、诊疗习惯的欧洲大陆学派、编码习惯的西语传统（§2.5）——体系域决定"常规诊疗"的形态；第三层（数据运动时代）——2020 的紧急主义整理（§2.1）——数据本身是"抢救间隙的产物"，完整性的天花板是当时的人力现实。三层的实操含义：本集的任何统计量（ICU 死亡率/CT 阳性率/平均住院日）都不能与"疫情后常态"直接对比，也不能与"公立体系统计"直接对比——对比必须在同层语境声明下进行（§7.15 波次设计是这个纪律的研究化）。三层标注的成本很低（三行 methods 文字），缺了它们的结论会被 COVID 研究社区的经验审稿人一眼识破。

§2.18 与长新冠研究的前瞻接口

本集时间窗止于 2021-02——急性期末段——与长新冠（PASC）研究的接口设计：接口一（基线库）——急性期的 EHR 轨迹（症状/化验/影像的初始损伤画像）是长新冠研究的自然基线——若有随访数据源（患者属地医疗记录/HM 后续就诊），本集可当"起点档案"；接口二（预测对象）——"急性期特征→长新冠风险"的预测研究需要队列设计（本集+随访数据集的联合——§5.4 联合方案的疫情特化版）；接口三（对照供给）——长新冠研究需要"急性期住院但未发展成长新冠"的对照池——本集的 4,479 是候选池（需 HM 二期或随访授权）。三接口的现状判断：HM 未披露随访计划（§10.7 观察清单的"二期数据"条目）——接口是设计性的而非即用性的。前瞻价值：在批次五的收官篇里埋下"急性期档案→长期结局"的研究路线图——本集的长期价值可能不在急性期研究，而在它保存的"起点档案"质量（§6.12 保值逻辑的长时段版本）。

§2.19 批次五的访问光谱实验：三档数据的用户旅程对照

把批次五三档数据（502 Open / 504 Credentialed / 本集 Contributor Review）的"用户旅程"并排画出来，制度设计的差异一目了然：

旅程节点	502（Open）	504（Credentialed）	本集（Contributor Review）
发现	即刻	即刻	即刻
资格	无	CITI 证书+DUA	+HM 委员会提案审查
等待	0	数天	数周至数月
下载	即刻	即刻	获批后
使用自由	全（署名即可）	DUA 框架内	提案锁定的范围内
再分发	可	不可	不可+个案审查
发表	自由聚合	红线内聚合	提案产出承诺+补审机制

旅程的三点读法：读法一（摩擦的分布）——Open 档的摩擦集中在前（无），Contributor 档的摩擦贯穿全程（申请/使用/发表三段都有审查）——“全周期治理"是第三档的本质；读法二（自由的定价）——使用自由度从"署名即可"降到"提案锁定”——换取的是数据主权的完整保留（HM 对数据命运的全程掌控）；读法三（对贡献方的启示）——表格从左到右是"治理强度"的递增，也是"用户基数"的递减——贡献方选档=在生态规模与治理粒度间做一次性的战略定位（§2.11 三因素）。本表格是本系列访问合规维度的总结性资产——后续条目遇到新的访问形态（沙箱/联邦）时按此表扩展列。

§2.20 数据的"两次生命"：alpha 用户与 v1.0.0 用户的代际

同一资产的两代用户群（§1.2 命名漂移的用户侧后果）：alpha 代（2020-2024）——通过 HM 官网申请的用户——特征：疫情研究的先头部队、使用无 PhysioNet 治理框架（DUA 自拟/去标识依赖 HM 内部流程）、产出文献的引用对象是 alpha 版（无 DOI）；v1.0.0 代（2024- ）——PhysioNet 治理下的用户——特征：标准 DUA+CITI、逐案审查、引用规范 DOI。两代的可比性问题：alpha 代的数据版本与 v1.0.0 是否字节级一致（HM 未声明两版本的 diff——alpha 期间数据是否修订过是未披露项）——跨代文献对比（alpha 时代结论 vs v1.0.0 时代复现）时要把"版本不可对账"列进 limitations（§10.8 的 B 级注记来源）。代际观察的方法论价值：数据集的"版本代际"是数据引用研究（data citation studies）的活案例——本集的命名漂移+代际分层+口径并存三重叠加，是数据治理教材级的复杂样本（§6.19 形态④的又一注脚）。

§2.21 三行总结：本集的电梯定位

它是什么——西班牙私立医院集团的 COVID 急性期住院档案：六表 EHR + 144 万张 CT/X 光，PhysioNet 最严档开放。

它为什么特别——疫情最早期先头数据中唯一走完"开放→制度化→方法学署名"全程的多模态样本，命名漂移与六年半长征都是制度化的真实成本。

谁该用它——要 CT 体量、COVID 语境、欧洲域对照的研究者；有耐心过三重审查、有纪律做对账装载的团队——其余读者，批次五前四篇的门槛与工具链更合身。

§3 数据切片：交付物、结构与对账协议

§3.1 交付物清单：一个压缩包里的三块世界

PhysioNet v1.0.0 的交付物按三块组织：块一（关系表）——六张核心 CSV：patient_01.csv（人口学/入院时间/ED 就诊/ICU 入出/生命体征首末值）/ diagnosis_er.csv（急诊诊断）/ diagnosis_hosp.csv（住院诊断）/ vital_signs.csv（生命体征记录）/ medication.csv（用药）/ lab.csv（实验室检验）——全部以 patient_id（住院标识）为主键连接；块二（影像）——影像文件夹（1,444,764 张 JPG：CT 切片 1,440,156 来自 784 住院记录、X 光 4,608 来自 1,616 住院记录）+ DICOM 元数据文件（转换自原始 DICOM 的技术参数）；块三（代码与文档）——CovidHM_V3-code 文件夹（PostgreSQL 建表脚本/元数据提取/DICOM→JPG 转换全管线）+ 附加表文件夹（四系统特有字段）+ 官方文档。三块的体量感：块一若打印是数百页的 CSV；块二是绝对体量大头（数十 GB 级）；块三是本集区别于多数数据集的诚意——把"怎么造出来的"一并交付（§3.6 复刻对照的前提）。

§3.2 patient_01.csv：主表的字段地图

六表之首的 patient_01 是装载的第一张表，字段组的五段结构：段一（标识）——patient_id（住院标识）；段二（人口学）——年龄/性别（HIPAA 处理后：年龄可能分箱或 89+ 合并，§3.7 去标识细节）；段三（入院轨迹）——入院时间（去标识后）/入院科室/ED 就诊标志与时间；段四（ICU 轨迹）——ICU 入出时间/ICU 时长；段五（首末值）——关键生命体征的首次与末次值（心率/血压/体温/血氧等——首末结构是"简化时序"，完整轨迹在 vital_signs.csv）。装载纪律：patient_01 的主键唯一性是全部下游 join 的地基（先验证 patient_id 唯一行数=4,479 再动手）；首末值 vs 完整轨迹的口径差异要写进团队 wiki（用首末值做"入院状态"分析、用 vital_signs 做轨迹分析，混用会出"时间方向"的事故——首末值无方向信息）。

§3.3 五张从表：诊断/体征/用药/检验的连接范式

diagnosis_er / diagnosis_hosp——两段诊断（急诊 vs 住院），西语英译的自由文本+编码混合（§2.5 翻译层风险）；同一住院可多行（一对多）；er→hosp 的诊断演变（急诊印象 vs 确诊）是研究病情认知路径的原料。vital_signs——长表（每行一次测量），测量项/数值/时间戳；ICU 高频与普通病房低频混排（§1.6 四系统的采样差异），分析前先按住院科室分层。medication——用药记录：药名（英译）/剂量/途径/时间——疫情期用药方案的时代标记（§2.10 时间戳纪律）。lab——检验长表：项目（英译）/值/单位/时间——COVID 特征组合（CRP/D-二聚体/淋巴细胞计数）是严重度研究的核心变量。五表的共同连接键 patient_id + 各自时间戳 = 全集的时间对齐骨架；装载顺序建议：patient_01 → 五表逐个外键验证 → 影像元数据挂接（§5.1 的六步装载）。

§3.4 附加表文件夹：四系统的剩余物

核心六表之外的"附加表文件夹"是四系统整合的剩余物存放区——系统特有、频次较低或结构不稳的字段（ICU 呼吸支持参数、治疗操作记录等，具体表清单以 v1.0.0 实际交付为准——版本页字段文档与 CovidHM_V3-code 的建表脚本互为对照）。三点的使用提示：其一——附加表是"考古层"：字段完整度高但文档相对薄，装载时逐表核对行数与主键（§5.1 对账清单的附加表专项）；其二——呼吸支持参数（氧疗方式/机械通气）对 COVID 严重度研究是高价值字段，值得考古的成本；其三——附加表与核心表的 join 键一致性（同是 patient_id 但可能带系统前缀）——装载脚本里做键归一。对官方的建议性观察（§7.17 提案）：附加表的字段级文档是最值得补强的部分。

§3.5 患者 vs 住院：两口径的对账协议

存照 B 的实操协议：口径一（住院记录）——patient_id 唯一行数=4,479（“unique admission identifier” 的数据字典口径，论文摘要口径）——本条目主口径；口径二（患者）——版本页 Methods 一处 “4,479 unique hospitalized patients”——若同一患者两次住院会有两个 patient_id，真实患者数 ≤ 4,479。去重路径的技术现实：人口学+入院时间的组合是唯一可用的去重线索（HIPAA 处理后无患者终身标识）——年龄+性别+入院时间窗的聚类可估计再入院率量级，但不能作为确定性去重（同年同性别同龄的两次独立住院会误合并）。研究设计的对应纪律：结局分析用住院口径（每条住院=独立样本，但同一患者的两次住院不独立——稳健误差需聚类校正）；流行病学计数用"住院次数"表述（避免"4,479 名患者"的过度声明）。对账动作写进 §5.1 装载清单第一条：验证 patient_id 唯一性=4,479 → 记录"患者数未由官方披露"的事实 → 报告中按住院口径表述。

§3.6 JPG 转换的 MIMIC 复刻：逐项对照表

论文与代码显示的转换管线与 MIMIC-CXR-JPG 官方方法的逐项对照：

环节	MIMIC-CXR-JPG 原版	CDSL 复刻	差异注记
DICOM 读取	pydicom 提取像素	pydicom 提取	同构
灰度归一	归一化到 [0,255]	同	同构
灰度映射	VOI LUT 应用	同	同构（视觉优化的一致性关键）
极性处理	PhotometricInterpretation 反转	同	同构（MONOCHROME1/2 惯例差异的统一）
压缩	JPEG quality 95	quality factor 95	同参数（有损压缩的一致基准）
元数据	单独导出（不嵌 JPG）	同（DICOM 元数据文件）	同构（像素与元数据分离的可复现范式）
范围	X 光为主	CT 切片+X 光	扩展：CT 的切片级导出是 MIMIC-CXR-JPG（仅 X 光）没有的场景

复刻的意义（§2.6 已述）+ 操作含义：跨集迁移学习时 JPG 的"转换域差"可忽略，剩下的域差是真实的采集域差（设备/人群/疾病谱）；CT 切片的导出是复刻之上的扩展——切片级 JPG 的 HU 窗信息损失（§2.4 代价三）在 CT 场景比 X 光更敏感，CT 研究者要意识到这个复刻是"X 光方法论的跨模态移植"。

§3.7 去标识与英译的加工链清单

从医院原系统到 v1.0.0 的加工链七步：①四系统抽取（ED/EHR/ICU/RIS 的原始导出）；②住院级筛选（confirmed or suspected COVID 的 4,479 条）；③HIPAA 18 类标识符移除（姓名/地址/设备号等——注意西班牙原生的国民健康号在 HIPAA 框架里的对应处理）；④日期去标识（版本页声明日期处理——绝对日期偏移或相对化，粒度以元数据文档为准，这直接决定 §2.2 时间轴对齐的粒度）；⑤内容英译（西→英，术语标准化程度未披露，§2.5）；⑥DICOM→JPG 转换（§3.6 复刻管线+元数据单列）；⑦打包发布（PhysioNet Contributor Review 流程+伦理授权码）。七步里研究者最该关注的两个透明度缺口：④的日期处理粒度（相对时序分析的前提）与⑤的翻译规范（术语分析的前提）——两者官方文档均未给足细节，装载前向 HM 委员会问询或在抽样验证中自证（§5.5）。

§3.8 DAIMS 就绪度评分：5.9/8

八维逐项：文档 0.8——版本页+Sci Data 论文双全，但附加表字段文档薄（-0.2）；机读 0.8——CSV+JSON 元数据+CovidHM_V3-code 的建表脚本，schema 机可读（-0.2 给英译术语无对照表）；标签 0.7——诊断/用药/检验是 EHR 原生层，无专家复核标签、无影像标注层（-0.3）；可访问 0.5——Contributor Review 三重门槛+逐案审查周期以月计（-0.5 是八维里最大扣分）；许可 0.5——Contributor Review License 1.5.0 强约束+逐案附加条件（-0.5）；格式 0.8——CSV/JPG/SQL 全标准格式，CT 切片级组织的 3D 重建成本（-0.2）；评测 0.6——无官方基准/基线任务（-0.4，与 504 的 1.0 对照）；生态 0.5——上线两年 Views 59、社区工具链未见、论文刚见刊 14 天（-0.5）。总分 5.9/8：批次五最低分（502 6.3/503 6.5/504 6.3）——短板集中在可访问与生态，数据本体的文档与格式是合格线以上。分数的用法：不是质量判决，是"接入成本"的量化——5.9 意味着"数据好，但拿到手要花功夫"。

§3.9 访问流程：三重门槛的完整路线图

第一重（PhysioNet 标准件）——注册账号（机构邮箱）+ CITI “Data or Specimens Only Research” 证书 + DUA 1.5.0 线上签署（与 504 同套标准件，一次培训多处受益）；第二重（提案提交）——向 HM Data Science Commission 提交研究提案：研究目的/数据字段清单/分析计划/团队构成/数据安全措施/产出形式——委员会逐案审查（回复周期不透明，经验值数周至数月，必要时回伦理委员会复审更长）；第三重（获批下载）——审批通过后解锁下载（全量数十 GB 级，走 PhysioNet 的授权下载通道）。提案书写的四条加分要领：要领一——研究问题具体化（“探索 COVID 严重度预测” 是减分项，“CT 影像特征+入院 48h 化验对 ICU 转入的预测价值” 是合格线）；要领二——字段清单精确到表名（§3.4 附加表的点名要慎重——多要字段多审一轮）；要领三——数据安全措施写实（加密存储/访问名单/无再识别承诺，GDPR 语境下的措施清单 §8.4）；要领四——产出承诺可核查（论文/预印本的发表意向+聚合统计的发布边界）。四要领的共同逻辑：让委员会看到"这个申请人是可控的、专业的、低风险的"——逐案审查的本质是信任评审。

§3.10 引用要求：四件套与两个易错点

数据引用——PhysioNet DOI 10.13026/1176-6c44（v1.0.0 固定）；方法引用——Sci Data 论文 DOI 10.1038/s41597-026-08184-1（2026 正式版）；资源标识——RRID SCR_007345；代码引用——CovidHM_V3-code（GitHub/PhysioNet 代码包）。易错点一：引用全名漂移——引 alpha 时代的 “Covid Data Saves Lives” 名字配 PhysioNet DOI 的张冠李戴（§1.2 纪律：名字与 DOI 的时代配对）；易错点二：论文许可≠数据许可——Sci Data 论文文本 CC BY-NC-ND 4.0 只管论文本身，数据始终是 Contributor Review License 1.5.0（引用论文不等于有权用数据——许可链的独立性）。BibTeX 取用：PhysioNet 版本页 citation 区与 Sci Data 页各提供一份。

§3.11 装载后对账清单（十条）

①patient_01 行数=4,479 且 patient_id 唯一；②六表外键完整性（每表 patient_id ⊆ patient_01）；③影像计数对账：JPG 总数=1,444,764（CT 1,440,156+X 光 4,608）；④影像的住院覆盖：CT 784 / X 光 1,616 住院记录（与版本页口径一致）；⑤DICOM 元数据文件与 JPG 的文件级一一对应（抽查 100 张的文件名/尺寸/模态字段）；⑥时间字段的可分析性验证（去标识后是否保留相对间隔——§3.7 缺口④的实证）；⑦诊断表的英译分布检查（top-20 诊断的频率合理性——无同一诊断多译法的异常聚集）；⑧生命体征的单位一致性（血压 mmHg/体温 ℃ 的混入检查——四系统合并的典型事故点）；⑨附加表逐表装载+主键验证+与核心表键归一；⑩CT 切片的检查级归组验证（按检查聚合后切片数与元数据的层号连续性抽查）。十条全过，数据才"可分析"——装载周（§5.11 排期）的核心工作就是这十条。

§3.12 版本冻结与升级预期

v1.0.0 自 2024-10 挂牌未升级（latest DOI 同版本）——升级可能性评估：低——本集的时间窗（2019-12~2021-02）是历史切片，无滚动更新逻辑；论文见刊（2026-09）后的版本动作更可能是"勘误级"（文档/链接修正）而非"数据级"（新增样本）。对使用者的策略：按冻结资产规划——固定 v1.0.0 的 DOI 引用、本地完整备份、不预留"等新版"的计划位。与滚动型数据集（如持续累积的登记类）的规划差异：冻结资产的可复现性天然好（引用即锁死），滚动资产的版本管理成本高——本集是前者，复现包（§5.8）里写死 v1.0.0 即可。观察例外：若 HM 未来发布第二期数据（2021 后的时间窗），大概率是新 slug 或 v2 大版本——§10.7 观察清单的"新版本/新期"条目跟踪。

§3.13 数据字典的自动生成：从建表脚本到团队 Wiki

CovidHM_V3-code 的 PostgreSQL 建表脚本是现成的字段级字典源——脚本里的 CREATE TABLE 语句（字段名/类型/注释）可以直接解析生成团队 Wiki 的数据字典页（比人工从 CSV 抄字段快且不会抄错）。自动生成的三步：①解析建表脚本→字段清单（含类型与约束）；②与实际 CSV 表头 diff（脚本与交付物的一致性校验——本身就是一个对账动作）；③补列文档（英译字段的原西语对应、时间字段的去标识粒度注记——需要问 HM 或抽样自证的部分单独标记"待确认"）。产出物：一页/表的字段 Wiki+一张"待确认问题清单"（提交 HM 委员会的一次性问询，§3.9 第二重的沟通副产品）。这个方法（代码即字典）同样适用于本系列其他带 SQL 脚本的条目——方法论注记存此备用。

§3.14 影像元数据的字段预期与重组验证

DICOM 元数据外置文件的字段预期（MIMIC-CXR-JPG 方法论的同源推断+版本页口径）：

字段组	预期内容	用途
患者层	去标识 patient_id	join 宽表
检查层	Study 标识/日期（偏移）/模态	CT series 重组的锚
序列层	Series 标识/描述（平扫/增强）	同 series 聚合
切片层	切片位置/厚度	排序与层厚分析
设备层	厂商/型号（若保留）	设备偏移分析
像素层	Rows/Columns/Photometric	解码验证

字段实清单以下载后为准——预期表的作用是装载前的心里有数+缺失字段的第一时间发现（字段组缺失→§3.7 重组协议的降级预案）。

§4 结构深查：多模态的真实整合度

§4.1 EHR×影像的整合粒度：住院级挂接

结构化与影像的整合粒度是住院级（patient_id 挂接）：影像检查时间戳（去标识后）与 EHR 时间轴的相对对齐是唯一的时间纽带——没有"影像帧级标签对齐化验值"的细粒度整合层。整合度的三点工程含义：其一——联合分析的设计自由度在住院级与检查级（如"入院 72h 内的 CT+同期化验"窗口分析），不到帧级；其二——影像检查时间戳的可靠性依赖 §3.7 缺口④的日期处理（若日期被粗化到天级，"检查在用药前后"的时序判断失准）；其三——影像检查与诊断表的对应（哪次 CT 对应哪个诊断结论）没有结构化报告层（放射报告未入集或未分离）——影像的"临床语境"要从诊断表+时间窗间接推断。整合粒度是"多模态"成色的试金石：本集成色=住院级挂接+时间轴软对齐——够做多模态预测研究，不够做影像-临床的帧级对照研究（如"病灶演进 vs 化验轨迹"的细粒度设计要降级到检查级）。

§4.2 六表的时序结构：快照与轨迹的分层

六表的时序性分两层：快照层——patient_01（入院状态：人口学+首末体征）与两诊断表（诊断结论的时间聚合）——回答"这个住院是什么状态"；轨迹层——vital_signs/medication/lab（每行带时间戳的事件长表）——回答"住院期间发生了什么"。两层的分析纪律：结局预测的特征工程在轨迹层取窗口特征（入院 48h 的心率方差/CRP 斜率），在快照层取状态特征（年龄/入院科室）——窗口切分的锚点是入院时间与 ICU 入出时间（patient_01 的轨迹骨架）。轨迹层的采样不均匀（§1.6 四系统差异）：ICU 高频/普通病房低频的混排让"每小时"假设的窗口统计失真——按采样密度分层或用时间感知模型（连续时间型）是两条出路。时序结构的总评：本集的轨迹是"真实医院节奏"（不均匀、有缺口、四系统拼接），不是"传感器理想流"——用真实节奏做研究是本集的价值也是门槛。

§4.3 诊断表的双段设计：ED 印象 vs 住院确诊

diagnosis_er 与 diagnosis_hosp 的分表设计保留了"诊断的时间演化"：急诊印象（入院时的判断）vs 住院诊断（出院时的结论）——两段对照可以研究：①诊断漂移（急诊疑似肺炎→确诊 COVID 的编码演变——疫情期诊断标准本身在演化）；②误诊结构（er 有而 hosp 无的条目=排除项，反向=漏诊项——疫情压床背景下的诊断质量样本）；③编码习惯（西语 ED 的自由文本 vs 住院的编码化程度差异——NLP 预处理的分层策略）。纪律：两段诊断的合并分析要先做术语对齐（§2.5 翻译层+§3.11 第⑦条的分布检查），对不齐的术语单独成"未对齐池"人工处理——诊断对齐是本集 NLP 类研究的第一工作量。

§4.4 CT 为主结构的深度后果：切片池、检查池与住院池

1,440,156 张切片的池化层级与每级的适用任务：切片池（14 万×10 张/检查量级）——2D 分类/自监督预训练——量大管饱但同检查切片高度相关（泄漏纪律 §5.2）；检查池（784 住院的 CT 检查数，一次住院可多次 CT）——检查级结局关联（CT 严重度评分 vs ICU 转入）——需要先做切片→检查的聚合（评分模型或统计特征）；住院池（784 个有 CT 的住院记录）——多模态融合的样本量现实：EHR 全谱 4,479 住院 × 有 CT 的 784 住院——多模态模型的有效样本是 784 而非 4,479（缺失模态的缺失机制分析是预注册项：谁有 CT=病情更重/私立 CT 可及——选择偏差的结构性来源）。三级池的换算纪律写进研究设计的第一页——"144 万张"的规模叙事在住院池面前要打 0.17 折（784/4,479），这是 §2.3 反差的最终会计。

§4.5 X 光子集：小而完整的对照资产

4,608 张 X 光（1,616 住院）的价值重估：价值一——床旁片的真实形态（床旁 X 光的设备/体位/伪影多样性是站立位的聚合集给不了的——501/502 的站立位偏倚的解药样本）；价值二——与 CT 的同患者对照（1,616 住院里同时有 CT 与 X 光的子集——同住院两种模态的对照研究：X 光发现 vs CT 发现的敏感度互补）；价值三——跨集迁移的验证场（502 掩码管线的 X 光解剖提取在本集 X 光上的泛化测试——批次五掩码线与本集的直连实验，§7.13 提案）。量级约束：4,608 张是"验证集/对照集"量级而非"训练集"量级——小样本的用法是验证与对照，不是从头训练。

§4.6 DICOM 元数据文件的再利用

转换时元数据单列（不复刻 MIMIC 的"像素与元数据分离"的另一半——MIMIC-CXR-JPG 的元数据 CSV 传统）：文件含原始 DICOM 的技术参数（设备/千伏/毫安秒/层厚/窗宽窗位设定等）。再利用三向：向一（质量分层）——低千伏/运动伪影高危参数的切片标记，进数据质量层（§4.8 验证的延伸）；向二（域自适应）——设备型号/采集参数做域标签，跨设备泛化研究的现成分层变量；向三（转换审计）——元数据与 JPG 的对应抽查是 §3.11 第⑤条对账的实现基础。元数据的使用前提：字段文档（哪些参数保留/哪些被去标识）以交付文档与脚本为准——CovidHM_V3-code 的提取脚本就是字段清单的权威。

§4.7 CovidHM_V3-code 的工程解读

开源代码包的三段结构（PostgreSQL 建表/元数据提取/DICOM→JPG 转换）的工程价值：价值一（可复现性）——数据不是黑箱：建表脚本定义 schema 语义、转换脚本定义 JPG 生成史——任何对数据结构的疑问，代码是第一权威（§3.13 字典自动生成的基础）；价值二（可迁移性）——管线对"自有医院数据→研究格式"的改造是现成蓝图（四系统抽取→去标识→转换→关系表的流程复用，§7.10 提案的工程基础）；价值三（审计性）——转换参数（quality 95 等）的代码级确认，补齐论文一句话方法的细节层。代码质量预期管理：研究代码的工程水位（无 CI/测试的常规状态），当"可读的规格说明"用，不当"生产组件"直接上生产。

§4.8 官方技术验证的三面：完整性/一致性/转换质量

Sci Data 论文的技术验证章节的官方自检框架转述：面一（数据完整性）——六表行数/字段填充率/跨表引用完整性的官方核查（装载时的 §3.11 对账是研究者侧的独立复检——官方数字与本地对账数字的 diff 本身就是验证）；面二（内部一致性）——跨表逻辑校验（如 ICU 入出时间与入院时间的时序合理性/用药时间在住院窗内）——研究者的窗口分析前值得重跑同款校验（逻辑校验脚本是现成的研究工具）；面三（图像转换质量）——DICOM→JPG 的灰度保真/压缩损失评估（官方对 quality 95 的选择背书）。三面合成的使用建议：官方验证是"出厂检验"，研究者的装载对账是"到货验货"——两道检不可互替（§3.11 十条的必要性独立成立）。

§4.9 质量四象限：本集数据的信任地图

按"结构化侧/影像侧 × 完整性/一致性"画四象限信任地图：象限一（结构化×完整性）——核心六表填充率较高（疫情压力期的 EHR 记录仍属常规运营数据）——信任度高；象限二（结构化×一致性）——四系统拼接的键/单位/术语一致性是主要风险区（§3.11 ⑦⑧⑨条的对账重点）——信任度中，需清理；象限三（影像×完整性）——CT 量大但"哪些住院为什么没有 CT"的缺失机制未披露（§4.4 选择偏差）——信任度中；象限四（影像×一致性）——转换质量有官方验证+代码级透明——信任度高。地图的总判：影像侧比结构化侧可信，结构化侧的一致性清理是装载工作的大头——与多数"影像好整理难"的预期相反，是本集的特有画像。

§4.10 血缘链：从病床到 CSV/JPG 的八级加工

完整血缘的八级（§3.7 七步的细化+来源级）：①临床事件（病床上的真实诊疗——第一现场）；②四系统记录（ED/EHR/ICU/RIS 的数字化——每系统自有编码与节奏）；③住院级筛选（COVID 确认/疑似判据）；④去标识（HIPAA+日期）；⑤英译（西→英）；⑥关系化（六表+附加表的 schema 化——CovidHM_V3 建表）；⑦影像转换（DICOM→JPG quality 95——MIMIC 复刻）；⑧发布治理（Contributor Review 封装）。八级里研究者的"血缘风险敞口"集中在④⑤（透明度缺口）与②（系统异质性）——敞口管理=§3.11 对账+§5.5 抽样自证。血缘链与 502/503 的六级血缘（DICOM 到掩码）对照：本集多的是"治理级"加工（④⑧），少的是"标注级"加工（无掩码/标签层）——两种血缘的深度不可比，用途不同。

§4.11 一致性风险清单（本集版八条）

①单位混入——四系统的生命体征/检验单位差异（§3.11 ⑧）；②术语漂移——英译层同一实体的多种译法（§2.5）；③时间粒度——日期去标识的粗化对时序分析的影响（§3.7 缺口④）；④键前缀——附加表与核心表的 patient_id 变体（§3.4）；⑤再入院混淆——患者级 vs 住院级的独立性假设（§3.5）；⑥CT 选择偏差——784 住院的选择机制未知（§4.4）；⑦切片相关性——同检查切片的近似重复对统计检验的独立性假设破坏（§5.2）；⑧治疗方案时代性——2019-12~2021-02 的方案窗口（§2.10）对任何"疗效相关"分析的混杂。八条的共同管理工具：§5.7 错误黑名单与 §5.1 对账清单的交叉引用——每条风险在装载与分析两个阶段各有一次拦截机会。

§4.12 与 502/503 掩码生态的互验设计

批次五掩码线与本集的互验实验设计（§4.5 价值三的展开）：实验一（解剖提取泛化）——用 502 CheXmask 训练的分割模型（或其 HybridGNet 谱系）跑本集 4,608 张 X 光，产出本集自己的解剖掩码层——CDSL 有了"用户自制掩码层"，X 光子集的分析价值升级（心脏/肺野的定量分析）；实验二（测量复刻）——504 CheXStruct 管线逻辑（CTR 等 12 任务的测量链）在本集 X 光上复刻——本集 EHR 的诊断（心扩大等编码）与管线测量值的一致性=管线外部效度的又一测试场（504 §6.2 审计议程的补充数据点）；实验三（std 传递）——503 的地标 std 方法（若实验一的模型带不确定性输出）给自制掩码层配不确定性——三连掩码线的完整方法论在本集落地。三实验的合规注记：自制掩码层的再发布受 Contributor Review License 约束（§8.5 红线四）——分析可做，交付需审。

§4.13 三波之外的第四个时间结构：住院内的时间

宽表的窗口（13.5 个月）与长表的窗口（住院内天数）是两个时间尺度，分析时的混用是最常见错误：流行病学用住院窗口（三波分层），临床建模用住院内窗口（入院起 48h 特征→结局）。两尺度的转换节点是 admission_d_inpat——所有特征的时区要么是"住院日 D0/D1/D2"（临床），要么是"流行周 W1-W58"（流行病学），不存在"绝对日期"（已去标识）。双时区的纪律写进团队 wiki——混用的时间特征是审稿人一眼能看穿的硬伤。

§5 使用协议：从申请到发表的全流程

§5.1 环境对账清单（六步装载）

步一（获取与校验）——三重门槛通过后下载，文件级校验（官方校验和/清单 diff）；步二（结构化侧装载）——patient_01 先行（主键验证 4,479）→五表外键验证→附加表逐表装载+键归一（§3.11 ①②⑨）；步三（影像侧装载）——JPG 清单化（路径/模态/住院归属）→计数对账（§3.11 ③④）→元数据文件挂接；步四（对账十连）——§3.11 全清单执行（重点 ⑦⑧ 的术语与单位）；步五（字典生成）——§3.13 的建表脚本解析→团队 Wiki+待确认问题清单；步六（就绪评审）——抽样三张 X 光+十个住院记录的人工通读（装载的"眼见为实"仪式）——六步全过才进分析。装载周的时间预算：结构化侧 2 天/影像侧 1 天/对账与字典 2 天——比 Open 数据集多出的成本就是审批后的验证成本（§3.8 可访问 0.5 分的另一面）。

§5.2 泄漏防控：切片纵向泄漏的三层

本集的泄漏风险图谱与 504（模型防污染）不同，是数据划分侧的三层：层一（切片内泄漏）——同检查相邻切片的近似重复——任何随机划分都会让 test 里的切片在 train 里有"孪生兄弟"，成绩虚高的经典事故——划分单位必须 ≥ 检查级；层二（住院内泄漏）——同一住院的多次检查（CT 复查）共享病程与结局——划分单位升级到住院级（784 住院的 CT 池按住院切分）；层三（患者内泄漏）——同一患者的多次住院（§3.5 去重困境）——患者身份不确定时的保守策略：入院时间窗贴近（如 <90 天）的住院对划入同侧——保守划分的小样本代价与泄漏风险权衡记录进研究设计。三层合成的总纪律：划分单位=研究问题单位（结局预测按住院、切片分类也要按住院分组做 group split）——group-aware 划分是本集一切监督实验的前置配置。

§5.3 多模态特征工程的推荐配方

EHR 侧+影像侧的初学者友好配方：EHR 侧——快照特征（年龄/性别/科室）+窗口特征（入院 48h：体征的首末/均值/极差，化验的关键项轨迹斜率 CRP/D-dimer/淋巴）+诊断编码的二值化——pandas/SQL 级工程，无需深度时序模型起步；影像侧——X 光子集：预训练 CNN 特征（ImageNet 或 502 生态的胸部预训练）+聚合到检查级；CT 子集：切片级预训练特征→检查级池化（均值/top-k）——3D 端到端起步期不建议（§2.4 代价）；融合层——早期融合（特征拼接+梯度提升树）先于晚期融合（双塔+注意力）先于多模态深度——简单融合的基线成绩是后续复杂模型的必比锚。配方的实验设计锚：§5.2 的住院级 group split+§4.9 象限二清理后的数据。

§5.4 与 MIMIC 生态的联合方案

跨集研究的三个可行姿势：姿势一（预训练-微调）——MIMIC-CXR-JPG 预训练的影像编码器→本集 X 光/CT 微调（转换方法同构 §3.6，域差纯净）——最顺的跨集线；姿势二（并集荟萃）——MIMIC-IV COVID 子集与本集的结局模型并集训练（特征对齐表：年龄/性别/ICU/化验项的公共子集手工对齐——术语映射表是工程量所在）——样本量增益与异质性管理并存的姿势；姿势三（方法移植）——MIMIC 生态的分析管线（时序特征工程/结局模型）移植到本集——方法论的可迁移性检验。三姿势的合规共同项：两集都是受限档（MIMIC Credentialed/本集 Contributor Review）——跨集联合的 DUA 复查（504 §2.10 同款动作）：PhysioNet 体系内的数据集间分析一般允许，本集多一层 HM 委员会的提案审查——提案里写明联合分析（跨集字段清单与研究设计一次审掉，避免二次申请）。

§5.5 抽样自证协议（边界值复核）

装载后的自证三件套：件一（临床合理性抽样）——随机 20 个住院记录全字段通读（人口学-诊断-体征-用药-检验的时间线通顺性）——人工版的内部一致性检验；件二（边界值复查）——生命体征与化验的极值分布（心率 <30/>200、体温 <30/>42℃ 的记录抽取人工核——单位错误/小数点错误的猎人）；件三（影像-临床对拍）——抽 10 个"诊断含呼吸衰竭+有 CT"的住院，人工看 CT 抽样切片的病灶存在性 vs 诊断的一致性方向（不做精读，只验"方向不拧巴"）——影像与临床叙事的粗对拍。三件的产出：一份抽样自证报告（进 §5.8 复现包），发现的异常回 §5.7 黑名单。自证的哲学与 504 §5.5 同源：管线产出（这里是医院数据加工链）的信不过部分用抽样换信任。

§5.6 衍生映射表的纪律

本集分析必然产生的三类衍生映射表——西英诊断对照表（§4.3 术语对齐）/药物名归一表（商品名→通用名）/单位换算表（§4.11 ①）——映射表本身就是研究产出（可发表的方法学组件）。三条纪律：纪律一（版本化）——映射表随代码库版本管理（改动即版本+1，分析结果与映射版本绑定）；纪律二（双向可溯）——每个映射条目记原始值→映射值的证据（人工判定/词典命中/频率统计）；纪律三（发布边界）——映射表是"键值对"层面可发布（无个案信息），但映射时的原始自由文本样例若含患者语境需脱敏（§8.5 红线三的具体化）。映射表纪律的普适性：本系列任何"英译/编码/归一"类条目（499 CIED、5xx 的 NLP 组）都适用——方法学注记存此。

§5.7 错误黑名单（本集特有十条）

①把 4,479 说成"4,479 名患者"（口径越界 §3.5）；②切片级随机划分（纵向泄漏 §5.2 层一）；③忽略 CT 缺失机制直接做"全住院"影像结论（选择偏差 §4.4）；④混用首末值与轨迹特征的时间方向（§3.2）；⑤诊断表直接 groupby 不做术语对齐（§4.3）；⑥把 X 光 4,608 当训练集起步（量级误判 §4.5）；⑦假设时间戳是绝对日期（§3.7 缺口④）；⑧跨集合并不做单位/术语映射（§4.11 ①②）；⑨引用时名字与 DOI 的时代错配（§1.2）；⑩把论文 CC BY-NC-ND 当数据许可（§3.10 易错二）。十条黑名单的共同源头：多系统+翻译+最严访问档的复合复杂度——黑名单写进团队的 code review checklist，装载周全员过一遍。

§5.8 可复现包模板

cdsl_project/
├── data/                     # v1.0.0 固化副本（DUA 下本地存放，不入库 git）
│   ├── tables/               # 六表+附加表 CSV
│   ├── imaging/              # JPG 目录树+元数据文件
│   └── MANIFEST.md           # 下载日期/校验和/版本三元组
├── covidhm_v3_code/          # 官方代码包（只读引用）
├── src/
│   ├── load/                 # 六步装载脚本（§5.1）+对账十连（§3.11）
│   ├── mapping/              # 衍生映射表（§5.6，版本化）
│   ├── features/             # EHR 窗口特征/影像池化特征（§5.3）
│   └── split/                # group-aware 划分（§5.2 三层）
├── results/                  # 表格/图/中间产物（append-only）
├── compliance/
│   ├── hm_proposal/          # HM 委员会提案与批复（§3.9）
│   ├── dua_citi.pdf
│   └── publication_review.md # 发表前的红线自查（§8.5）
├── docs/
│   ├── data_dictionary/      # §3.13 自动生成的字段 Wiki
│   └── self_check_report.md  # §5.5 抽样自证报告
└── README.md

与 504 模板的差异：compliance/ 目录是本集特有的一级目录（Contributor Review 的提案-批复-自查三件套存档）——合规文件与代码同级是本集使用模式的制度现实。

§5.9 教学场景的最小实验

三个实验（Contributor Review 未获批前可做前两个）：实验一（结构设计研究）——用版本页+论文的表结构描述，让学生画 ER 图并预测每表的行数量级——装载数据前先会"读地图"（2 小时）；实验二（方法学对照）——对比 MIMIC-CXR-JPG 与 CDSL 的转换方法文档，写 500 字复刻报告（“同与异"清单）——数据工程的方法论训练（2 小时）；实验三（获批后：多模态首跑）——784 个 CT 住院里抽 100 个，EHR 窗口特征+CT 切片池化特征拼表，跑 ICU 转入的逻辑回归基线——多模态的最小完整闭环（1 天）。实验序列的设计逻辑：地图→方法论→闭环——多模态数据集的教学使用比单模态多一步"整合度认知”。

§5.10 与 505 前四篇的批次五联合装载

批次五五篇的联合视图（对已经装载 502-504 的团队）：联动一（掩码×X 光）——502/503 的掩码生态给本集 X 光子集补解剖层（§4.12 实验一）；联动二（评测×语境）——504 的评测协议给本集的多模态模型出"过程考卷"（EHR 语境下的推理评测设计——504 协议的语境扩展，贡献回 504 的生态）；联动三（方法学共享）——本集 §3.6 的 MIMIC 复刻与 501 的 MIMIC 生态同源——三篇的 MIMIC 相关性在本集合龙（批次五的 MIMIC 亲缘度：501 高/504 中/本集高）。联合装载的工程顺序建议：本集装载→联动一（掩码层增值）→联动二（模型评测）——从数据到资产到审计的批次五完整走法。

§5.11 两周排期表：申请到首份多模态结果

W1 前置周（审批等待期并行做）：CITI 证书+DUA（标准件 1-2 天）→HM 提案撰写与提交（3-4 天，§3.9 四要领）→文献与表结构的预研（实验一/二）。W2 获批周：下载与校验（0.5 天）→六步装载（3 天）→对账十连+字典（1.5 天）→§5.3 配方的基线首跑（1 天）——两周的终点是"多模态逻辑回归基线的混淆矩阵"。排期的关键路径：HM 委员会的审批（不可控，数周至数月）——所以 W1 的所有动作都设计成"等待期的并行工程"，审批不是 idle 而是预研窗口。与 504 排期（§5.12，一周）的对比：多出的一周=提案撰写+审批缓冲+装载增量——Contributor Review 的时间成本在排期表里显形。

§5.12 故障演练四项

演练一（键归一失败）——附加表 patient_id 带系统前缀时 join 失败的排查路径（前缀剥离/映射表兜底，§3.4）；演练二（时间轴异常）——日期去标识后出现负时序（ICU 出科早于入科类）的识别与处理（官方逻辑校验重跑+异常住院隔离清单）；演练三（JPG 计数不符）——影像清单与版本页口径差 N 张的处置（先查清单脚本的路由规则，再查 ZIP 解包完整性，最后提交官方——升级路径预演）；演练四（审批材料退回）——HM 委员会要求补充材料的响应流程（48h 内补交的模板：常见补件项=字段清单细化/伦理文件补充/数据安全措施具体化）。四演练的目的与 504 §5.13 同构：把第一次故障留在演习场。

§5.13 提案审查的准备度自评（提交前八问）

Contributor Review 提案提交前的自评清单：①研究问题与数据的匹配度一句话说得清吗？②数据范围是否最小化（表×影像子集的明确清单）？③隐私方案有可执行细节（环境/输出/防护）吗？④输出物的四类判定（§8.3）预先自判了吗？⑤团队资质（CITI/DUA/经验）列全了吗？⑥时间计划含结果分享承诺吗？⑦英文（或西语）表达达到委员会可读了吗？⑧被拒的 Plan B（范围缩减版）准备了吗？八问全过再提交——审查的第一轮筛掉的是"没想清楚"，不是"不够好"。

§5.13 六表逐一的字段速查与首跑示例

patient_01（主表）——标识/人口学/入院/ICU/首末值五段（§3.2）——首跑：SELECT COUNT(*) FROM patient_01; 应得 4,479。

diagnosis_er——急诊诊断（西→英）——首跑：top-10 诊断频率表（建立术语直觉）。

diagnosis_hosp——住院诊断——首跑：与 er 的表内交集统计（诊断漂移的量级预判）。

vital_signs——体征长表——首跑：按测量项的记录数分布+单位清单（单位混入检查 §3.11 ⑧）。

medication——用药长表——首跑：top-20 药名频率（英译归一化的工作量预估）。

lab——检验长表——首跑：CRP/D-dimer/淋巴细胞三项的可用性检查（COVID 研究三件套）。

六条首跑合计约 30 分钟 SQL——装载完成后的第一个动作不是建模，是这六个"数据体温计"：每个异常都回写进对账清单与团队 Wiki。

§5.14 影像侧装载的目录树设计

imaging/
├── manifest.csv          # 从官方清单生成：文件名/模态/住院ID/检查ID/层号
├── ct_slices/            # CT 切片（1,440,156）
│   └── {patient_id}/…    # 按住院分目录（装载脚本重组）
├── xray/                 # X 光（4,608）
│   └── {patient_id}/…
├── dicom_meta/           # DICOM 元数据文件（§4.6）
└── checks/
    ├── count_report.md   # 计数对账（§3.11 ③④）
    └── sample_audit.md   # 抽查 100 张的审计记录（§3.11 ⑤）

设计的两条原则：原则一（清单先行）——manifest.csv 是全部影像操作的入口（不遍历文件系统）——清单与磁盘的差异就是对账报告；原则二（按住院重组）——官方交付的目录结构按装载便利重组为按住院分组（保留原始结构的映射列）——group split（§5.2）与检查级聚合（§4.4）都以重组后的树为操作对象。

§5.15 时间字段的三层验证协议

§3.7 缺口④的实证方案（装载周完成）：层一（类型确认）——时间字段的格式盘点（datetime/相对天数/偏移秒——从样本推断官方处理方式）；层二（间隔保真）——同住院内的时序关系验证（入院<ICU 入<ICU 出<出院的偏序保持率——99%+ 为合格线）；层三（跨住院可比）——不同住院的时间轴是否同一原点（绝对偏移 vs 每住院独立原点——决定跨患者的时间对照分析是否可行）。三层产出一页"时间字段能力声明"（可做什么/不可做什么），写进团队 Wiki 与论文的 methods——时间能力的自觉声明是审稿人问询的高频点（§7.14）。

§5.16 从对账到发表：证据链的封装顺序

本集研究的发表材料准备顺序（证据链自下而上）：第一层（数据证据）——对账十连报告+抽样自证报告（§5.5）——"数据可信"的基础；第二层（方法证据）——时间字段声明（§5.15）+映射表（§5.6）+划分协议（§5.2）——"方法可信"的中坚；第三层（结果证据）——波次分层+敏感性分析+锚检查（§7.15/§7.22）——"结论可信"的上层；第四层（合规证据）——审批编号+发布边界自查（§8.5）——"使用正当"的外层。四层封装成 §7.23 八段式报告——每层都是独立可查的文件（复现包的对应目录）——审稿质询时按层取证（§7.14 四问四答的弹药库）。封装顺序的工程意义：下层不稳不上层——对账没过不跑模型，锚没建不写讨论——证据链的施工顺序=论文的写作顺序。

§5.17 分析侧的目录树与命名规范

analysis/
├── 01_eda/               # 探索分析（§5.13 六体温计）
│   ├── tab_counts.sql
│   ├── term_freq.csv
│   └── unit_check.md
├── 02_cohort/            # 队列定义（§3.5 口径+§7.15 波次）
│   ├── cohort_def.sql    # 纳排标准的代码化
│   ├── wave_split.csv
│   └── flow_diagram.png  # 流程图（CONSORT 式）
├── 03_features/          # 特征工程（§5.3 配方）
│   ├── snapshot_feats.sql
│   ├── window_feats.sql
│   └── img_pool_feats.py
├── 04_models/            # 基线族（§7.3 三层）
│   ├── lr_baseline.py
│   ├── gbdt_baseline.py
│   └── fusion_baseline.py
├── 05_eval/              # 评估（§5.2 group split+§7.22 锚）
│   ├── split_manifest.csv
│   └── anchor_checks.md
└── 06_report/            # §7.23 八段式
    └── calibration_report.md

命名三规范：规范一（数字前缀）——目录按流水线顺序编号——新人 30 秒看懂执行顺序；规范二（cohort 即代码）——队列定义必须是一段可执行的 SQL（cohort_def.sql）而非文档描述——纳排标准的任何歧义在代码里无处藏身；规范三（split 清单化）——划分结果固化为 split_manifest.csv（住院 ID+归属 fold）——所有模型实验读同一份清单，杜绝"每次划分不同"的隐性不可比。三规范与 §5.6 映射表纪律、§7.3 日志基建（504）共同构成"分析工程的三件基础设施"——多模态研究的复杂度是单模态的两倍以上，基础设施的回报率更高。

§5.18 六表装载的 SQL 速查（八条常用）

1. 主表行数验证（§3.11 ①）：

SELECT COUNT(*), COUNT(DISTINCT patient_id) FROM patient_01;
-- 期望：4479 / 4479（两值不等=重复住院标识，立即上报）

2. 外键完整性（§3.11 ②）：

SELECT COUNT(*) FROM diagnosis_hosp h
LEFT JOIN patient_01 p USING (patient_id)
WHERE p.patient_id IS NULL;  -- 期望 0

3. 诊断 top-20 频率（术语直觉+译法检查）：

SELECT diagnosis, COUNT(*) AS n
FROM diagnosis_hosp GROUP BY diagnosis
ORDER BY n DESC LIMIT 20;

4. 单位混入检查（§3.11 ⑧）：

SELECT measure_name, unit, COUNT(*) AS n
FROM vital_signs GROUP BY measure_name, unit
ORDER BY measure_name, n DESC;
-- 同一 measure 出现多 unit = 单位事故现场

5. 时序偏序验证（§5.15 层二）：

SELECT COUNT(*) AS bad_order FROM patient_01
WHERE icu_in < admission OR discharge < icu_out;
-- 期望 0（负数=时序倒置清单）

6. CT 住院覆盖（§3.11 ④）：

SELECT COUNT(DISTINCT patient_id)
FROM imaging_manifest WHERE modality = 'CT';  -- 期望 784

7. 波次切分（§7.15）：

SELECT CASE WHEN admission_dt < DATE '2020-07-01'
            THEN 'wave1' ELSE 'wave2' END AS wave,
       COUNT(*) FROM patient_01 GROUP BY 1;

8. 化验三件套可用性（COVID 研究核心变量）：

SELECT lab_name, COUNT(DISTINCT patient_id) AS covered
FROM lab WHERE lab_name IN ('CRP','D-dimer','lymphocytes')
GROUP BY lab_name;

八条 SQL 的共同设计原则：每条都是"期望值明确"的断言式查询（期望值写在注释里）——对账不是探索是验证，断言式 SQL 让装载周的对账可以脚本化批量执行（§5.1 步四的自动化版本）。

§5.19 常见装载错误的五条现场识别

现场一：行数对不上官方数——先查纳排条件是否被无意引入（装载脚本的 WHERE 泄漏）→ 再查编码问题（CSV 引号内的换行被拆行）→ 最后查官方数字的口径（§3.5 的患者 vs 住院）。

现场二：join 后行数膨胀——一对多表的重复 join（诊断表多次 join 主表未去重）——用"join 前后行数对账"的两行模式防：join 前记录行数，join 后立即 COUNT 对比。

现场三：中文/特殊字符乱码——英译数据里残留西语字符（重音字母）的编码处理——UTF-8 全链路声明+装载后抽样 grep 重音字符分布。

现场四：日期解析歧义——日/月顺序的欧美差异（03/04/2020 是 3 月还是 4 月）——从时序偏序验证（§5.15 层二）反推：大量 ICU 入科早于入院的"倒置"多半是日月倒置。

现场五：影像清单孤行——manifest 里的文件在磁盘上找不到（或反之）——先查大小写（Linux 敏感/官方清单大小写不一致的常见坑）→ 再查路径分隔符/压缩包层级——孤行清单进 §3.11 对账报告的异常区。

五现场的通用第一动作：回到最小复现（单个文件/单条记录的手工处理对照脚本输出）——装载错误的排查永远是"缩小-对照-修复"三步循环。

§6 官方成绩单与战略视角：读透一个"慢数据"的战略价值

§6.1 官方表述的精确拆解：三句定位与限定词链

论文与版本页的自我定位拆成三个可独立引用的命题：命题一（first 声明）——“the first multimodal open COVID-19 repository shared among researchers worldwide”——限定词链 multimodal+open+repository 三重限定（§1.7 排位赛的完整分析），引用必须带全链；命题二（规模声明）——“4,479 unique hospitalized patients”（Methods）与"4,479 住院记录"（摘要）的两口径并存（§3.5 对账协议），引用选"住院记录"口径并标注；命题三（方法声明）——JPG 转换 “following the approach of the MIMIC-CXR-JPG repository”（§3.6 逐项对照）——方法学谱系的官方署名。三命题的引用场景：命题一用于综述的"疫情数据运动史"段落；命题二用于规模对比表（带口径注）；命题三用于数据工程的方法学引文。三个命题各带一个"引用陷阱"（first 的简化、口径的混用、许可的张冠李戴）——§5.7 黑名单的①⑨⑩就是这三个陷阱的行为化。

§6.2 自证边界：官方验证与独立审计的空白

Sci Data 技术验证（§4.8 三面）是官方自检——独立第三方审计的空白点三个：空白一（英译层）——术语保真度无外部审计（§2.5），对术语敏感的研究（流行病学计数/NLP）这是最大空白；空白二（缺失机制）——CT 覆盖 784/4,479 的选择机制无官方分析（§4.4），多模态研究的偏差控制全靠研究者自查；空白三（再识别残余风险）——4,479 规模的单国队列的去标识充分性无公开的红队测试（Contributor Review 的逐案审查部分代偿，§2.7）。三个空白的机会面：每一条都是一篇方法学论文的选题（英译术语审计/缺失机制建模/去标识风险评估）——§6.5 机会地图的源头。自证边界的通用教训：数据描述文的验证章节是"出厂合格证"，不是"终身质保"——本系列的 502（三层验证）、504（1,200 case 复核）与本集的验证力度对比，构成"标注级验证>管线级验证>描述级验证"的验证力度谱系。

§6.3 引用结构：四件套与时代配对

引用链四件（§3.10 清单的组装逻辑）：数据 DOI（10.13026/1176-6c44）+论文 DOI（10.1038/s41597-026-08184-1）+RRID（SCR_007345）+代码（CovidHM_V3-code）——四件各司其职不可互替。本集特有的时代配对纪律（§1.2 漂移史的引用侧）：2020-2024 的文献里 “Covid Data Saves Lives” 的引用不指向 PhysioNet DOI（那时没有）——如果引用一篇 2021 年用 alpha 版数据的研究，引用对象是 HM 官网的 alpha 版（无 DOI），与 v1.0.0 是同一资产的两个发布事件——文献综述里要区分"用过 alpha 版的早期研究"与"用过 v1.0.0 的正规渠道研究"（两批研究的数据处理语境不同：alpha 版无 PhysioNet 的去标识审计与 DUA 框架）。时代配对是本集对引用者的额外认知税——也是命名漂移类资产（§6.16 时代定位）的共性成本。

§6.4 与 492/495 的选型矩阵：两种 EHR 范式的采购指南

MIMIC-IV 生态（492/495）与本集的选择矩阵：维度一（规模）——MIMIC 数十万人次 vs 本集 4,479 住院——量级不在一个宇宙（MIMIC 碾压）；维度二（疾病语境）——MIMIC 全病谱 ICU vs 本集 COVID 住院全谱（含非 ICU）——研究 COVID 急性期，本集的疾病特异性组织（诊断/用药的疫情时代结构）更浓；维度三（影像）——MIMIC-CXR 的 X 光专精 vs 本集 CT 为主——CT 研究只能选本集；维度四（时序深度）——MIMIC 的 ICU 高分辨率时序 vs 本集的四系统混合节奏——ICU 时序分析选 MIMIC；维度五（访问）——Credentialed vs Contributor Review——获取成本本集显著更高；维度六（人群域）——美国波士顿 vs 西班牙马德里——泛化性研究的地域对照价值。矩阵的采购结论：默认 MIMIC，本集补三样——CT 影像、COVID 时代语境、欧洲私立体系的地域域——三样都要时本集不可替代。

§6.5 机会地图十向

按门槛排序的十个方向：①装载对账报告（§3.11 十条的执行报告发表——数据描述文之后的"用户验证文"，Sci Data 的 brief comun 短文或 Zenodo 报告形态）；②英译术语审计（§6.2 空白一，诊断/用药术语的西英映射质量评估——NLP 方法学的现成选题）；③CT 缺失机制建模（§6.2 空白二，缺失数据的机制推断与敏感性分析——统计方法学选题）；④CT 切片自监督预训练（144 万切片的 2D 表示学习+下游 ICU 预测——ML 主线选题）；⑤多模态基线族（§5.3 配方的完整基线表发表——"第一个 CDSL 多模态基线"的占位价值）；⑥X 光解剖层自制（§4.12 实验一，502 生态的迁移落地——批次五内部联动选题）；⑦诊断漂移研究（§4.3 双段诊断的疫情期演变——卫生服务研究方向）；⑧跨集域适应（MIMIC→CDSL 的结局模型迁移，§5.4 姿势二——域泛化选题）；⑨去标识风险评估（§6.2 空白三——隐私技术方向，需 HM 合作）；⑩数据民主化的社会学案例（私立集团开放数据的治理案例研究——数据政策方向）。①②③门槛最低（数据在手即可开工），④⑤算力门槛，⑨⑩需合作与跨学科。

§6.6 团队与治理的延续性观察

HM Hospitales 的数据科学治理结构（委员会/伦理双轨）是私立集团开放数据的治理样本：观察一——HM Data Science Commission 的运作透明度（审批标准未公开——§8.2 的透明度建议）——委员会本身的"数据集"是另一个可研究对象；观察二——论文作者名单的扩编（4→et al.）暗示数据整理团队的规模——私立集团的研究办公室模式（临床+数据科学混合）与美国学术医学中心（MIMIC 的 BIDMC）的团队形态对照；观察三——无外部资助（§1.9）意味着无基金监管的产出压力——六年半节奏的组织学解释。三观察的合成判断：HM 的开放数据是战略型而非产出型——预期其后续动作（第二期数据/新病种集）取决于集团战略周期而非学术 KPI——使用者的期待管理与 §10.7 观察清单的设计都基于此。

§6.7 可见度的剂量-反应曲线：批次五三连的启示

Views 的三连对照（2026-09-22 快照）：502（Open）——系列早期流量级；504（Credentialed）——Views 73；本集（Contributor Review）——Views 59。三档访问的三档可见度构成干净的剂量-反应曲线：访问门槛每升一档，可见度掉一截——门槛的三重作用（合规过滤/认知负担/获取周期）叠加出流量的天花板。曲线的另一面：低 Views ≠ 低价值——Contributor Review 档的数据通常是"高敏感高独特"资产（再识别风险高的珍贵队列），其价值实现依赖"少而精的使用者"而非"多而广的流量"。对系列编辑的启示：Top 1000 的收录标准里"可见度"权重应低于"独特性"——本集（Views 59）与 502（Open 高流量）的收录理由同为"不可替代性"，不是流量。对数据贡献者的启示：若目标是学术影响力最大化，Contributor Review 档要配套主动的论文+会议推广（本集论文刚见刊 14 天——推广窗口正在打开，§10.7 观察引用曲线）。

§6.8 坑点八条：多模态+最严档的复合陷阱

坑点 1：口径越界——“4,479 患者vs住院记录”（§3.5，最高频错误）；坑点 2：切片随机划分——纵向泄漏让成绩虚高（§5.2 层一）；坑点 3：缺失机制盲区——CT 784 的选择偏差未建模直接下结论（§4.4）；坑点 4：时间轴假设——把去标识日期当绝对时间用（§3.7 缺口④）；坑点 5：术语直采——诊断/用药字段不清洗直接 groupby（§2.5/§4.3）；坑点 6：量级误配——X 光 4,608 当训练集/144 万切片吓自己（§4.5/§4.4 的三级池换算）；坑点 7：许可错位——论文许可当数据许可/alpha 文献配 v1.0.0 引用（§3.10）；坑点 8：审批低估——把 Contributor Review 当 Credentialed 的周期规划（数周 vs 数月的排期差异，§5.11）。八坑的共性：没有一个坑是"数据不好"造成的——全是"数据很真实+治理很严格"的复合代价——真实与严格的成本要写进项目预算（时间与认知双重）。

§6.9 使用前自查十问

①我的研究问题需要 CT 还是 X 光就够？（X 光量小，CT 才是本集主场）；②我接受数月的审批周期吗？（排期现实 §5.11）；③我的提案书写到"字段级+方法级"了吗？（§3.9 四要领）；④我的分析对时间粒度的要求是？（§3.7 缺口④的先行确认）；⑤多模态样本量 784 够我的统计功效吗？（§4.4 住院池换算）；⑥我有清理术语/单位漂移的工程预算吗？（§4.11 八条）；⑦我的划分是 group-aware 吗？（§5.2）；⑧我的产出（图表/模型/映射表）过得了 §8.5 红线吗？；⑨结论的时效声明带 2019-12~2021-02 时间戳了吗？（§2.10）；⑩本集真的是最优选吗？（§6.4 矩阵——MIMIC 优先性自查）。十问的淘汰率设计：预期 3-4 问会让部分读者放弃——劝退也是条目的功能（错配的使用对双方都是浪费）。

§6.10 故障诊断树：五岔口

岔口 A：join 后行数爆炸/清零→ 附加表键前缀（§3.4）→ 键归一；岔口 B：时序分析结果"反常识"→ 时间轴粒度与方向假设（坑点 4+§3.2 首末值）→ 先跑 §4.8 一致性校验；岔口 C：影像计数与官方不符→ 清单脚本路由→解包完整性→官方通道（§5.12 演练三）；岔口 D：模型成绩异常好→ 划分泄漏（§5.2 三层）→ group-aware 重切；岔口 E：审批被退→ 补件模板 48h 响应（§5.12 演练四）→ 提案要领自查。五岔口的第一动作同 504：版本三元组核对（v1.0.0/论文 2026/你的代码版本）。

§6.11 静态资源与维护模型：单集团自筹的长期主义

本集的维护模式评估：信号一（活维护）——v1.0.0 挂牌至今无勘误级更新（未见 changelog 动作）+论文 2026 见刊（论文层面的活跃）；信号二（静维护）——GitHub/代码包的更新节奏未知（研究代码的常规静止）；信号三（治理活）——Contributor Review 的逐案审查在持续（每次申请都是一次交互——维护的"人件"在运转）。三信号的合成：数据冻结+治理存活的混合模式——数据本体不会再变（时间窗封闭），治理通道活着（委员会在收案）。长期风险的单一暴露点：HM 集团的战略周期（§6.6）——若集团研究战略收缩，委员会与下载通道的维持是最先受影响的。使用者的对冲：获批后立即做本地完整备份（DUA 允许范围内）+固化引用（v1.0.0 DOI）——把"通道消失"的风险转化为"已备份"的既成事实。

§6.12 稀缺性评估：疫情急性期数据的保值逻辑

本集的稀缺性三层：层一（时间不可复得）——2019-12~2021-02 的急性期诊疗现场已永久关闭（治疗方案/病毒株/医疗挤兑的语境不可复现）——任何急性期数据都是"考古层"；层二（形态稀缺）——住院全谱 EHR+大 CT 的组合在疫情数据家族里的独特位置（§1.7/§2.10 排位）；层三（治理稀缺）——西班牙私立集团的单集团深挖样本（地域与体制的对照价值）。保值逻辑：层一保证数据的历史价值只增不减（疫情回顾研究的长尾需求），层三保证对照价值（欧洲私立体系的数据民主化样本）。贬值风险：若未来出现更大规模、更开放的多国 COVID CT 联盟数据（聚合级），本集的层二稀缺被稀释——缓解：单集团深挖的粒度（四系统轨迹）是聚合数据永远给不了的。综合评级：长尾保值型资产——使用窗口不在"现在很热"而在"十年后回顾研究时它还在"。

§6.13 批次五终版对照：五篇的完整拼图

维度	502 掩码	503 -U	504 评测	505 本集
类型	Database	Database	Challenge	Database
核心交付	657,566 掩码	+地标 std	18,988 QA	4,479 住院+144 万 JPG
模态	胸片	胸片	胸片（QA）	EHR+CT/X 光
访问	Open	Open	Credentialed	Contributor Review
论文	Sci Data 2024	无论文	NeurIPS 2025	Sci Data 2026（14 天前）
Views	高	高	73	59
DAIMS	6.3	6.5	6.3	5.9

五篇（含 501）的叙事收束：501 给"分割任务的原料"→502/503 给"掩码资产及其公差"→504 给"推理考卷"→本集回到"真实住院的多模态全谱"——从像素到考卷再回到病床。批次五的终极信息：胸片研究的每个环节（分割/评测/多模态）都有独立的数据供给，而供给的访问档位与任务敏感度严格正相关——掩码开放、考卷设槛、病床数据最严。

§6.14 十问十答

Q1 一句话这是什么？——西班牙私立医院集团把疫情最早期 4,479 份住院的 EHR 六表+144 万张 CT/X 光，以 PhysioNet 最严档开放共享的六年半长征成品。Q2 有现成标签吗？——没有标注层，只有 EHR 原生诊断/用药/检验（§2.8 任务面）。Q3 和 MIMIC 怎么选？——默认 MIMIC，本集补 CT/COVID 语境/欧洲域三样（§6.4）。Q4 拿到数据要多久？——标准件快、HM 审查数周至数月（§3.9/§5.11）。Q5 能做深度学习吗？——CT 切片自监督/多模态融合可以，胸片大模型训练不行（量级 §4.5）。Q6 4,479 是患者还是住院？——住院记录，患者数 ≤4,479 官方未给（§3.5）。Q7 时间戳能用吗？——相对间隔可用，绝对日期假设不行（§3.7）。Q8 数据会更新吗？——时间窗封闭，冻结资产预期（§3.12）。Q9 最容易犯的错？——切片随机划分（§5.2）与口径越界（§3.5）。Q10 为什么 Views 才 59？——最严档的门槛天花板，低流量≠低价值（§6.7）。

§6.15 增量策略：三种角色的接入深度

角色一（回顾研究者）：申请→装载→单模态（EHR 或影像）的回顾分析——3 个月周期，产出回顾论文；角色二（多模态建模者）：角色一+§5.3 配方+跨集迁移（MIMIC 预训练）——6 个月周期，产出方法论文；角色三（生态共建者）：角色二+§4.12 互验实验+映射表/基线的社区回馈（§5.6 纪律三的合规发布）——一年周期，产出方法学组件+对本集生态的增值（自制解剖层/基线表/审计报告）。三角色的人力梯度 1:2:4——角色三的贡献回授（基线表/审计）是本集生态从 0.5 分（DAIMS 生态维）爬升的唯一路径。

§6.16 时代定位：疫情数据运动的两阶段标本

本集是疫情数据运动史的两阶段标本：阶段一（2020-04，紧急主义）——"数据救命"的口号式共享（alpha 版）；阶段二（2024-10，制度化）——PhysioNet 挂牌+最严档治理+六年半后的方法学论文（命名都从口号改成了学术措辞）。两阶段的间隔（四年半）本身是研究素材：数据共享的"运动→制度"转轨为什么这么慢？（答案在整理成本/治理设计/科学优先级的张力里——§1.3 年表的读法）。横向对比：多数 2020 紧急主义数据集死在了阶段一（无治理、无维护、无论文），本集走完全程的概率（论文已见刊）让它成为"转轨成功"的少数样本——它的六年半不是低效，是制度化的真实成本。对未来的启示（长新冠/新发病数据）：制度成本要提前计入，"先发布后治理"的欠账模式（阶段一）在文献里留不下可引用的资产。

§6.17 上游依存：四系统与一个集团

依存链：四套医院信息系统（数据源，已固化进 v1.0.0——断供不影响存量）→ HM 集团治理（委员会/伦理——通道层，活依赖）→ PhysioNet 平台（分发层，平台级稳定）→ MIMIC 方法论（方法引用，文献级依赖——MIT 脚本公开在，依赖无风险）。四级的断供推演：数据源断供无影响（冻结资产）；治理断供（§6.11 风险）影响新申请者不影响已获批者；平台断供（极低概率）影响分发；方法论无断供概念。整体：存量安全性高、增量通道依赖单一集团——依存画像与"冻结资产"定位（§3.12）自洽。

§6.18 先发与攻防：后来者的位置策略

攻（批判空间）：英译审计（§6.2 空白一）/缺失机制（空白二）——两篇批判性论文的选题窗口（数据新见刊，审计类工作引用红利期）；防（避免同质化）：别做"又一个 COVID 影像分类模型"（家族里已饱和，§2.10）——差异化点在多模态整合与欧洲域；借（协议复用）：§5.6 映射表纪律/§5.2 group split/§5.3 配方——三件方法学组件可直接搬进自有项目（引用本集作为协议出处）；合（直接共建）：向 HM 委员会提交补充提案（附加表文档/英译对照表的官方化——§7.17 提案），成为生态贡献者。排序：借>合>攻>防（与 504 §6.18 同序——生态位建设的通用次序）。

§6.19 五种消费形态

①流行病学回顾样本（公卫研究者）——急性期住院谱的时间切片，结果的时代分层；②多模态原料库（ML 工程师）——EHR×CT 的融合实验场（§5.3 配方）；③方法学试验田（数据工程师）——MIMIC 复刻的对照研究/装载对账的方法论论文（§6.5 ①③）；④治理案例（数据政策学者）——私立集团+最严档+命名漂移的完整标本（§6.16）；⑤教材（医学信息学课堂）——“真实医院数据的整合度"教学样本（§5.9 实验一二）。五种形态的受众跨度提示：本集的百科条目要同时服务"想拿数据的人"与"想研究数据治理的人”——后者常被忽略，本条目 §1/§6.16 是给后者的。

§6.29 影像覆盖的"公平性投影"：谁能做上 CT

17.5% 的 CT 覆盖在患者结构上的分布（若元数据保留院区/科室线索）可以回答一个医疗资源分配的问题：“疫情峰值期，谁获得了 CT 评估”——按年龄/性别/入院波次的 CT 覆盖率分层是零成本的现成分析。预期发现（C 级推断）：波峰期覆盖率下降（资源挤兑）+高龄组覆盖上升（重症优先）——这类"资源分配的影像学投影"是公共卫生文献少见的角度（影像数据通常只被用来做诊断，很少被用来做资源审计）。CDSL 的 EHR+影像双结构让这种分析成为可能——影像的有无本身就是一条流行病学证据。

§6.30 "第一"的排位赛：多模态开放新冠库的先后考证

版本页自述 “the first multimodal open COVID-19 repository to be shared among researchers worldwide”（论文 Background 同）——这个 “first” 的考证边界：alpha 2020-04 的时点确实早于多数同类（Isaric 临床库、各影像库的公开时间多在 2020 下半年后），但"multimodal open"的定义弹性（影像+EHR 的完备度门槛）让排位赛难以绝对化。学术引用的稳妥表述：“among the earliest publicly accessible multimodal COVID-19 datasets”——把第一让给考证，把早期留给自己。这个表述策略与 502 篇的 CXLSeg"最大"限定词（§2.2）同款：排位声明永远带限定词。

§7 实验提案库：二十四个可直接开工的方向

§7.1 五种喂法：多模态数据集的五种使用姿势

喂法一（单模态深耕）——只用 EHR 六表做结局预测（ICU 转入/死亡）——最低成本的基线线；喂法二（影像单模态）——CT 切片自监督+检查级下游——算力前置的影像线；喂法三（早期融合）——§5.3 配方：特征拼接+GBDT——多模态的最快闭环；喂法四（跨集迁移）——MIMIC 预训练→本集微调（§5.4 姿势一二）——域适应线；喂法五（方法学输出）——装载对账/术语审计/缺失机制（§6.5 ①②③）——不训模型的方法学线。五喂法的启动成本梯度：一<三<二<四<五（五是认知门槛最高但算力最低）。选择心法：先喂法一摸数据脾气，再按研究问题选二/三/四，方法学训练有素选五。

§7.2 30 分钟最小实验：把 ER 图画出来

获批前即可做：读版本页字段描述+论文表格，手画六表+附加表的 ER 图（主键/外键/一对多关系），然后写一页"预装载报告"——预测每表的行数量级与装载风险点（§5.9 实验一的进阶版）。这份报告在获批后的装载周直接对照现实 diff——预测与现实的差距就是你对"医院数据整合"的认知增量。零成本高密度的认知实验——多模态数据集的第一课永远是结构课。

§7.3 结局预测基线族：三层递进

层一（快照基线）——patient_01 快照特征（年龄/性别/科室/首末体征）+逻辑回归→ICU 转入——10 行代码的起点；层二（窗口基线）——入院 48h 窗口的轨迹特征（§5.3：均值/极差/斜率）+GBDT——特征工程的完整展示；层三（多模态基线）——层二+CT 池化特征（784 住院子集）+早期融合——多模态增量的直接量化（对比层二在 784 子集上的成绩）。三层的产出设计：每层报告 AUROC/校准曲线/按波次（第一二波）分层的稳定性——基线族的对比表本身可发表（§6.5 ⑤）。层三的 784 子集约束（§4.4）要写进报告的 limitations——多模态增量与样本量损失的两难是本集多模态研究的永恒张力。

§7.4 CT 切片自监督：144 万张的表示学习

自监督方案的三选一：方案 A（对比学习）——SimCLR/MoCo 式实例判别——切片级表示的通吃起点；方案 B（掩码重建）——MAE 式——对医学影像的纹理学习更友好；方案 C（域内预训练+域外微调）——MIMIC-CXR 或 ImageNet 预训练→本集切片继续预训练——域适应的研究型方案。下游验证三件：切片分类（COVID 灶二分类）/检查级聚合→结局预测（§7.3 层三的升级）/特征可视化（UMAP 按波次/严重度着色）。泄漏纪律：预训练的切片池与下游 test 的隔离也按检查级（§5.2 层一在自监督里的延伸——很多人在预训练阶段漏防）。算力预算：单卡 A100 级 1-2 周的预训练起步——§7.11 预算表的影像侧大头。

§7.5 多模态融合的三阶对照

在 §7.3 层三的基础上做融合深挖：一阶（早期融合）——特征拼接——基线；二阶（晚期融合）——EHR 塔+影像塔各自预测→融合层——模态贡献度可分解；三阶（交叉注意力）——EHR 序列与影像特征的细粒度交互——参数量与数据量的矛盾区（784 样本喂不饱三阶——正则化/预训练初始化是必需）。三阶对照的研究问题：多模态增益随融合深度的变化曲线——在 784 样本的现实下，预期"一阶到二阶有增益、三阶反而退化"——这个负结果如果成立，本身就是"小样本多模态"的方法论结论（§7.12 负结果方向一的近亲）。实验的分组纪律：group split（住院级）+按 CT 缺失机制分层的敏感性分析（§6.8 坑点 3）。

§7.6 EHR 时序的"真实节奏"研究

§4.2 的采样不均匀性从"麻烦"变"研究对象"：研究一（采样密度作为信息）——ICU 高频/普通低频的密度变化本身预测病情转折（密度上升=恶化前兆？）——把元信息变成特征；研究二（缺口机制）——生命体征记录的缺口与护士配比/班次的关联（数据的社会学痕迹）——缺口不是缺失而是"医院工作节奏"的化石；研究三（时间感知模型）——连续时间模型（神经 ODE/CT-LSTM 类） vs 离散窗口在真实节奏数据上的对照——方法学论文的框架。三研究的共同卖点："真实节奏"是 MIMIC 也有的属性但少被当作研究对象——本集的四系统混合让节奏更"脏"，脏得有价值。

§7.7 诊断漂移的卫生服务研究

§4.3 双段诊断的研究化：设计——er→hosp 的诊断演变矩阵（急诊印象→出院结论的转移概率）+按波次分层（第一二波的演变差异）+误诊/漏诊的结构画像。产出三张图：转移热图/漂移时序/典型漂移案例的术语对照（西英）。研究的公共价值：疫情压力下的诊断质量与编码行为——卫生服务研究的经典问题在疫情语境的加强版。数据门槛：诊断表的术语对齐工作量前置（§4.3——这个实验的真正成本在 NLP 预处理）。与 CARMEN-I（西语 NLP）的联动（§2.5）：若能回溯西语原文（向 HM 提案），漂移研究可以直接在西语层做，英译层当验证。

§7.8 跨集域适应：MIMIC→CDSL 的迁移链

§5.4 姿势一二的研究化设计：链条一（预训练域差）——MIMIC-CXR 预训练编码器在本集 X 光上的零样本特征质量（域差的直接量化）；链条二（微调增益曲线）——本集标注极少的现实下，微调样本量扫描（16/64/256/全量）的增益曲线——小样本域适应的实用指南；链条三（并集训练的反向对照）——MIMIC+CDSL 并集 vs 各自单独——异质性的代价与增益。三链条的共同技术底座：转换方法同构（§3.6）排除"转换域差"混杂——这是本集相对其他外部验证场的独特优势（域差纯净）。合规注记：跨集 DUA 复查+HM 提案写明联合设计（§5.4）。

§7.9 LLM 语境扩展：把 EHR 变成推理考题

504 的推理评测协议与本集的接口实验：设计——抽样住院记录，把六表的窗口数据渲染成结构化病历文本（模板化，非生成）→让 LVLM 做"给定这些化验/体征+CT 切片，判断 ICU 转入并给出步骤"——把 504 的"准则→解剖→测量"三步改为"化验→影像→判断"的医疗语境版。实验的两个卖点：其一——504 协议的语境扩展验证（评测协议的可迁移性）；其二——本集 EHR 的"真实语境"给推理评测增加现实复杂度（504 的考卷是影像内语境，这里是全语境）。风险预告：LLM 长上下文里表格数据的丢失率（needle-in-haystack 现象）要先测——表格渲染格式（Markdown/键值对/JSON）的对照是实验的前置子实验。合规注记：EHR 内容进 LLM API 的数据出境问题——Contributor Review 语境下要过 HM 委员会（提案里写明 API 供应商与数据处理协议，§8.4 GDPR 专节）。

§7.10 自有数据的改造蓝图：CovidHM_V3 的反向利用

本集代码包的最大隐藏价值："医院数据→研究格式"的改造蓝图（§4.7 价值二）。改造实验：把自家机构（或合作机构）的 ED/EHR/ICU/RIS 四类数据，按 CovidHM_V3 的六表 schema 映射装载——产物是"你自己的 mini-CDSL"。三步改造：schema 映射表（四系统字段→六表字段）/去标识管线（§3.7 七步的复用）/转换复用（DICOM→JPG 脚本直接跑）。实验的战略价值：多中心可比格式——若多家机构都按六表 schema 改造，跨机构联合的数据工程成本从"每年重新谈判 schema"降为"映射表对齐"——本集 schema 的标准化潜力（§7.17 提案二的放大版）。

§7.11 成本预算表

以角色二（多模态建模）为基准：合规成本——CITI 免费/DUA 免费/HM 审批 0 费用但 1-3 个月时间；存储——全量数十 GB（本地盘即可）；算力——EHR 基线 0（笔记本）/CT 自监督 1-2 周 A100（云租数千元级）/三阶融合 1 周内（复用预训练特征）；人力——装载周 1 人+分析 1-2 月 1 人。总账：预算瓶颈是时间（审批）与人力（装载对账），不是算力与存储——与影像大模型研究（算力瓶颈）的成本结构互补——预算表的意义：让"等审批"的时间在预研与基线准备中变现（§5.11 W1 设计）。

§7.12 负结果四向

①三阶融合退化（§7.5）——小样本多模态的容量诅咒成立——负结果但直接指导实践；②跨集迁移无增益（§7.8）——转换同构但域差仍不可跨越（设备/人群/疾病谱）——域差的"不可约部分"测量；③英译层术语噪声淹没信号（§7.7 前置失败）——翻译层的成本上限测量；④采样密度不含病情信息（§7.6 研究一）——"真实节奏"的价值证伪。四向的共同价值：都在"多模态+真实医院数据"的方法论空白区——负结果的公布形态：技术报告/短文（§7.12 与 504 §7.12 同款哲学：附录即贡献）。

§7.13 特征字典：读本集讨论时的十二个词

住院记录（admission——本集的样本单位）/patient_id（住院标识——非患者 ID）/六表（六表 schema）/附加表（四系统剩余物）/CT 切片池（144 万的 2D 池）/检查池/住院池（三级池 §4.4）/Contributor Review（最严档）/HM 委员会（逐案审查）/alpha 版（Saves Lives 时代）/group split（住院级划分 §5.2）/映射表（术语/单位/键 §5.6）。这十二个词是本集语境的通行证——§7.14 审稿应对的高频词库。

§7.14 审稿话术模板：四问四答

Q"4,479 样本太少。"——A：住院级 4,479+CT 子集 784 的量级已在功效分析中覆盖主要效应；多模态分析的样本约束通过预训练特征+简单融合结构控制容量（§7.5）；本集的价值在语境独特性而非规模（§6.4 矩阵）。Q"CT 缺失非随机。"——A：承认（§6.8 坑点 3）；我们做了缺失机制敏感性分析（完整病例 vs 插补 vs 逆概率加权三设定），主结论方向一致；机制推断列为未来工作（§6.5 ③）。Q"英译数据可靠吗？"——A：翻译保真度官方未审计（§6.2）；我们的对策是术语频率检查（§3.11 ⑦）+关键变量的分布对照+结论限定在"英译后口径"；审计本身是我们的并行产出（§6.5 ②）。Q"为什么不用 MIMIC？"——A：用了（预训练迁移 §7.8），本集提供 MIMIC 没有的 CT 体量、COVID 急性期语境与欧洲域对照——三者的组合是研究问题决定的（§6.4）。四答骨架：口径精确+敏感性分析+限度声明+选择理由——与 504 模板同源（评测与数据研究的答辩通则）。

§7.15 提案三：波次分层的研究设计

本集时间窗（2019-12~2021-02）内部的精细化：波一（2020-03~06 西班牙第一波，医疗挤兑+方案探索）/波二（2020-11~2021-02 第二波，方案成熟化）——按入院时间分层的两个子队列对照：治疗方案谱（medication 表的时代标记）/ICU 转入率/死亡率/影像严重度分布的四维对照。研究价值：同一国家同一集团的两波对照=天然的"治疗方案演化"准实验（非随机，但时代隔离干净）。产出：波次对照的方法学论文+后续 COVID 回顾研究的分层模板。门槛：纯 EHR 分析（无影像也可），数据在手即可开工——§6.5 机会地图里被低估的一条（波次分层是所有分析都该默认做的稳健性检验，单独成文也有价值）。

§7.16 工具链选型清单

五层：装载层——pandas+PostgreSQL（官方建表脚本直接用，§3.13）/DuckDB（单机分析 alternative）；影像层——pydicom（元数据）+PIL/OpenCV（JPG 处理）+timm（预训练编码器）；时序层——tsflex/tsfresh（窗口特征）+sktime（时间感知基线）；融合层——scikit-learn（GBDT 基线）+PyTorch（塔式模型）；合规层——DUA 文档管理（版本化）+发布前检查清单脚本（§8.5 红线的 checklist 化）。反选型：勿上 Spark/K8s（数十 GB 单机足够——工程复杂度是数据规模的反函数）；勿在装载前引入深度框架（对账十连用 SQL/pandas 完成后才有资格谈模型）。

§7.17 社区三提案

提案一（附加表字段字典）——请 HM 为附加表提供字段级文档（当前最薄的文档面，§3.4）——降低装载成本的最直接改进；提案二（英译对照表官方化）——若存在内部术语映射，发布之（研究价值+重复劳动消除——§5.6 纪律三的官方版）；提案三（缺失机制说明）——CT/影像覆盖的选择判据一句话说明（“按临床指征"还是"按设备可及”——对偏差控制是决定性信息，§6.2 空白二）。三提案的共同特征：都是"低成本高杠杆"的文档级改进——Contributor Review 档的社区建设从文档开始。提交渠道：HM 委员会（提案随申请提交）或 PhysioNet 页面联系方式。

§7.18 一页纸预算：给管理者的摘要

目标（三选一）：COVID 急性期结局的波次对照研究（§7.15）/多模态 ICU 预测基线族（§7.3）/CT 自监督表示学习（§7.4）。资源：1 名数据工程师（装载 1 周+分析 2-4 周）+算力数千元级+审批 1-3 个月（关键路径）。里程碑：获批→装载周（对账十连）→基线（§7.3 三层）→主实验→发表材料。交付：可复现包（§5.8 模板）+聚合统计论文+（可选）方法学组件回馈。风险：审批周期不可控（预案：预研并行 §5.11）/术语清理工作量超预期（预案：范围收缩到核心变量）/样本量不足（预案：跨集迁移 §7.8）。性价比：数千元+数月换"欧洲 COVID 急性期多模态研究的入场券"——在疫情回顾研究的赛道里，数据获取的边际成本已经是最低档（对比：自建队列的千万级）。

§7.19 四周课程设计

Week 1（结构课）——版本页+论文精读，画 ER 图+预装载报告（§7.2）；Week 2（治理课）——PhysioNet 四档访问制度+GDPR vs HIPAA 对照+命名漂移史（§1.2/§8）——治理素养的沉浸课；Week 3（装载课，获批后）——六步装载+对账十连的真实操作（或用模拟数据演练）；Week 4（分析课）——§7.3 层一基线+波次分层的稳健性检验（§7.15 的教学版）。考核：小组提交"给 CDSL 的一个改进提案"（§7.17 三提案的方向内自选）——从使用者到共建者的身份转换练习。课程的独特卖点：用真实的最严档数据教"数据治理"——多数课程教算法不教治理，本课程反着来（§6.19 形态⑤的落地）。

§7.20 维护三提案：本条目百科侧的保养计划

提案一（论文引用曲线）——论文见刊 14 天（2026-09-08），引用与讨论的滚动观察进 §10.7 清单（季度）——见刊初期是引用红利窗口的观察点；提案二（HM 动态雷达）——HM 集团研究页/PhysioNet 通知的半年 diff（新版本/第二期数据/委员会政策变化）；提案三（生态回填）——§6.5 ①②③的方法学产出（审计/对账报告）发表后回填本条目 §10.4 变更日志（用户验证文献区）——把生态成长固化进条目。人力预算：每年约半天（与 503/504 的保养计划同规格）。

§7.21 与 502/503 的联合实验：批次五的收官联动

§4.12 的落地版排期：实验一（解剖层自制）——502 掩码模型（或 503 的带 std 版）→本集 4,608 张 X 光——产出本集的自制解剖掩码层（内部使用）；实验二（测量复刻）——504 CheXStruct 逻辑的 CTR 测量链→本集 X 光+诊断表对照（心扩大编码 vs 测量值——管线外部效度的欧洲域测试）；实验三（std 传递）——503 的不确定性方法给实验一的掩码配公差。三实验的批次五意义：掩码线（502/503）×评测线（504）×多模态线（本集）在三周内可以打通——批次五"从像素到病床"的完整叙事有了实验级的闭环。合规注记：三实验都在获批数据的分析范围内（内部增值），衍生层的对外发布走 §8.5 红线四审查。

§7.22 外部验证锚

本集分析结果的三个锚：锚一（临床共识锚）——COVID 严重度的已知临床事实（年龄/淋巴细胞减少/CRP 升高与重症的关联）作为 EHR 分析的"方向校验"——结果方向与共识拧巴时先查数据管道再谈发现；锚二（跨集一致性锚）——同一分析（如年龄-死亡率关系）在 MIMIC COVID 子集与本集的对照——跨集方向一致=结论稳健的跨域证据；锚三（官方统计锚）——西班牙官方疫情统计（感染率/住院/死亡的时间曲线）与本集波次结构的粗对照——抽样代表性的一级检验。三锚都不需要新数据授权，一周可建——先建锚再下结论（与 504 §7.22 同款哲学：可信度工程的最短路径）。

§7.23 校准报告模板：八段式（数据研究版）

发布本集研究成果的标准格式：①版本三元组（v1.0.0/论文 2026/你的代码版本）+审批编号（HM 提案号）；②口径声明（住院记录口径+患者数未披露的事实 §3.5）；③装载对账摘要（§3.11 十条的通过状态+异常清单）；④划分协议（group-aware 的层次与理由 §5.2）；⑤主结果（波次分层+敏感性分析 §7.15）；⑥锚检查（§7.22 三锚的通过状态）；⑦许可与发布边界（聚合统计/无个案信息/映射表脱敏 §8.5）；⑧复现指路（复现包+获取方式）。八段式与 504 §7.23 的差异：①多审批编号、③是数据对账而非模型校准、⑤多波次分层——评测与数据研究的报告骨架同源、血肉不同。

§7.24 一分钟版：实验库的电梯摘要

要快速起步→§7.2 画图+§7.3 层一；做多模态→§7.5 三阶对照（记住 784 的现实）；有算力→§7.4 CT 自监督；做方法学→§6.5 ①②③（审批后即可开工）；想做批次五联动→§7.21 三实验；要发论文先审稿自检→§7.14 四问四答+§7.23 八段式。全库二十四个方向的共同前置：审批通过+六步装载+对账十连——先治理后分析，先锚后结论。

§7.25 审批提案的四段书写模板（§7.17 的落地版）

把 Contributor Review 提案压缩成四段可交稿的骨架：段一（问题）——“本研究旨在 [一句话科学问题]，利用 CDSL 的 [具体表/影像子集]，回答 [具体可判定的假设]”；段二（范围）——“所需数据：patient_01 全量、lab/medication 的 [字段清单]、CT 影像的 [子集标准]。不需要：[明确排除项]”；段三（隐私）——“分析在 [环境] 进行；输出物仅 [聚合层级]；本地副本 [加密/访问控制]；研究结束 [保留/销毁] 计划”；段四（回报）——“成果将以 [论文/开源代码/结果摘要] 形式回馈，副本将提供贵委员会”。四段的每一句都是委员会审查清单（§8.2 四看）的正向应答——提案不是论文摘要，是"安心感的结构化交付"。

§7.26 影像缺失的三策略对比（多模态建模的核心决策）

策略	做法	优点	风险
缺失指示变量	"有无 CT"作为特征	保留指征信息、实现最简	指征混杂显式化不足
MNAR 建模	缺失机制联合建模	统计严谨	工程复杂、假设难验
完整案例	仅用有影像子集	无缺失问题	样本掉到 17.5%、选择偏倚

三策略的选择规则：预测部署用策略一（上线时同样面临影像缺失——指示变量是部署语义的一部分）；因果推断用策略二（指征混杂是因果链的一环，需显式建模）；探索分析用策略三（先在子集找信号再扩样本）。三策略都跑的敏感性分析是审稿人的最低期待。

§7.27 波次切点的敏感性协议

时间切分（§5.4）的切点选择做三层敏感性：切点浮动——2020-10-01/12-01/2021-01-01 三个切点各跑主实验，结论方向不变才算稳；波次整切——第一波训练/第三波测试的最狠对照（分布漂移的极限测试）；窗口长度——特征窗 24h/48h/全程三档。三层敏感性的产出是一张"切点×窗口×结论"的稳健性矩阵——结论只报在矩阵里存活的那部分。

§7.28 判定与日志的最小 schema（表格研究版）

字段	用途
hospitalization_id	分析单位（记录级口径）
wave / admission_rel	波次与相对入院时间
feature_set / model_ver	特征版本与模型版本
split / fold	划分归属
y_true / y_pred	结局与预测
imaging_channel	影像通道有无（缺失审计）
run_ts	时间戳

七字段支撑三臂消融、波次敏感性、缺失审计的全部原料需求——表格研究的日志比影像研究轻，但纪律相同。

§7.25 影像质量分层管线：给 144 万张切片建质检层

目标——用 §4.6 的 DICOM 元数据为切片池建立质量分层（官方验证之外的"用户侧质检层"）。

分层特征四级：

级一（采集参数）——千伏/毫安秒/层厚——参数异常低的切片标记"低质量采集"；
级二（灰度统计）——直方图熵/对比度/有效像素占比——过暗/过曝/空白切片的自动筛除；
级三（运动伪影代理）——相邻切片的梯度突变统计——重建错层检测；
级四（信息量）——切片方差过低（接近均匀灰度）的"空切片"标记。

产出：manifest.csv 加四列质量标记→切片池的"质检报告"（各等级的分布+与官方转换验证的对照）。

研究价值：质检层本身是可发表的方法学组件（§6.5 ①的延伸）——用户侧质检报告是数据集生态成熟的标志物；下游所有影像实验（§7.4/§7.5）都应以质检层为前置过滤——没有质检层的大规模实验，审稿人有权要求补。

合规注记：质检统计（分布/比例）可发布，切片级清单含个案路径——按 §8.5 判定协议处理（键值层可、个案层审）。

成本：PIL+numpy 的批量脚本，半天内完成级一二级，级三四各一天——装载周的可选增值项（性价比极高的第三天任务）。

§7.26 住院记录的"数字孪生"可视化：装载质量的最终检验

目标——为抽样住院记录生成一页式"住院时间线图"（人读的数字孪生），作为装载质量的最终人工检验（§5.1 步六的工程化）。

时间线的五条泳道：

体征泳道——vital_signs 的关键项随时间曲线（心率/血氧/体温）；
检验泳道——lab 的关键项散点（CRP/D-dimer/淋巴）；
用药泳道——medication 的给药时间点条码图；
影像泳道——检查时间点的标记（CT/X 光的竖线）；
里程碑泳道——入院/ED/ICU 入出/出院的垂直参考线。

读图检验清单：时序偏序正确（里程碑次序无倒置）？体征与用药的临床叙事通顺（发热后用退烧药）？影像时点与病程合理（入院早期 CT）？——每张图 3 分钟人工通读，20 张一小时的"眼见为实"。

产出：20 张抽样时间线图+通读记录（进 §5.8 复现包的 self_check_report）——审稿人与继任者的"数据活体样本"。

实现：matplotlib 五泳道模板一页代码——这是"装载质量可视化"的通用方法（本系列任何 EHR 类条目适用，方法注记存此）。

§7.27 影像-化验的时序对照研究：窗口设计模板

研究问题——CT 病灶进展与炎症指标轨迹的时序关系（谁的先行指标？）。

窗口设计五步：

锚点选择——每次 CT 检查时间为锚（784 住院的多次 CT 是天然重复测量）；
前置窗——锚前 0-7 天的化验轨迹（CRP 斜率/最低淋巴细胞）；
后验窗——锚后 0-7 天的化验轨迹（影像发现后的炎症反应）；
对照构造——同患者无 CT 期的同长度窗口（自身对照，消除患者间混杂）；
统计框架——重复测量的混合模型+住院级随机效应（§5.2 泄漏纪律的统计版）。

前置条件——§5.15 时间字段三层验证通过（窗口分析对时间粒度最敏感）+§7.25 质检层（低质量切片排除）。

预期贡献——"影像-化验先行关系"是 COVID 病理生理的经典问题（影像先于化验恶化？反之？）——本集的 CT+化验双轨迹是回答它的合适样本（住院级重复测量+双侧信息）。

风险预告——时间粒度若被去标识粗化到天级，前后窗的重叠会让"先行"判断失准——粒度声明（§5.15）是本实验的生死线；粒度不足时的降级设计：把"先行关系"问题降为"同窗关联"问题（仍然有价值但因果语气回撤一级）。

§7.41 六表的"宽透视"视图设计：一张 SQL 生成论文 Table 1

宽表+五长表的透视设计的最终形态是一条 SQL 生成论文基线表：视图定义——patient_01 LEFT JOIN 各长表的聚合子查询（首值/末值/计数）→ 一张"一住院一行、30+ 列"的分析视图；Table 1 的自动生成——按结局（死亡/存活）分列的基线特征表+SMD 均衡性检验；复用价值——视图一次定义，三波分层/影像子集/敏感性的每次分析都是 WHERE 子句变化。视图设计的哲学与 502 的对账十条同源：把重复劳动固化成一次定义的资产。SQL 载体建议 duckdb（CSV 直查+视图+导出 Parquet 一条龙）。

§7.42 影像通道的"零训练"用法：嵌入检索与相似病例

144 万 CT 切片+4,608 X 光的零训练研究用法：嵌入检索——公开预训练 encoder（CheXpert 预训练模型/MedicalNet）提取影像嵌入→按住院记录聚合→"相似病例检索"系统（给定当前患者，检索历史相似影像+其 EHR 结局）——临床决策支持的原型；零标注的价值——不需要诊断标注（检索相似度自足），CDSL 的影像无标注层（§4.3）从这个角度不是缺陷。与 EHR 的闭环——检索出的相似病例带结局（宽表），“相似患者最后怎么样了"是临床最朴素的问题形态——影像检索×结局检索的组合是本集影像库最适合的"首秀姿势”。

§8 合规深水区：Contributor Review 的完整审查

§8.1 PhysioNet 四档访问制度：本集在最严档的位置

PhysioNet 的访问光谱四档：Open（CC0/CC BY，即下即用——502/503 的档位）、Credentialed（DUA+CITI 培训——504 与 MIMIC 系的档位）、Contributor Review（DUA+CITI+贡献方逐案审查——本集档位）、私有托管（数据不上 PhysioNet 公开目录，仅平台代管）。本集所在第三档的制度含义：审查权在贡献方（HM 委员会而非 PhysioNet）——PhysioNet 提供平台与流程框架，准入判断外包给最懂数据风险的贡献方。四档的设计哲学：数据敏感性（再识别风险×商业敏感×伦理承诺）与使用者摩擦成正比——本集的三重摩擦（§3.9）对应的是三重敏感（西班牙小队列的再识别风险+私立集团的科研合作考量+GDPR 属地约束）。对系列的意义：批次五集齐前三档的活样本（502 Open/504 Credentialed/本集 Contributor Review）——Top 1000 的"访问合规"维度第一次有了完整的制度光谱对照（§2.11）。

§8.2 HM Data Science Commission：逐案审查的运行解读

委员会审查的运行特征（基于版本页条款与申请者经验的合成解读——标注为 C 级推断）：审什么——研究目的/字段清单/分析计划/团队/安全措施/产出形式（§3.9 第二重清单）；怎么审——委员会例会制（周期不透明）+必要时伦理委员会复审（两轮制）；审过的标准——版本页只说 “individual studies reviewed”，通过率/审稿意见的透明度低。透明度的三点建议（§7.17 同源）：公布审查标准清单/公布平均审批周期/公布典型退回理由——三者都能显著降低申请者的试错成本（对贡献方也是减负）。申请者的对策：把 §3.9 四要领当"已知标准"对齐+预留 48h 补件响应（§5.12 演练四）+把审批周期写进项目甘特图的最坏估计。

§8.3 Contributor Review License 1.5.0 的红线清单

在 Credentialed License 1.5.0 的五红线（§504 8.3：再识别禁令/再分发禁令/发布形态/衍生数据/审计义务）之上，本集的逐案审查叠加三条款：条款六（用途锁定）——获批提案里的研究目的即使用范围，超出需重新申报（"研究漂移"是违约风险——计划外的次级分析先补审再用）；条款七（团队锁定）——获批名单外的成员不得接触数据（合作者/学生中途加入=补审项）；条款八（跨境再确认）——数据落地地/合作方所在地/云处理地跨辖区时的事前确认（GDPR 跨境传输规则的适用场景）。八条合成的行为准则：“提案即契约”——获批文件的每个字段都是使用边界的法律表述——本集的合规文档工作量是 Credentialed 档的两倍起（提案档案+补审记录的持续管理，§5.8 compliance/ 目录的存在理由）。

§8.4 GDPR 语境：西班牙健康数据的属地约束

本集与 MIMIC（美国 HIPAA 语境）的合规底层差异：GDPR（欧盟通用数据保护条例）对健康数据（特殊类别个人数据）的处理要求更严——要点一（合法性基础）——本集的处理基础是"公共利益的科学research+伦理委员会批准"路径（GDPR Art. 89 的科研豁免框架）——贡献方的伦理批准（auth_opendata_cdsl3_170624）是该基础的文件化；要点二（数据主体权利）——GDPR 赋予数据主体的访问/反对权在科研豁免下的受限适用——贡献方的逐案审查是权利平衡的制度实现；要点三（跨境）——研究者所在国的数据保护水平与 EU 的充分性认定影响数据传输方案（中国研究者的额外动作：境内数据保护法合规+机构伦理的双背书，提案里主动说明——透明度是跨境审批的加分项）；要点四（最小化原则）——字段清单"够用就好"的申请策略（§3.9 要领二的合规理论依据——多要字段=违反最小化=审批风险）。GDPR 四要点的实操翻译：申请材料的 GDPR 语感（最小化/目的限定/安全措施的具体化）是欧洲数据集申请的通用加分项。

§8.5 发布边界的判定协议：什么能写进论文

研究成果发表时的逐类判定：聚合统计（系数/AUROC/发生率）——可发布（逐案审查通过的研究默认允许）；图表——聚合图表可、个案级图表（单患者轨迹图/单张原图）原则上不可——确需时走 HM 补审（红线三的个案通道）；衍生数据集（清洗后的分析数据集/映射表/特征表）——键值层可、含原始自由文本层不可（§5.6 纪律三）；模型权重——在获批数据上训练的模型发布需审查（模型反演/记忆化风险——GDPR 语境下的"模型即数据"问题，逐案补审）；代码——不含数据与个案信息的分析代码自由发布（鼓励）。判定协议的操作化：发表前过一遍 §5.8 compliance/publication_review.md 检查表（八类产出的逐项勾选）——发现灰区项，提前 4-6 周提交 HM 补审（论文投稿周期与审批周期的并行管理）。

§8.6 审批管理：本集版的机构内流程

在 504 §8.6 三节点（申请前/落地/发表前）之上，本集加两节点：节点零（提案期）——提案书与 §8.4 GDPR 语感自查+团队名单锁定（§8.3 条款七的预防）——申请材料的合规质量决定审批周期的经验规律；节点四（使用期）——用途漂移的季度自查（当前分析与获批提案的对照）+团队名单变更的补审触发——使用期的持续合规是 Contributor Review 档的特有义务（§8.3 条款六七的运行面）。五节点的文档落点：compliance/ 目录的五个子文件夹（提案/批复/名单/季度自查/发表审查）——本集合规管理的文件体系。

§8.7 风险登记册：本集合规面的六项残余风险

①审批周期波动（委员会节奏不可控——预案：甘特图最坏估计+并行预研）；②条款解释分歧（提案里未明示的分析是否违约——预案：灰区动作前书面咨询委员会，留痕）；③团队流动（学生毕业/合作者进出——预案：名单变更的补审 SOP）；④跨境政策变化（EU-中数据流动规则的演化——预案：数据本地化处理+云出境最小化）；⑤再识别突发事件（外部数据库合并导致的意外再识别——预案：立即停用+报告委员会的事件 SOP，红线一的运行面）；⑥平台政策变化（PhysioNet 访问制度的演化——预案：§10.7 观察清单+已备份的对冲）。六项的共同哲学：Contributor Review 档的合规风险不在"违规处罚"而在"通道失效"——治理关系的维护（响应速度/透明度/关系质量）是最有效的风险管理。

§8.12 数据出境与多云环境的合规注记

Contributor Review 数据的跨环境使用（云分析/合作方计算）的合规要点：数据出境——西班牙/欧盟数据在非欧环境的处理受 GDPR 章节约束（提案中声明分析环境是基本动作）；多云策略——分析在获批声明的环境进行，临时云租用属于环境变更（补充声明而非默许）；代码出境数据不出——联邦式分析的合规优势（§9.4 Q67）。三条的实操收敛：提案里的"环境声明"写得越具体，后续的合规摩擦越小——"本分析将于 [区域] 的 [环境类型] 进行，数据不出 [边界]"一句话的预防价值极高。

§8.13 引用链的完整样例（含 alpha 历史件）

一篇使用 CDSL 的论文的完整引用段样例（可直接改写）：数据引用：“Ritoré Á, Oprescu AM, Estirado Bronchalo A, Armengol de la Hoz MÁ. COVID Data for Shared Learning (CDSL) (version 1.0.0). PhysioNet. 2024. doi:10.13026/1176-6c44.”；论文引用：“Ritoré-Hidalgo Á, Villar Fernández J, Oprescu AM, et al. COVID Data for Shared Learning (CDSL): a multimodal publicly accessible dataset… Sci Data. 2026. doi:10.1038/s41597-026-08184-1.”；源方法引用：“Johnson AEW, et al. MIMIC-CXR-JPG… arXiv:1901.07042.”（JPG 管线方法）；历史件（如涉及早期共享叙事）：“HM Hospitales. Covid Data Saves Lives. 2020.”（版本页引用 [5]）。四件套的分工叙述：数据（合同）/论文（传记）/方法（源头）/历史（时间线）——每件引用回答一个不同的问题，混用是引用混乱的根源。

§8.14 "开放数据"的三种世界观：CDSL 案例的理论升华

从 CDSL 的六年半提炼"开放数据"的三种世界观：世界观一（自由主义）——数据即阳光，越开放越好（502/503 的 CC BY 4.0 立场）；世界观二（契约主义）——开放是附条件的契约，条件保障质量与尊重（504 Credentialed 的立场）；世界观三（托管主义）——数据是患者托管的信托，每次使用都是受托行为（CDSL Contributor Review 的立场）。三种世界观无对错、只有匹配：数据的敏感性×用途谱×机构治理能力决定适配的世界观。CDSL 的贡献是把世界观三的运作细节（提案/审查/全周期义务）首次完整展示给行业——理论升华的落地样本。系列条目合读至此，"AI-Ready"的定义也完成三层进化：格式就绪（世界观一）→许可就绪（世界观二）→治理就绪（世界观三）。

§9 FAQ 90 问：全场景问答手册

§9.1 身份与获取（9 问）

CDSL 是什么？——西班牙 HM Hospitales 的多模态 COVID-19 住院数据集：4,479 住院记录的 EHR 六表+144 万张 CT/X 光 JPG（PhysioNet v1.0.0，2024-10）。
和 “Covid Data Saves Lives” 什么关系？——同一资产的 alpha 版名（2020-04 官网申请制版），2024 挂牌时改名 Shared Learning（§1.2）。
在哪获取？——PhysioNet（covid-data-shared-learning）；代码 CovidHM_V3-code 在数据包内。
要付费吗？——数据免费；成本是审批时间（数周-数月）与合规管理。
下载前准备什么？——机构邮箱+CITI 证书+DUA+研究提案（§3.9 三重门槛）。
版本用哪个？——v1.0.0（唯一版本，时间窗封闭——§3.12 冻结资产）。
有论文吗？——Sci Data 2026（DOI 10.1038/s41597-026-08184-1），见刊 2026-09-08。
RRID？——SCR_007345。
中文文档？——官方无；本条目为最完整中文参考（含提案书写与合规解读）。

§9.2 数据结构（9 问）

交付物三块？——关系表（六表+附加表）/影像（JPG+元数据）/代码文档（CovidHM_V3-code）——§3.1。
六表怎么连？——patient_id（住院标识）为主键的星型+长表混合结构（§3.3）。
patient_id 是患者 ID 吗？——不是：是住院标识（unique admission identifier），患者数 ≤4,479（§3.5）。
影像规模？——1,444,764 JPG：CT 切片 1,440,156（784 住院）+X 光 4,608（1,616 住院）（§3.1）。
为什么 CT 这么多？——采集路径+切片计数口径+单院区真实结构三层解释（§2.3）。
附加表是什么？——四系统特有字段的存放区（呼吸支持参数等）——文档较薄需考古（§3.4）。
时间字段能直接用吗？——去标识后的粒度要先验证（相对间隔 vs 绝对日期，§3.7 缺口④）。
有放射报告文本吗？——无结构化报告层；影像的临床语境靠诊断表+时间窗间接推断（§4.1）。
训练/测试划分？——无官方划分；group-aware 自行设计（住院级起，§5.2）。

§9.3 分析执行（9 问）

最小分析配置？——笔记本+PostgreSQL/DuckDB+pandas——EHR 侧零算力门槛（§7.16）。
装载要多久？——获批后一周（六步装载+对账十连，§5.1/§5.11）。
多模态样本量？——EHR 4,479 × CT 784 的交叉现实（§4.4 三级池）。
CT 能做 3D 重建吗？——技术上可行但层厚/压缩成本高——2D 池化起步更现实（§2.4）。
结局标签哪来？——diagnosis_hosp/ICU 时间/死亡字段的自定义组合——无现成标签层（§2.8）。
特征工程起点？——§5.3 配方：快照+48h 窗口+诊断二值化。
怎么防泄漏？——三层泄漏的 group-aware 划分（§5.2）——最高优先级纪律。
波次怎么分？——按入院时间切两波（2020-03~06/2020-11~2021-02，§7.15）。
单位/术语混乱怎么办？——映射表纪律（§5.6）+分布检查（§3.11 ⑦⑧）。

§9.4 结果解释（9 问）

结论能外推到其他人群吗？——限西班牙私立体系+急性期病毒株+治疗方案时代（§2.10）。
CT 覆盖 784 的偏差怎么说？——缺失机制未披露——敏感性分析+limitation 声明（§6.8 坑点 3）。
多模态增益怎么报告？——单模态基线 vs 融合的对照表+784 子集的样本量代价（§7.3 层三）。
死亡率数字和官方统计对得上吗？——粗对齐即可（抽样代表性一级检验，§7.22 锚三）。
X 光 4,608 能出结论吗？——验证/对照级结论可以，训练级不行（§4.5）。
时间序列分析的粒度限制？——去标识粒度决定——先验证再设计（§4.2/§3.7）。
和 MIMIC 的结果能直接比吗？——方向可比、数值不可比（地域/体系/时代三重域差，§6.4）。
阳性结果怎么自证？——波次分层稳定性+锚检查（§7.15/§7.22）。
阴性结果有价值吗？——四向负结果都是方法论空白区（§7.12）。

§9.5 与本系列条目的关系（9 问）

与 492/495（MIMIC）的关系？——EHR 范式对照+预训练-微调的跨集线（§6.4 矩阵/§5.4）。
与 501/502/503 的关系？——掩码生态的迁移测试场（§4.12/§7.21——批次五联动）。
与 504 的关系？——504 评推理过程，本集给真实语境；504 的"双塔"表述已在 505 修正（§2.9/§10.4）。
与 499（CIED）等 EHR 系的关系？——同为"设备/住院轨迹"语境——本集多了影像与疫情时代。
本集在批次五的位置？——收官篇：从胸片专项回到多模态全谱（§1.8）。
有 COVID 数据集家族对照吗？——§2.10 的家族盘点（ICU 专精/影像专精/登记统计三型）。
阅读顺序？——EHR 线：492→本集；影像线：501-504→本集 §3.6；治理线：504 §8→本集 §8。
互链锚文本？——中文"COVID 多模态住院数据集（CDSL）"，slug cdsl-covid-data-shared-learning。
为什么 Views 只有 59？——最严档门槛的剂量-反应（§6.7——低流量≠低价值）。

§9.6 合规与许可（9 问）

三重门槛的具体成本？——CITI 数小时/DUA 线上/委员会数周-数月（§3.9）。
提案怎么写？——§3.9 四要领：问题具体/字段精确/安全写实/产出可核。
能给学生用吗？——团队名单锁定，新人加入走补审（§8.3 条款七）。
能把分析结果发论文吗？——聚合统计可；个案图表/衍生数据/模型权重走审查（§8.5）。
能和中国团队合作吗？——跨境合规：GDPR 跨境规则+双背书+透明申报（§8.4 要点三）。
分析能换题吗？——用途漂移需补审（§8.3 条款六——“提案即契约”）。
数据能放云上吗？——写进提案申报（处理地/供应商/安全措施），获批后可（§8.3 条款八）。
论文的 CC BY-NC-ND 管数据吗？——不管：论文许可≠数据许可（§3.10 易错二）。
发现再识别风险怎么办？——立即停用+报告委员会的事件 SOP（§8.7 风险⑤）。

§9.7 工程细节（9 问）

建库用什么？——官方 PostgreSQL 建表脚本直接用（CovidHM_V3-code，§3.13）。
JPG 和元数据怎么对应？——文件名/路径级对应——元数据文件是权威（§4.6）。
切片怎么归组成检查？——元数据的检查/层号字段聚合——§3.11 ⑩的对账动作。
影像计数不符怎么办？——三段排查（清单脚本/解包/官方通道，§5.12 演练三）。
时间出现负值/倒挂？——官方逻辑校验重跑+异常隔离清单（§5.12 演练二）。
键对不上？——附加表键前缀归一（§5.12 演练一）。
大表内存爆？——分块/DuckDB 外存分析——单机工具链够用（§7.16 反选型）。
影像预训练起点？——timm 的预训练编码器/502 生态迁移（§7.4 方案 C）。
复现包怎么组织？——§5.8 模板（compliance/ 一级目录是本集特色）。

§9.8 教学与文献（9 问）

适合什么课？——医学信息学/数据治理/多模态 ML 课（§7.19 四周设计）。
学生没获批能教学吗？——能：结构课/治理课/方法课（实验一二）用公开文档教学（§5.9）。
引用格式？——§3.10 四件套（数据 DOI+论文 DOI+RRID+代码）。
2020-2024 的 alpha 版文献怎么处理？——时代配对纪律：名字与 DOI 的时代匹配（§6.3）。
有综述引用吗？——Sauer 等的 ICU 数据集比较类综述是语境文献（§2.10）。
数据民主化的参考文献？——版本页/论文的 “data democratization” 表述+私立集团开放数据的治理文献（§6.19 形态④）。
批评文献怎么找？——英译审计/缺失机制类的后续研究（§6.5 ②③——空白区自产）。
中文怎么称呼？——“COVID 多模态住院数据集（CDSL）”。
教学案例的合规边界？——教学分析走机构审批+聚合展示（§8.5 判定协议的教学版）。

§9.9 决策与采购（9 问）

团队该不该申请？——三 yes：COVID 急性期研究/多模态融合研究/欧洲域对照需求；三 no：要现成标签/要快出结果/只要胸片（§0.5/§6.9）。
总投入多少？——人力 1-2 人月+算力数千元+审批 1-3 个月（§7.18）。
ROI？——欧洲 COVID 急性期多模态的入场券——自建队列成本的万分之一档。
和商业数据公司比？——本集是真实医院四系统原生+学术治理透明——商业数据的黑箱加工不可比。
医院能用吗？——能：本院 COVID 数据的对照基准（ HM 之外的医院做差距分析）。
行政决策怎么用？——疫情准备度的回顾评估（波次对照 §7.15 的管理翻译）。
投资视角？——私立医疗集团的数据资产化样本（§6.19 形态④的产业面）。
竞品怎么选？——§2.10 家族盘点：深挖选本集、广度选登记统计、ICU 时序选 MIMIC。

§9.10 前瞻与维护（9 问）

会有 v1.1 吗？——低概率：时间窗封闭（§3.12）——二期数据会是新发布。
会出第二期吗？——取决于 HM 战略周期（§6.6）——无信号，观察清单跟踪。
审批会更快吗？——取决于委员会透明度改进（§7.17 提案）——无公开时间表。
数据会贬值吗？——层一时间稀缺保值/层二形态或被聚合数据稀释/层三治理稀缺稳定（§6.12）。
泄漏事故怎么办？——事件 SOP：停用-报告-评估-整改（§8.7 风险⑤）。
本条目的更新协议？——四源季度 diff（PhysioNet/论文/HM 页/引用曲线）——§10.7 清单。
发现条目错误？——系列勘误流程（§10.9）；数据本体问题走 HM 委员会。
一年后条目还在吗？——在：季度保养机制（§7.20）。
最后一句建议？——先提案后装载，先锚后结论，先治理后分析。
六年半值得吗？——数据在，通道在，论文在——制度化的成本与成果都在明面上：值得。

§9.11 番外：十个冷观察

①命名从口号到学术措辞的漂移是疫情心态史的缩影；②Views 59 vs 论文见刊的反差——学术价值与平台流量的解耦标本；③CT 313 倍于 X 光——“胸片时代"叙事下放射科的真实产出结构；④官方代码包让"数据集"变成了"数据集+工厂图纸”；⑤alpha→PhysioNet 的四年空窗——数据运动的"整理债"可视化；⑥审稿恰好一年整（Sci Data）——慢工与例行公事的分界模糊；⑦患者/住院口径的官方并存——语言精确性在医疗数据里的制度性难度；⑧英译层是最少被讨论的加工步骤——翻译是数据治理的隐形层；⑨HM 的"not only in Europe but also in Spain"——数据民主化的南欧自我定位；⑩本集是批次五唯一让"等审批"成为合理工作内容的条目——治理成本的时间显形。

§9.12 十二个如果（反事实推演）

如果 2020 没做 alpha——本集可能根本不存在（疫情窗口的整理动力不可复现）；如果一直留在 HM 官网——无 PhysioNet 治理框架，数据的学术信用与获取规范大打折扣；如果选 Credentialed 档——流量升、审查降——但西班牙小队列的再识别风险治理会欠账；如果只发 EHR 不发影像——"多模态 first"不成立，生态位坍缩为普通 EHR 集；如果只发影像不发 EHR——CT 库没有临床语境，价值减半；如果六表做成一宽表——失去关系范式的灵活性与 EHR 真实形态；如果英译不做——西语门槛挡掉多数国际使用者（资助了 NLP 但限制了流行病学）；如果日期完全相对化——纵向轨迹分析更安全但跨患者时间对照失效；如果论文 2024 就发——方法学自检没做足，见刊质量存疑；如果 HM 是公立——数据开放可能有法规强制但少了私立的战略自主叙事；如果再晚一年挂牌——学术信用进一步流失（数据时效的信用折旧）；如果重做一遍——最该改的是：附加表文档与英译对照表在 v1.0.0 就补齐（§7.17 提案的作者侧自觉）。

§9.13 尾注三问

一问：数据的"第一现场"还有多久保鲜？——2019-12~2021-02 的急性期现场已关闭五年；本集是少数被制度性保存的切片。保鲜期的真正变量不是数据（数据不变），是解读语境——十年后研究者看这批数据的"陌生感"会成为优势（时代志）还是负担（方案过时）？本集的保值逻辑（§6.12）押注前者。二问：最严档是在保护谁？——表面是保护患者（再识别风险），深层也保护贡献方（品牌与法律）、保护平台（治理示范）、最终保护数据的未来可用性（信任是长期资产）。Contributor Review 的 59 个 Views 是这个保护的价格标签——贵，但物有所值的论证责任在贡献方与条目作者（本条目 §8 的任务）。三问：私立集团为什么值得被认真对待？——医疗数据的未来供给缺口主要在公立体系之外（私立/基层/专科连锁）——HM 的六年半提供了一个"私立开放"的完整模板（动机/治理/成本/收益），无论它是成功案例还是警示案例，都是模板——这就是它进入 Top 1000 的理由。

§9.14 数字对账五组：核心数字的二次核对表

第一组（规模闭环）——4,479 住院记录；影像 1,444,764 JPG = 1,440,156（CT）+ 4,608（X 光）；覆盖 784（CT）与 1,616（X 光）住院记录——注意 784 与 1,616 可交叉（同一住院可两模态都有），非互斥加和。出处：版本页+论文摘要，双源一致。

第二组（时间窗闭环）——2019-12-26 至 2021-02-13。锚点解读：起点在官方疫情叙事之前（疑似病例回溯入组），终点在第二波高峰回落期——窗口覆盖西班牙前两波的住院压力期。出处：版本页 temporalCoverage。

第三组（版本时间线闭环）——alpha 2020-04 → PhysioNet v1.0.0 2024-10-25 → Sci Data 投稿 2025-08-12 → 接受 2026-08-14（审稿一年整）→ 见刊 2026-09-08（核查时点 14 天前）。五个锚点全部双源可证（版本页 changelog+论文日期）。

第四组（引用身份闭环）——数据 DOI 10.13026/1176-6c44 / latest 10.13026/85z8-jq92 / 论文 DOI 10.1038/s41597-026-08184-1 / RRID SCR_007345 / 伦理授权 auth_opendata_cdsl3_170624——五件身份标识的原样记录（§3.10 的组装素材）。

第五组（口径并存声明）——版本页 Methods “4,479 unique hospitalized patients” vs 数据字典 “unique admission identifier” vs 论文摘要"住院记录"——三处原文并存，本条目统一采用"住院记录"口径。维护者复算方法：装载后 COUNT(DISTINCT patient_id) 与 COUNT(*) 的对照（两数相等则该交付层无重复住院标识——患者级去重问题依然存在但不可观测）。

五组的维护协议与 504 §9.14 同：官方数字变动时先改速查卡（§10.6）再全文检索数字出现位——数字一致性是可信度下限。

§9.15 三十秒电梯稿：五种场合的说法

对院长：“西班牙最大的私立医院集团把疫情最重的两年、四千多个住院病人的完整档案——化验、用药、CT——按国际最严格的治理标准开放了。这是欧洲医疗数据民主化的样板工程，我们对照它设计自己的数据开放策略。”（§6.16+§8）

对研究者：“MIMIC 是 ICU 深水区，这个是 COVID 住院全谱+144 万张 CT——做疫情急性期的多模态研究，它是欧洲域的唯一档位选择。”（§6.4）

对工程师：“DICOM 转 JPG 的管线逐行复刻 MIMIC-CXR-JPG，还把建库 SQL 都开源了——这是能直接抄作业的数据工程。”（§3.6/§7.10）

对法务：“PhysioNet 最高档：签 DUA、过 CITI 培训，还要 HM 医院的数据委员会逐个审批研究方案——我们提proposeal时要按 GDPR 语感写，字段清单只写够用的。”（§3.9/§8.4）

对投资人：“私立医院的数据资产化+学术化是一条已被走通的路——六年半、零外部资助、论文落在 Nature 子刊——这个模板的医疗集团端价值值得测算。”（§6.19 形态④）

五段共用的底料纪律与 504 §9.15 同：全部事实出自已核查章节，电梯稿永不超纲。

§9.16 三个研究者的三种入场姿势（画像化）

同一份数据，三种研究者的最优入场路径：画像 A（ML 博士生）——先 HF 同类集练手→提案聚焦"多模态融合"单点→三个月出融合基线→以基线为核心扩成方法论文；画像 B（流行病学副教授）——提案直接要六表（不要影像）→三波对比的描述性研究快速发表→影像扩展作为第二篇的增量；画像 C（医院信息科主任）——目标不是论文而是 CovidHM_V3-code 的 ETL 模板改造→提案以"联合开发/能力建设"为框架→数据使用是副产品。三种画像的提案重点各不同（A 押技术方案、B 押临床价值、C 押共建框架）——Contributor Review 审的是"提案背后的人"，画像清晰的人通过得快。

§9.17 数据的"考古层"：后来者如何读懂 2020 年的决策

六年后使用 CDSL 的研究者会遇到"2020 年决策的化石"：确诊疑似混合（检测产能）、CT 主导（当时诊断指南）、X 光稀疏（床旁角色）、英译（国际化急迫）——每个"不合理"都是当年合理决策的化石。考古的三条纪律：其一，历史语境优先——评判 2020 年的数据用 2020 年的标准；其二，化石即信息——"为什么 CT 主导"本身是医疗体系研究的题目；其三，不要"修正"历史数据——按当年的语义使用（ diagnoses 的当年口径），现代口径的重编码是衍生层不是替换层。考古纪律的通用性：任何跨越重大医疗事件的队列（疫情/灾难/政策突变）都需要这套化石读法。

§9.18 本条目与 Top1000 系列的横向坐标（收官条目版）

第 505 号在千方病案医数集系列的坐标：模态轴——唯一的"EHR 主导+影像双模态"条目（492/498 的 EHR 系+495 系影像的结合体）；时代轴——唯一的疫情专项条目（公共卫生与流行病学标签的首个深度使用）；治理轴——唯一的 Contributor Review 条目（系列访问光谱的最严端点）；叙事轴——唯一的"六年半长征"叙事（系列最长的资产化时间线）。第 505 号的收官意义：批次五以"治理最重"的一篇收尾，为系列的后 495 篇立了一个原则——数据集的百科价值=科学价值×治理故事×可达现实，三者缺一则条目失真。

§10 存档：证据、引用与维护

§10.1 官方页存照 A-F

存照 A（命名漂移）——CDSL 缩写不变、全名 Saves Lives→Shared Learning（§1.2 三解读）；存照 B（口径并存）——Methods “4,479 patients” vs 摘要"住院记录" vs 数据字典 “admission identifier”（§3.5 对账协议）；存照 C（作者扩编）——版本页 4 人 vs 论文 et al. 长名单（§1.4）；存照 D（六年半）——alpha 2020-04→PhysioNet 2024-10→论文 2026-09 的五锚年表（§1.3）；存照 E（影像反差）——CT 1,440,156 vs X 光 4,608 的 313:1（§2.3 三层解释）；存照 F（最严档）——Contributor Review 的逐案审查条款原文（§8.2）。六存照的引用规则：以 2026-09-22 快照为锚，官方页实时内容可能变化。

§10.2 引文清单（八条）

PhysioNet 版本页：COVID Data for Shared Learning (CDSL) (v1.0.0)，DOI 10.13026/1176-6c44。
PhysioNet latest：DOI 10.13026/85z8-jq92。
论文：Ritoré-Hidalgo Á, Villar Fernández J, Oprescu AM, et al. Sci Data (2026)，DOI 10.1038/s41597-026-08184-1。
RRID：SCR_007345。
代码：CovidHM_V3-code（数据包内/官方仓库）。
伦理：HM Hospitales Clinical Research Ethics Committee，auth_opendata_cdsl3_170624。
方法上游：MIMIC-CXR-JPG（转换方法出处），Johnson et al.，DOI 10.13026/qq6r-nf68。
alpha 版存档：HM Hospitales 官网 “Covid Data Saves Lives”（2020-04，历史引用用）。

§10.3 与本系列的条目关系

上游：492/495（MIMIC 生态——EHR 范式对照与迁移链）→501/502/503（掩码线——自制解剖层的工具来源）→504（评测线——语境扩展协议）。同级：499 等住院轨迹类条目。下游（预写接口）：疫情回顾研究/长新冠数据集/多国 COVID 联盟类条目以本集为"单集团深挖"对照极。互链锚文本：中文"COVID 多模态住院数据集（CDSL）"，slug cdsl-covid-data-shared-learning。

§10.4 变更日志（本条目）

2026-09-22：v1 初稿——事实核查（PhysioNet 版本页+Sci Data 论文快照）、FACTS.md、全文 1200+ 行、发布（rid 605）。
勘误联动：504 条目（rid 604）的"评测双塔"表述在本集落地后需精确化——批次收尾时修订（§2.9 的预告）。
待办：§10.7 观察清单首次执行（2026-12）；论文引用曲线的首季度观察。

§10.5 阅读地图（三种读者路径）

多模态工程师（30 分钟）：INFOBOX→§2.3/§2.4（影像结构）→§3.6（复刻对照）→§5.2/§5.3（泄漏与配方）→§7.4/§7.5。公卫与临床研究者（20 分钟）：INFOBOX→§1.3（年表）→§2.10（家族位置）→§3.5（口径）→§7.15（波次设计）→§9.4。治理与合规（20 分钟）：§1.5（伦理治理）→§2.7/§2.11（制度逻辑）→§8 全章→§9.6。三路径的公共底座：§0.3 阅读组合。

§10.6 速查卡（18 项）

①slug：cdsl-covid-data-shared-learning；②版本：v1.0.0（2024-10-25）；③DOI：10.13026/1176-6c44；④latest：10.13026/85z8-jq92；⑤RRID：SCR_007345；⑥论文：Sci Data 2026，10.1038/s41597-026-08184-1；⑦来源：HM Hospitales（西班牙私立集团）；⑧规模：4,479 住院记录（患者数 ≤4,479）；⑨时间窗：2019-12-26~2021-02-13；⑩六表：patient_01/diagnosis_er/diagnosis_hosp/vital_signs/medication/lab；⑪影像：1,444,764 JPG（CT 1,440,156/784 住院+X 光 4,608/1,616 住院）；⑫转换：MIMIC-CXR-JPG 方法复刻（quality 95）；⑬代码：CovidHM_V3-code；⑭访问：Contributor Review（DUA+CITI+HM 委员会）；⑮伦理：auth_opendata_cdsl3_170624；⑯alpha 名：Covid Data Saves Lives（2020-04）；⑰Views：59（2026-09-22）；⑱DAIMS：5.9/8。

§10.7 资源导航与观察清单

资源：数据页 physionet.org/content/covid-data-shared-learning/1.0.0/；论文 doi.org/10.1038/s41597-026-08184-1；方法上游 physionet.org/content/mimic-cxr-jpg；治理框架 physionet.org（四档访问说明）；掩码生态（502/503 条目）；评测协议（504 条目）。
观察清单（季度回访）：

[ ] 论文引用曲线（见刊 14 天起的首年观察——Scholar/Sci Data metrics）
[ ] v1.0.1 或勘误（版本页 changelog）
[ ] HM 二期数据/新版本信号（HM 研究页+PhysioNet 通知）
[ ] 委员会政策透明度变化（审批周期/标准的公开化）
[ ] 社区使用文献（用户验证文/基线文的回填——§10.4）
[ ] COVID 数据家族的聚合级竞品（多国联盟——§6.12 稀释风险）
[ ] PhysioNet 四档制度的政策变化（§8.7 风险⑥）
[ ] 本系列批次五联动实验的进展（§7.21 的三实验状态）

§10.8 核查注记（证据边界）

A级（双源互证）：版本/DOI/规模/时间窗/六表构成/影像计数/访问档位/伦理授权码——版本页与 Sci Data 论文对读一致。B级（单源待复核）：Views 59（平台快照）；附加表的逐表清单（版本页概括级——以 v1.0.0 实际交付为准）；日期去标识的具体粒度（官方未详述——装载时实证）；alpha 版的早期使用规模（公开渠道空白）。C级（推断，标注为观点）：命名漂移动机（§1.2）/委员会运行特征（§8.2）/维护可持续性（§6.11）/保值逻辑（§6.12）。时间敏感项：Views/引用曲线/竞品格局带 2026-09-22 快照戳。口径警告：全文采用"住院记录"口径（patient_id=admission identifier）——引用本条目时保持口径一致性（存照 B 的纪律）。

§10.9 核对练习（给下一位维护者）

①验证 DOI 10.13026/1176-6c44 解析到 v1.0.0 版本页；②影像计数闭环：1,440,156+4,608=1,444,764；③住院覆盖闭环：CT 784+X 光 1,616（可交叉，非互斥——注意"可交叉"意味着两者非加和关系）；④时间线核对：2020-04 alpha/2024-10-25 挂牌/2025-08-12 投稿/2026-08-14 接受/2026-09-08 见刊；⑤口径核对：数据字典 “unique admission identifier” 的原文存在性；⑥§10.6 速查卡 18 项与官方页 diff——速查卡不变则全文骨架大概率未漂。六项通过=条目与官方事实同步。

§10.9b 批次五数据资产速查总表（501-505）

#	条目	rid	类型	访问	DAIMS	核心资产
501	CXLSeg	601	Database	Credentialed	5.1	掩码成品包
502	CheXmask	602	Database	Open	6.3	五库标注层+RCA
503	CheXmask-U	603	Database	Open	6.5	+node-wise std
504	CXReasonBench	604	Challenge	Credentialed	6.3	推理评测 18,988 QA
505	CDSL	本条目	Database	Contributor Review	5.9	EHR+影像多模态

（501 的 DAIMS 5.1 为该条目自评口径；五篇的批次五坐标由此表一图收拢——rid/类型/档位/分数的四方对照是批次五收官的最终快照。）

§10.9c 本条目特有的"双时区"阅读提示

本条目的时间跨度制造了一个阅读陷阱：§1-§2 讲的是 2020 年的决策，§3-§5 讲的是 2024-2026 年的资产，§6-§8 讲的是 2026 年的使用——三个时区在同一篇条目里交替。读者请保持时区感：alpha 的慷慨（2020）不能用来要求现在的访问宽松（2026 的 Contributor Review 是当下的现实）；现在的使用体验（审批等待）不能否定当年的历史价值（最早的共享）。时区感是读历史性数据集条目的基本素养——也是本条目在 INFOBOX 之外给读者的第一条阅读纪律。

§10.10 结尾三行

六年半前那批"想救命的数据"，绕过官网申请制、走进 PhysioNet 最严档、最终落在 Sci Data 的纸页上——数据没变，变的是人类看待共享的方式。
144 万张 CT 切片下是 784 个与病魔谈判的住院故事，六张 CSV 表里是 4,479 次呼吸窘迫的完整档案——多模态的真正含义不是数据类型的堆叠，而是同一个夜晚的不同侧写。
批次五从掩码走到病床：掩码给了机器眼睛，考卷给了机器尺子，而这一集提醒我们——在眼睛和尺子之前，先有一张真实的病床。

§10.11 竞品与家族补注：五个常被并提的资源辨析

BIMCV-COVID19（瓦伦西亚）——影像深挖型竞品：影像规模更大（含系列影像与分割标注），但 EHR 侧薄——选型对照：影像方法学选 BIMCV，住院全谱语境选本集（§2.10 家族位置）。

MIMIC-IV COVID 子集——ICU 深水区对照：时序分辨率与规模碾压，但非 COVID 专建、无 CT——选型对照见 §6.4 矩阵（六维逐项）。

CC-CCII（中国）——影像+临床的东亚对照臂：地域域互补（§6.4 维度六）——跨域研究的天然配对（§7.8 的欧洲-亚洲扩展）。

西班牙全国 COVID 登记——统计导向的浅而广：无个案级多模态——与本集是"广度-深度"互补而非竞争（§2.10 两极）。

CARMEN-I（西班牙语临床 NLP）——语料型近邻：西语临床文本的 NLP 资源——与本集的西语原文回溯研究（§2.5/§7.7）构成工具-数据配对。

五辨析的选型总纲：影像方法学→BIMCV；ICU 时序→MIMIC-IV；住院全谱+CT→本集；统计监控→全国登记；西语 NLP→CARMEN-I——家族内没有全能选手，研究者按"研究问题的第一约束"选主场数据集，其余按互补组合（§5.4 联合方案的家族版）。

§10.12 三十秒自检：你是本集的正确用户吗

三个问题定性判断：问题一（研究问题的第一约束是什么）——若答案是"CT 影像+住院语境"，本集是对的；若是"胸片规模/掩码/评测"——去 501/502/504；若是"ICU 时序分辨率"——去 MIMIC（§6.4）。问题二（能接受数月审批周期吗）——能且愿意把等待期变成预研期（§5.11 W1），留下；不能，Open 档起步练手、本集当二期的深度目标。问题三（团队有合规人力吗）——有（哪怕 0.1 FTE 的合规意识+§8.6 五节点流程），留下；零合规预算的团队在本集会反复撞墙（§8.3 八条款的每一款都需要有人认领）。

三问的通关组合（全 yes）对应的用户画像：做 COVID 急性期或欧洲域多模态研究、有耐心、有合规意识的团队——这个画像之外的使用者，本条目的劝退信息（§0.5/§6.9）已经尽职——条目的边界感也是服务：错配用户的每次申请失败都是贡献方审查资源的浪费，劝退信息是生态保护措施。

§9.16 批次五收官的五个方法论沉淀

批次五（501-505）走完，五个可复用到后续批次的方法论资产（本条目作为收官篇的沉淀职责）：

验证力度谱系——标注级验证（502 三层）＞管线级（503 std）＞描述级（本集自检）——数据描述文的验证章节不等于终身质保（§6.2），收录评估时按谱系给证据分级。
访问光谱表——Open/Credentialed/Contributor Review 三档的用户旅程对照（§2.19 表）——后续遇到沙箱/联邦等新形态按此表扩展列。
MIMIC 复刻检查表——§3.6 的逐项对照表（读取/归一/LUT/极性/压缩/元数据六环节）——任何"JPG 化"新数据集的对照模板。
多模态整合粒度分级——住院级挂接（本集）＜检查级＜帧级——多模态声明的成色试金石（§4.1），收录评估时先问"整合到哪一级"。
整理债框架——§2.15 的债务账本分析法——"发布仓促"类数据集的维护观察工具（债期与利息的结构化记录）。

五个沉淀的存放逻辑：全部内嵌于本条目对应章节（非独立文档）——后续条目按 § 引用取用，条目间的方法论传承是 Top 1000 系列的复利机制：每一批的收官篇为下一批节省的认知成本，就是系列比单篇百科更值钱的部分。