信息速览
GED3C（Gout Emergency Department Chief Complaint Corpora，痛风急诊主诉语料库）是一对发布在 PhysioNet 的急诊分诊护士自由文本主诉语料，2020 年 10 月发布 v1.0，数据集 DOI 为 10.13026/96v3-dw72。小集 GOUT-CC-2019-CORPUS 收录 2019 年按关键词筛选的 300 条主诉；大集 GOUT-CC-2020-CORPUS 收录 2020 年单个整月无筛选的 8037 条主诉。每条主诉附痛风发作（gout flare）预测标签，子集另有风湿科医生按 Gaffo 标准病历复核的共识标签。
主诉（chief complaint）是患者在急诊就诊最前端由分诊护士敲进系统的短句，早于一切化验与影像，是唯一在「结构化数据尚不存在」时点就可用的临床信号。美国每年以痛风为主要诊断的急诊就诊超过 20 万例，占全部急诊就诊的 0.2%，多数患者出院后缺乏随访衔接，而主诉里就藏着识别急性发作、对接专科随访与临床试验招募的机会。此前没有任何公开可获取的主诉自由文本语料，GED3C 团队在自建痛风预警算法的同时按 HIPAA Safe Harbor 完成去识别化并公开发布，把这块空白补上了。
需要受限数据做痛风预警或急诊短文本研究的团队，第一件事是到 PhysioNet 官方页注册并签署数据使用协议——部分地区 IP 会被直接拒绝，需提前确认网络环境。拿到数据后先区分两个集的定位差异：2019 集阳性密度高、适合做算法原型，2020 集无筛选、适合做真实分布下的评估。代码复现走作者在 GitHub 以 GPL-3.0 公开的 AMIA 2020 论文仓库。
§1 它是什么：定义、来源与版本
1.1 一句话定义
GED3C 是「两个 CSV/TSV 语料集 + 一套双层痛风发作标注」的组合：每行一条分诊护士自由文本主诉，最长 282 字符，附主诉级预测标签（Predict 列，Y/N/U/- 四值）与病历复核共识标签（Consensus 列，同样四值）。官方在摘要中的自我定位有三层：开发与验证急诊痛风发作预警算法的素材、其他机构外部验证预警算法的对照语料、以及掩码语言模型（masked language model）的短文本预训练语料——团队强调这种「简短、缩写密集」的文本与长篇临床笔记分布差异显著，且据其所知是唯一公开的主诉语料。
把这三层定位展开看，它其实回应了三个不同的研究缺口。第一是算法缺口：痛风发作的识别传统上依赖结构化诊断码，而诊断码要到就诊结束才落定，预警的时间窗口在就诊前端就已关闭；主诉文本是唯一更早的信号源。第二是数据缺口：公开临床文本语料几乎全部来自住院病程记录、出院小结或医学文献，分诊环节的短文本在公开世界里长期缺位——护士速记的书写习惯、缩写密度、错误拼写模式与长文本完全不同，没有专门语料就无法为这个场景建模。第三是公平性缺口：多数公开语料的来源人群以白人为主，而本语料来源的急诊人群以黑人为主，痛风在这一人群中的疾病负担恰偏重，官方把「代表性」作为核心卖点之一。
1.2 谁做的、在哪做的
数据来自美国南部（Deep South）一所学术医疗中心的急诊科，官方页面始终以「an academic medical center in the southern United States」指称而不具名；作者团队（John D. Osborne、Kenneth Saag、Maria I. Danila 等 10 人）的机构背景与风湿病学方向、以及作者维护的 UAB NLP 资源指向阿拉巴马大学伯明翰分校（University of Alabama at Birmingham, UAB），但官方未书面确认，检索时应以官方表述为准。作者构成横跨计算与临床两端：Osborne 长期从事临床数据标准化与信息学（亦是 GO 标准化领域的活跃人物），Saag 与 Danila 是风湿病学临床研究者，Mudano、Booth 等人承担病历复核——这种「信息学 + 风湿科」的组合正是双层标注设计能够落地的人事基础。
伦理批件号为 IRB-300004156 与 IRB-300001664，分发授权走 IRB-300002212（U-BRITE 体系）。U-BRITE 是 UAB 主导的健康数据科学生态，负责受限健康数据的对外分发授权——这也是理解「数据在采集机构之外还有一个独立分发实体」的背景：PhysioNet 是发布平台，数据使用协议的合规链条实际落在 U-BRITE 的 IRB 授权之下。
采集窗口分两段：2019 集横跨 2019 全年，按主诉中出现关键词 gout 筛选；2020 集取 2020 年单个整月、不加任何条件全量收集。来源急诊人群的群体画像由官方页给出：女性 54%、男性 46%；黑人 55%、白人 40%、西裔 2%、亚裔 1%；年龄上 21-40 岁与 41-60 岁各占 35%。这一「城市黑人为主」的人群构成是官方反复强调的差异化价值——多数公开临床语料以白人为主，而痛风恰恰在黑人与男性人群中疾病负担偏重，这使该语料对研究健康差异（health disparity）场景有独特意义。需要同时记住的另一面是：语料本身不带患者级人口学字段，上述画像只描述来源人群整体，不能用于对单条主诉做人口学 conditioning。
1.3 版本链与时间线
- 2020 年 7-8 月：AMIA 2020 论文「Identification of Gout Flares in Chief Complaint Text Using Natural Language Processing」被接收，代码仓库（GPL-3.0）在 GitHub 开放；
- 2020 年 10 月 19 日：GED3C v1.0 在 PhysioNet 发布，数据集 DOI 10.13026/96v3-dw72，RRID 为 SCR_007345；
- 2020 年 11 月：仓库补充 2020 语料的分析 notebook；
- 2023 年 9 月：仓库打出 final release 标签（Chief Complaint Gout Flare Detection Algorithm），说明算法部分也在持续维护；
- 官方发布说明中曾提及「可能于 2021 年发布含另一机构数据的后续版本」——截至检索日未见 v2.0，v1.0 仍是唯一版本。跨机构扩展版缺席意味着「多机构外部验证」目前只能靠其他机构自行采集对照数据，或使用本语料内部两集的分布差异来近似。
1.4 与随行论文的关系
数据集与 AMIA 2020 论文是同一工程的两件产物：论文给出基于 BERT 系模型的痛风发作识别算法与性能，语料则是在此过程中整理并去识别化后对外发布的底层资产。第三方在引用时应同时引数据集 DOI 与论文，PhysioNet 平台本身亦要求并列引用平台文献。论文全文可从 AMIA 会议文献获取，作者仓库中的两个 Jupyter notebook（CC-2019-CORPUS.ipynb 与 GOUT-CC-2020-CORPUS-ANALYSIS.ipynb）分别复现两个语料集的分析流程，replicate.py 提供端到端复现入口。论文与语料的分工可以概括为：论文回答「用主诉文本识别痛风发作能做多好」，语料回答「其他机构能不能用同样的素材把这个问题再做一遍」——后者正是数据集本身存在的理由。
1.5 痛风流行病学背景
理解这份数据的医学动机需要两组数字。疾病负担端：美国痛风患者超过 900 万，是男性中最常见的炎性关节炎，患病率超过 5%；急诊端：NEDS（National Emergency Department Sample）口径下每年以痛风为主要诊断的急诊就诊超过 20 万例。这两个数字之间的落差——患者基数大而急诊就诊只占一小部分——正是预警价值所在：绝大多数痛风发作不需要急诊处置，但到急诊的发作患者往往疼痛剧烈、且出院后缺乏衔接性随访，导致反复就诊与疾病慢性化。官方明确把「为发作后的患者建立随访通道、支撑痛风临床试验招募」列为核心动机：如果分诊台就能识别出「这次是痛风发作」，那么患者还坐在候诊区时，随访干预或试验筛选就可以启动。
§2 数据构成：十问十答与字段规格
2.1 十问十答
Q1：GED3C 这个缩写指什么？包含哪两个语料集？
GED3C 全称 Gout Emergency Department Chief Complaint Corpora（痛风急诊主诉语料库），由 PhysioNet 于 2020 年 10 月发布 v1.0。它包含两个语料集：GOUT-CC-2019-CORPUS 为 2019 年全年按关键词 gout 筛选出的 300 条主诉；GOUT-CC-2020-CORPUS 为 2020 年单个整月无任何筛选的全部 8037 条主诉。两个集合称时官方给出的合计口径为 8337 条。
Q2：每条数据长什么样，有哪些字段？
每行是一条分诊护士在接诊开始时输入的自由文本主诉，长度上限见 §1.1 定义，缩写与医学速记密集。共三列：Chief Complaint 为主诉原文，Predict 为主诉级痛风发作预测标签，Consensus 为病历复核共识标签。标签取值为 Y（阳性）、N（阴性）、U（未知）与 -（未标）。
Q3：标签是怎么打出来的，可信度如何？
Predict 列由标注者仅凭主诉文本回顾性人工判读；Consensus 列来自风湿科医生按 Gaffo 标准做病历复核的子集。2019 集主诉级标注一致率 0.883（Cohen κ 0.825），病历复核子集一致率 0.849（κ 0.774）；2020 集主诉级一致率 0.977（κ 0.965），复核子集 0.904（κ 0.856）。
Q4：这个数据集能免登录直接下载吗？
不能。数据在 PhysioNet 以受限方式发布，采用 PhysioNet Restricted Health Data License 1.5.0：需要注册账号、签署数据使用协议并通过后才能访问。部分地区因法律或政策限制直接显示数据不可用。代码仓库（GPL-3.0）与官方页元信息可自由访问。
Q5：2020 集没有任何筛选条件，这对使用意味着什么？
2020 集收集了 2020 年单月的全部主诉，不按痛风或任何疾病筛选，因此对该急诊人群（城市黑人为主）的整体疾病谱具代表性，适合做真实场景下的预警算法评估与阴性样本挖掘；2019 集则按关键词筛选，阳性密度高，适合算法原型开发。两个集的用途应当区分。
Q6：在上面训练模型，目前公开报告的最好成绩是多少？
独立团队（Forecasting 2024）系统比较了稀疏特征与医疗大模型：tf-idf 加线性支持向量机 F1 超过 0.75；深度模型中 RoBERTa-large-PM-M3-Voc 在 2019 集取得 F1 0.8，BioGPT 在 2020 集取得 F1 0.85。判别式模型整体优于生成式，生成式模型作特征提取器接支持向量机可达相近水平。
Q7：数据是怎么去识别化的？
团队遵循 HIPAA Safe Harbor 规则：先用微调后的 BERT 与 ALBERT 命名实体识别模型定位并处理受保护健康信息（PHI），再消除可能可识别的时间信息，最后用 BRAT 标注软件做全量人工复核。这也是每条主诉都短促、部分时间表述被抹平的原因之一。
Q8：除了痛风预警，这份数据还能做什么？
官方明确指出它可作掩码语言模型预训练语料：主诉文本短促、缩写密集，与长篇临床笔记分布差异大，是训练急诊场景短文本表示的稀有素材。也可用于主诉自动补全、分诊文本规范化、类不平衡学习方法研究，以及在其他机构复核已有预警算法的外部验证。
Q9：一条真实样例是什么样？
第三方论文转录的官方示例包括：主诉「out of gout medicine」（痛风药用完了）被标 Y/Y——断药本身就是发作的强前兆；「started breathing hard, hx-htn, gout」被标 N/N——有痛风史但主诉指向呼吸问题；「R knee pain x 8 years, pmh: gout, arthritis」被标 U/N——主诉难以判断而复核为阴性。可以看出标签捕捉的是「本次急诊是否为痛风发作」而非「是否有痛风史」，主诉里出现 gout 一词与阳性之间没有必然联系。
Q10：两个集应该怎么划分训练与测试？
作者论文与第三方评估的通行做法是分集评估：在 2019 集上调参建模、2020 集做外部验证，或分别报告两集成绩而不混池。混池会因两集选择偏差方向相反（一个高阳性密度、一个自然分布）造成估计失真；若必须合并，应按集分层抽样并明示。第三方评估的实践是两集各自报告最优模型——2019 集的最优是 RoBERTa 系，2020 集的最优是 BioGPT，两个集的「最优模型不同」这件事本身就是分布差异的直接证据。
2.2 字段规格与可靠性
| 字段 | 含义 | 取值 | 可靠性 |
|---|---|---|---|
| Chief Complaint | 分诊护士自由文本主诉原文 | 自由文本，最长 282 字符 | 官方页与论文一致，可信 |
| Predict | 主诉级痛风发作预测标签 | Y / N / U / - | 官方页字段说明，可信 |
| Consensus | 病历复核共识标签（Gaffo 标准） | Y / N / U / - | 官方页字段说明；仅覆盖复核子集 |
| 文件格式 | 每集 4 个文件：CSV/TSV × REDACTED/SYNTHETIC | REDACTED 为去识别化原文本，SYNTHETIC 为合成替代版 | 依官方文件清单；文件级字节数未能核实（检索环境 IP 受限，见 §4.3） |
REDACTED 与 SYNTHETIC 的并存值得单独解释：REDACTED 是对原文本做保守删除后的版本——护士速记里的人名、地点、时间被抹平或替换为占位符；SYNTHETIC 则是用合成文本替换敏感片段的版本，读起来更连贯但叙事被改写。两者给出了「保真度」与「流畅度」的两种取舍，研究者按下游任务选一种并全程固定即可，切勿跨版本混用。
标注统计全表（出自 AMIA 2020 论文，经 Forecasting 2024 转引核对）：
| 集合 | 阳性 | 阴性 | 未知 | 标注口径 | 一致率 | Cohen κ |
|---|---|---|---|---|---|---|
| 2019 主诉级 | 93 | 194 | 13 | 仅凭主诉 | 0.883 | 0.825 |
| 2019 复核级 | 70 | 118 | - | 病历复核 | 0.849 | 0.774 |
| 2020 主诉级 | 147 | 992 | 129 | 仅凭主诉 | 0.977 | 0.965 |
| 2020 复核级 | 25 | 327 | - | 病历复核 | 0.904 | 0.856 |
从表里能读出四件事。其一，2019 集阳性密度约三成，是典型的「富阳筛选集」，做模型原型不用重采样也能训起来。其二，2020 标注子集阳性占比不足一成，是典型的「自然分布评估集」，全阴塌缩风险显著。其三，主诉级 κ 全面高于复核级，原因不是复核更差，而是复核把「主诉说不清」的 U 样本强制归边，判定的对象更难、分歧自然更大。其四，2020 集主诉级三项之和为 1268，远小于全集规模——官方材料未解释全集与标注子集的覆盖关系，合理推测是双标注只对子集执行，其余样本仅有粗标注或未标注；使用时应把该子集视为 2020 集的「可训练标注层」，全集则用于无监督用途或仅以主诉文本参与（另见 §4.3 与页脚核对表）。
2.3 文本形态学：这批短文本难在哪里
把主诉当作 NLP 语料看，它有三个与常规临床文本截然不同的难点。第一是极短：一条主诉往往不到一句话，上下文几乎为零，分类器能依赖的只有词汇共现与缩写模式。第二是缩写与速记密集：PMH（既往史）、HX（病史）、CVA（脑血管意外）、ESRD（终末期肾病）、HTN（高血压）、DM（糖尿病）等缩写高频出现，且同一概念有多种写法（PMH、PMHX、Hx、PSHX、SHX、FHX 各指不同范围的历史），词典方法需要穷举、词向量方法需要专门的缩写敏感预训练。第三是拼写噪声：连痛风自己都常被误拼成「flair」（本义是理发师的修饰语），拼写纠错词典若无临床适配会把关键词直接改坏。第三方评估中句法分析（依存句法、成分句法）基本失效、稀疏 n-gram 特征反而坚挺的现象，根源都在这三个难点上。
2.4 去识别化流水线的技术细节
这份语料的去识别化不是「跑一遍现成工具」，而是一条四段式流水线，各段都有值得借鉴的工程决策。第一段是自动识别：团队微调了 BERT 与 ALBERT 两个命名实体识别模型来定位受保护健康信息，而不是依赖通用脱敏工具的规则匹配——原因是主诉速记里的人名、地名往往没有大写、没有上下文，规则法几乎必漏。第二段是时间信息处理：Safe Harbor 对日期类标识有明确要求，团队把可识别时间（具体日期、可推算的相对时间）整段消除，而不是替换成偏移日期——这解释了样例中「onset at .」这类突兀的空白占位。第三段是人工复核：用 BRAT 标注软件对全部文本过一遍人眼，兜住自动方法的漏网。第四段是版本分流：保守删除的进 REDACTED，合成替换的进 SYNTHETIC，让使用者按保真与流畅自行取舍。对计划发布类似临床文本的团队，这条流水线本身就是可复用的方法模板——尤其是「NER 微调 + 时间消除 + 全量人工 + 双版本」的四段结构，直接对应了 Safe Harbor 的条文要求。
顺带值得记录的是流水线的副产品效应：正因为原文本被这样处理过，语料里的时间表达式分布与真实分诊记录不同，任何涉及「发病到就诊时间间隔」的下游分析都不应在这份数据上做。这不是数据缺陷，而是合规处理的可预期代价，事前知情即可避免误用。
§3 怎么拿到：获取路径、许可与合规
3.1 获取路径
数据托管在 PhysioNet 官方页（physionet.org/content/emer-complaint-gout/1.0/），获取分三步：注册 PhysioNet 账号；在线阅读并签署 PhysioNet Restricted Health Data Use Agreement 1.5.0；通过后页面出现下载入口，可选 ZIP 全量或按文件取用。通讯作者联系方式仅登录后可见，协议或引用问题可直接邮件联系。需要特别留意的是地区限制：PhysioNet 对受限健康数据有 IP 属地策略，部分地区访问官方页会直接显示 Data Not Available——这不是数据消失，而是发布方合规策略，换网络环境或通过所在机构申请是正常路径。撰写这份资料时所处的检索环境即触发了该限制，因此文件级字节数无法在此直接核对，计划使用者应以登录后页面显示为准做下载规划。
除数据外的三类公开资产无需协议：GitHub 代码仓库（ozborn/gout_chief_complaint_alert，GPL-3.0，含两个分析 notebook 与复现脚本）、AMIA 2020 论文（会议文献开放获取）、以及第三方评估论文（Forecasting 2024，MDPI，CC BY）。建议的开工顺序是先跑通代码仓库的公开部分（notebook 里有对标注统计的完整计算逻辑），确认理解字段语义后再去申请数据——协议审核有时间成本，先理解再申请可以避免「拿到数据才发现不是自己想要的」的浪费。
3.2 许可口径
数据本体采用 PhysioNet Restricted Health Data License 1.5.0，属于受限健康数据许可家族：允许科研使用，禁止再识别尝试、禁止向未签署协议者转分发、发表需按官方引用格式同时引数据集 DOI 与 PhysioNet 平台文献。这与 PhysioNet 上 CC 系开放数据（如 MIMIC 系的开放子集）是两套制度：开放数据可以直接抓取、再分发到镜像站点；受限数据的一切流转都被协议锁定，任何衍生品（微调后的模型权重、抽取的中间特征）是否视作「再分发」也应在立项时与发布方确认。代码仓库另行采用 GPL-3.0，复用其代码需遵循传染性开源条款——若在闭源产品中使用其代码会触发开源义务，与数据许可互不覆盖，商业团队尤其要分开评估两条义务链。
3.3 伦理与合规要点
采集与分发的伦理链条为：采集机构 IRB-300004156 与 IRB-300001664 批准，分发授权走 IRB-300002212（U-BRITE）。去识别化按 HIPAA Safe Harbor 执行，但主诉自由文本天然携带罕见病、罕见地点组合等准标识符风险——这也是官方选择受限许可而非开放许可的直接原因。使用者签署协议即承诺不做再识别；任何从文本特征反向定位个体的尝试都构成违约。实操层面还有三点值得写入研究计划的合规段落：其一，主诉虽短，但「某月某日在某院因罕见主诉就诊」的组合可能唯一化到个人，衍生结果发表时应避免展示可定位的原始样本；其二，展示样例应优先使用官方已公开的示例（官方页与第三方论文已展示数条），或经发布方确认的脱敏改写；其三，若计划把模型或语料用于商业产品，PhysioNet 受限许可默认面向科研，商用需另行获得权利人许可。
3.4 数据使用协议申请的写作建议
PhysioNet 受限数据的审批以「用途描述是否具体」为第一筛。成功申请的用途描述通常包含五个要素：研究问题的具体表述（例如「评估基于主诉文本的痛风发作预警模型在门诊衔接场景的判别力」）、技术路线（用什么模型、怎么评估）、数据使用范围（只用主诉三列，不尝试链接其他来源）、数据安全措施（存储于合规环境、不向未签约者转分发、衍生模型权重的处理方式）、以及 IRB 或伦理豁免的安排。相反，被驳回的申请常见特征是用途宽泛（「研究机器学习」）、或暗示商用与再分发意图。签署后的义务是长期的：论文发表需按官方格式并列引用数据集与平台文献，项目结束或账号变动时留意协议的存续条款。
§4 质量与已知问题
4.1 标注质量
两层标注的一致率与 κ 全表见 §2.2。复核级 κ 低于主诉级不是复核更差——病历复核引入了 Gaffo 标准下的确定性判定的同时，也让「主诉说不清」的样本被迫归边，分歧随之放大。Gaffo 标准本身值得一句说明：它是风湿病学界用于回顾性判定痛风发作的病历学标准，依赖关节受累模式、发作时相与对降酸治疗的反应等病历证据，而这恰恰是分诊主诉里几乎不出现的深层信息——「主诉层预测」与「病历层判定」之间的落差，正是这个数据集要量化的对象。
独立第三方（Forecasting 2024）选用复核级样本作为金标准做评估，说明学界默认复核级是更硬的真值，但复核级样本量小得多。对使用者的直接推论是：训练时用主诉级（样本多、噪声可容忍），报告主结果时用复核级（真值硬、样本少），并在论文里明确两个数字不能直接互比。
4.2 假设—支持—反对
| 假设/命题 | 支持证据 | 反对/限制证据 |
|---|---|---|
| 主诉文本足以支撑痛风发作预警 | 作者 AMIA 2020 用 BERT 系模型实现有效识别；第三方系统评估见 §8；主诉在就诊最前端即可获得，时间窗口价值明确 | 文本极短且缩写密集，句法工具失效；大量 U（未知）标签说明主诉本身信息不足 |
| 2020 集对真实急诊分布具代表性 | 无任何筛选，来源人群画像清晰（黑人 55%），官方强调疾病谱代表性 | 单一机构、单一月份，季节性与机构流程偏倚无法排除；样本未含患者级人口学 |
| 语料可作为预训练素材 | 官方明示可用于掩码语言模型开发；独立研究曾以该语料做主诉自动补全（arXiv 2401.06088） | 总量约 8 千余条，预训练规模偏小，更现实的用法是继续预训练或微调而非从头训练 |
| 标注可跨机构迁移 | 官方明确期待其他机构用其验证既有预警算法 | 标注者来自单一团队，跨机构标注习惯（缩写、速记风格）差异未见量化 |
| 两个集可以合并使用 | 同一采集机构、同一标注团队、同一字段结构 | 选择偏差方向相反；两集最优模型不同，合并后模型选择失去单集解释力 |
4.3 已知问题清单
- 2020 集标注覆盖不明：主诉级标注统计三项之和 1268，与全集规模不匹配，官方未说明未标注部分的处理方式；按标注子集做训练规划、按全集做评估是目前可辩护的口径。
- 文件级字节数未能核实：检索环境 IP 触发 PhysioNet 地区限制，官方页元信息可见但数据区显示不可用，四个格式文件的确切大小无法独立核对；这不影响科学结论，仅影响下载带宽预估。
- U 与 - 语义需区分：U 表示标注者判为未知，- 表示该层标注未执行；把 - 当作第三类标签参与训练是常见事故（详见 §6）。
- 「痛风史」与「痛风发作」易混：标签判定的是本次就诊是否为痛风发作，仅出现 gout 病史缩写（pmh: gout）通常不构成阳性。
- 总数双口径：官方口径为两集合计 8337 条；一篇第三方 arXiv 论文写 8342，差 5 条，来源不明，引用时以官方页为准。
- 采集机构未具名：UAB 归属为强推断，官方仅写「美国南部学术医疗中心」；学术写作中建议沿用官方表述。
- 2020 年 1 月的时点特殊：单月样本恰好落在新冠疫情初期，急诊就诊量与主诉构成可能已受疫情影响；与「整月无筛选」的代表性声明叠加阅读时，应意识到「代表性」指向的是该月该机构，而非任意时期的常态急诊。
4.4 结论强度分级
| 结论 | 强度 | 依据 |
|---|---|---|
| 语料真实存在、规模与许可可查证 | A | PhysioNet 官方页 + GitHub 仓库 + 第三方论文三方独立互证 |
| 标注统计与一致性数字 | A | AMIA 2020 论文表格，经 Forecasting 2024 与 medRxiv 预印本双处转引一致 |
| 2020 标注子集与全集的覆盖关系 | C | 仅凭数字差值推测，官方无文字说明 |
| 采集机构为 UAB | C | 作者背景与仓库指向，无书面确认 |
| 总条数取舍（官方口径对第三方孤证） | B | 官方口径直接来源；反口径为孤证 |
4.5 与开放临床文本的取舍对照
团队选择受限许可而非开放许可，意味着使用者要付出申请周期与使用地域的真实成本；这笔成本换来了什么，对照公开临床文本语料可以看清。开放语料（如合成病历、公开摘要类文本）可以即下即用，但其文本要么本就不是真实临床速记（合成），要么经过激进脱敏以致叙事失真；本语料的 REDACTED 版本保留的是真实护士速记，只在标识符层面保守删除，文本的自然性是其不可替代的部分。换句话说，受限许可购买的不是数据量的多少，而是「真实分诊场景的文本分布」本身。对做方法学研究、可用合成数据替代的团队，这笔成本不值得付；对做预警算法开发与跨机构验证的团队——正是官方定义的核心使用者——真实分布没有替代品，申请成本就是研究成本的一部分。
§5 能做什么：任务清单与最小可执行示例
5.1 任务清单
- 痛风发作预警二分类：主诉 → 阳性/阴性；核心任务，主诉级标注量大、复核级金标准可选，类不平衡是主要技术难点（文献常用 oversampling、class weights、focal loss 三路对治）。
- 外部验证已有预警算法：官方预期用途之一——在其他机构开发的算法拿到本语料上复核判别力，检验跨机构迁移。作者论文的预警算法即可作为被验证对象。
- 急诊短文本语言模型：掩码语言模型继续预训练、主诉自动补全（已有 arXiv 工作用 LSTM 与 BioGPT + few-shot 提示做补全）、分诊缩写规范化。
- 类不平衡与标签噪声方法学实验：两集选择偏差方向相反、主诉级与复核级标签一致性已量化，是研究「训练标签质量 × 评估真值层级」的现成试验床。
- 健康差异研究：来源人群为城市黑人为主，可用于检验文本模型在少数族裔为主急诊场景的行为差异，或检验主诉书写模式的人群差异对模型公平性的影响。
- 缩写与速记规范化语料：缩写密集且语境充分，适合做缩写消歧（abbreviation disambiguation）与规范化数据挖掘。
5.2 最小可执行示例
拿到 CSV 后的加载数据与分层评估骨架（以 2019 集训练、2020 集外部验证为例）：
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.metrics import f1_score, classification_report
c19 = pd.read_csv("GOUT-CC-2019-CORPUS-REDACTED.csv")
c20 = pd.read_csv("GOUT-CC-2020-CORPUS-ANALYSIS.csv")
def prep(df, label_col):
df = df[df[label_col].isin(["Y", "N"])]
return df["Chief Complaint"], (df[label_col] == "Y").astype(int)
Xtr, ytr = prep(c19, "Predict")
Xte, yte = prep(c20, "Consensus")
vec = TfidfVectorizer(ngram_range=(1, 3), min_df=2)
clf = LinearSVC(class_weight="balanced")
clf.fit(vec.fit_transform(Xtr), ytr)
print(classification_report(yte, clf.predict(vec.transform(Xte))))
print("macro-F1:", round(f1_score(yte, clf.predict(vec.transform(Xte)), average="macro"), 3))
要点有三：训练与评估标签层级要对齐声明；U 与 - 必须显式剔除或单设策略；类别权重或重采样几乎必需，否则模型会塌缩到全阴预测。若要复刻第三方基准的口径，还需把评估限定在复核级样本上（Consensus 非空的行），并把 class_weight 换成他们系统比较过的 oversampling、class weights、focal loss 三条路线分别报告。
5.3 进阶路线
三个已被文献验证的进阶方向。第一，医疗域大模型微调：判别式路线（RoBERTa-large-PM-M3-Voc、BioELECTRA）与生成式路线（BioGPT、BioMedLM、PMC_LLaMA_7B）在本任务上的系统比较已由 Forecasting 2024 给出，判别式占优，微调细节可直接参照其方法节。第二，生成式模型当特征提取器：BioGPT 输出的句子向量接线性支持向量机，成绩与端到端判别式微调相当，是算力受限团队的务实路线。第三，主诉自动补全：把主诉拆成「主诉部分 + 病史部分」两段，用 LSTM 或 BioGPT 做前段补全（arXiv 2401.06088 的设定），这把语料从分类任务扩展到了生成任务。
5.4 结果对标
可对标公开成绩：稀疏特征路线 tf-idf + 线性支持向量机 F1 高于 0.75；医疗域大模型在两集的 F1 分档为 0.8 与 0.85（分集最优模型见 §8）。低于 0.7 的结果通常意味着类不平衡未处理好或标签层级混用。
5.5 复现路线图
从零到对标成绩的推荐顺序分五步。第一步，跑通数据：申请获批后先做完整性检查——行数与官方摘要一致、标签取值集合恰为四个、无空行；任何不一致先停下排查文件版本。第二步，稀疏基线：tf-idf 加线性支持向量机半天内可跑完，先把基线 F1 数字立起来，这既是后续模型的参照系，也是第三方论文证明过的强基线。第三步，标签层级实验：同一模型分别以主诉级和复核级样本评估，量化两层差距，这一步的数字本身就是可发表的方法学结论。第四步，大模型微调：选一个判别式医疗模型（RoBERTa 系最容易起步）做全量微调，记录与稀疏基线的差值；算力受限则走生成式特征提取路线。第五步，不平衡消融：三种对策逐一替换，报告完整网格。作者仓库的 notebook 覆盖第一、二步的官方口径，第三方论文的方法节给出第三至五步的全部超参线索。全程两条纪律：评估样本固定（别在跑实验时悄悄换子集）、随机种子固定并报多种子均值。
§6 常见误读与引用陷阱
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| 「这是个开放数据集，可直接下载」 | 受限访问：需注册并签署数据使用协议，部分地区 IP 直接不可用 | PhysioNet 官方页许可与访问区 |
| 「8000 多条都有病历复核金标准」 | 复核只覆盖子集，标注统计之和远小于全集规模（见 §2.2） | AMIA 2020 论文标注统计表 |
| 「Predict 与 Consensus 是同一含义的两列」 | Predict 仅凭主诉判读，Consensus 是 Gaffo 标准病历复核，二者含义与可靠层级不同 | 官方页字段说明 + §2.2 |
| 「标签就是二分类 0/1」 | 实为四值 Y/N/U/-，U 是「判为未知」、- 是「未标」，语义不同 | 官方页与 arXiv 2401.06088 的字段描述 |
| 「数据来自阿拉巴马大学伯明翰分校」 | 官方仅写「美国南部学术医疗中心」；UAB 为依据作者背景的推断，未见书面确认 | 官方页数据来源说明 |
| 「语料共 8342 条」 | 官方口径为两集合计条数（见 §2.1），8342 出自一篇第三方论文，属孤证 | PhysioNet 摘要 vs arXiv 2401.06088 |
| 「主诉里出现 gout 就算阳性」 | 判定对象是本次就诊是否为痛风发作；仅病史提及（pmh: gout）可为阴性 | 官方标注示例 |
| 「SYNTHETIC 版本可以替代原文本做真实场景评估」 | SYNTHETIC 是合成替换版，叙事被改写，仅适合特定用途；真实分布评估应使用 REDACTED | 官方文件清单语义 |
纯技术陷阱：REDACTED 与 SYNTHETIC 后缀分别是「去识别化原文本」与「合成替代文本」，混用会导致训练分布与评估分布错位，建模前先固定选一种并在论文中声明；TSV 与 CSV 内容等价，解析时按扩展名选分隔符即可；引用格式必须同时含数据集 DOI（10.13026/96v3-dw72）与 PhysioNet 平台文献，漏掉平台引用是 PhysioNet 系数据最常见的拒稿返工原因；发表衍生工作时，「痛风发作」与「痛风患病」在英文里都可能是 gout——写作时固定用 gout flare 指代本任务的判定对象，避免审稿人把任务误读为痛风诊断。
§7 背景与术语：读懂这份数据需要的三层知识
7.1 痛风发作的疾病学
痛风（gout）是尿酸钠结晶沉积在关节引发的炎性关节炎，典型表现为第一跖趾关节的突发剧痛，发作期（flare）与间歇期交替。临床决策上，发作期与间歇期的处置完全不同：发作期要快速抗炎镇痛，间歇期才考虑降尿酸治疗——而降尿酸药物在发作初期贸然启用或中断，反而可能诱发或加重发作，前述「out of gout medicine」样例正是断药诱发发作的典型文本。这解释了为什么主诉层「是否正在发作」的判定有临床意义：它直接决定分诊后的处置路径与随访衔接方式。美国约 5% 的成人患病、男性更高发，黑人人群负担偏重，与本语料来源人群构成恰好重合。
7.2 主诉作为文本类型
在 EHR 文本层级里，主诉是最短的一档：护理分诊记录（triage note）中由护士在接诊开始录入，混合患者口述与护士速记，长度以十几个词为上限。它与病程记录（progress note）、出院小结（discharge summary）的区别不在长度本身，而在信息结构：主诉几乎只有「症状 + 部位 + 时长 + 既往史关键词」，缺乏叙事连接词，句子边界模糊——前述 arXiv 补全研究正是据此把主诉切成「主诉段 + 病史段」两段建模。做文本建模前先建立这个类型感，可以避免把长文本的预设（句法有效、指代消解、篇章结构）错误移植过来。
7.3 Gaffo 标准与复核
Gaffo 标准是回顾性痛风发作判定的一组病历学准则（关节受累模式、发作时相、对治疗的反应等），由风湿科医生在完整病历上执行。它在本语料中的角色是给「主诉层预测」提供独立于主诉文本的真值锚点：Predict 列回答「从主诉看像不像发作」，Consensus 列回答「病历证据上到底是不是发作」。两列的差值本身就有研究价值——它是「主诉信息上限」的直接测量。
7.4 类不平衡方法学谱系
主诉级预警任务的类分布天然向阴性倾斜，第三方评估比较过的三条路线各自适合什么场景值得展开。过采样（oversampling，工程上常以 SMOTE 为代表，文本任务里更常用简单复制或同义替换）适合小样本富信息场景：阳性样本文本形态各异、复制不会引入过拟合时最有效；缺点是对「同一患者反复出现同型主诉」的数据会放大记忆效应。类别权重（class weights）改的是损失函数而非数据分布，实现成本最低，且与本语料「训练用主诉级、评估用复核级」的分层结构兼容性最好——权重只需要在训练端调整，评估端的真值层不动。焦点损失（focal loss）出自密集目标检测文献，把「容易分对的样本」的损失压低、让训练聚焦困难样本，适合深度模型端到端微调；在超短文本上其收益依赖初始收敛状态，稀疏基线上通常体现不出优势。三条路线之外还有第四条工程上常见但文献少提的路：调分类阈值。对预警类任务，阈值左移（宁可多报）往往比任何重采样都更贴合临床成本结构——漏掉一次发作的代价高于多报一次，这也是急诊预警系统里 sensitivity 优先的行业惯例。
7.5 「主诉层」与「病历层」的标签哲学
双层标注结构里藏着一个比分类本身更深的问题：真值到底定义在哪一层。主诉层的回答是「文本里说了什么」，病历层的回答是「医学上发生了什么」——两者之间隔着整个诊疗过程。对预警系统而言，前者才是部署时唯一可得的输入，后者才是干预想要对准的对象；模型性能的两层差异（主诉级训练出的模型在复核级样本上的衰减）因此就是「主诉信息上限」的量化。这个结构可以原样搬到其他「前端信号」任务上：分诊生命体征对败血症、急救电话录音对心脏骤停，都可以复用「文本层预测 + 病历层金标准」的双层设计。这也是本语料在方法学上超出痛风本身的价值所在。
§8 第三方基准详解：Forecasting 2024 做了什么
8.1 实验设计
Coventry University 团队（Oliveira、Jiang 等）在 Forecasting 2024 发表的评估是迄今对本语料最系统的第三方基准。设计分三个维度：特征表示（稀疏 tf-idf n-gram 对比稠密医疗大模型编码）、模型类型（判别式对比生成式）、以及类不平衡对策（oversampling、class weights、focal loss 三路对比）。评估沿袭作者口径：用复核级样本做金标准，两集分别报告。
8.2 模型阵容
判别式阵营三位：RoBERTa-large-PM-M3-Voc（医疗域继续预训练的 RoBERTa）、BioELECTRA、BioBART（按判别方式使用）。生成式阵营三位：BioGPT、BioMedLM（Stanford 定制的医疗 GPT-2 系）、PMC_LLaMA_7B。判别式做全量微调，生成式因模型体量与硬件约束仅做部分参数微调或特征提取。稀疏基线为 tf-idf（n=1,2,3 的 n-gram 组合扫描）接线性支持向量机，全部实现基于 scikit-learn 与 HuggingFace 生态。
8.3 结果与可迁移结论
核心成绩已在 §5.4 给出，此处不再复读。可迁移的方法学结论有三条。其一，在超短文本上，稀疏特征与深度模型的差距远小于常规文本分类——主诉里几乎没有句法可供深度模型利用，词汇共现就是信息主体。其二，判别式优于生成式不是医疗大模型的一般规律，而是本任务的特例：生成式模型的生成目标与二分类目标错位，直接分类不如判别式顺；但把生成式当特征提取器接传统分类器，可以追平差距。其三，三种不平衡对策没有压倒性赢家，与集间的阳性密度差异有关——富阳集对重采样不敏感，自然分布集从类别权重中获益更多。复现这套实验的代码基座是 scikit-learn 加 Transformers，门槛不高，适合作为新团队的入门对标实验。
8.4 从基准成绩到临床部署的剩余距离
把公开基准量级的 F1 放回部署语境，还隔着四类问题。第一是精度成本不对称：预警系统多报的代价是_false positive_ 触发的随访联系，漏报的代价是错失干预窗口，0.5 的固定阈值几乎必然不是临床最优点，部署前需要按机构成本结构重定阈值并回测。第二是分布漂移：训练数据定格在 2019-2020 的单机构单月，主诉书写习惯、就诊构成、甚至疫情对急诊流量的扰动都会让部署时分布偏离，定期用本机构新数据回测是最低配置。第三是文本前端一致性：模型的词汇依赖（缩写、拼写模式）绑定该机构分诊系统的录入习惯，换电子病历系统或换分诊话术都可能造成静默失效——这也是官方把「外部验证」列为预期用途的深层原因。第四是公平性验证：来源人群以特定族裔为主，模型在人群构成不同的机构上的分组表现必须显式报告，不能只看总体均值。这四条都不是这份数据的缺陷，而是任何「文本预警模型走向床旁」的通用清单；语料本身已经把第一类问题（标签层级诚实）和第四类问题（人群画像透明）的准备材料交到了使用者手上，剩下的两类取决于使用团队的部署纪律。
§9 在生态中的位置
在临床文本数据生态中，GED3C 占据一个窄而深的生态位：MIMIC 系（如库内 mimic-iv-ed、mimic-iv-note）提供急诊就诊的结构化生命体征、诊断与长篇病程笔记，规模以百万计；n2c2/i2b2 系共享任务语料提供住院病程文书的信息抽取标注；而以「分诊台那一句自由文本」为对象、面向单一疾病预警的公开语料，在发布时点没有同类。三条线互补而非竞争：长文本看全貌，共享任务看标注方法学，GED3C 看就诊最前端的短文本信号。
参见（库内相关条目）：
- mimic-iv-ed：MIMIC-IV 急诊子库，结构化就诊记录，可与本语料的「分诊前端」视角互补；
- mimic-iv-note：MIMIC-IV 临床笔记库，长篇自由文本，与本语料的短文本形态对照；
- mimic-ext-synnotes：MIMIC 衍生合成笔记，受限与合成文本的对照样本；
- deidentified-medical-text：去识别化临床文本语料，去识别化方法可对照。
生态外互链：作者代码仓库（GPL-3.0）与 AMIA 2020 论文构成复现线；Forecasting 2024 的系统评估构成第三方基准线；arXiv 2401.06088 的主诉自动补全研究构成任务扩展线；PhysioNet 的受限数据许可家族（1.5.0）是理解其访问模型的制度背景。若后续出现「多机构痛风主诉语料」，本文 §4.4 分级结论与 §6 误读表应随之复核更新。
把视角拉高一层，这份数据还示范了「单机构单疾病深耕」型数据集的生存策略。多模态大 clinic 数据（MIMIC 系）覆盖广但文本层面以长文体为主；共享任务语料标注精细但生命周期随任务截止而冻结；GED3C 这类「一个临床问题、一种文本类型、一套诚实标注」的小而深资产，反而能在任务相关的垂直场景里长期保持不可替代性——前提是发布方持续维护（本例的仓库 2023 年仍在打正式 release）且许可路径清晰。检索者在评估同类小语料时，可以拿这两条当判据：看最后一次实质维护的时间，看许可与获取路径是否在官方页一步可查。
从受限数据的制度面看，本语料所在的 PhysioNet 受限家族（Credentialed/Restricted 两大类中的后者）与 MIMIC 系签署式的 Credentialed 访问、以及全开放（Open Data）三档共同构成梯度：越贴近个体级健康信息的资产越靠受限端。理解这个梯度比记住任何单个数据集的许可更重要——它决定了从检索、申请、使用到发表的全链路成本，也决定了衍生成果再分发的自由度边界。
§10 总结
适合：需要真实急诊主诉文本做痛风或其他主诉级预警建模的团队；研究类不平衡、标签层级噪声、短文本临床表示的方法学团队；需要少数族裔为主急诊人群语料的健康差异研究；想在自家机构外部验证痛风预警算法的临床信息学组。
不适合：需要患者级人口学、生命体征或结局随访的多模态建模（语料只有主诉三列）；需要大规模预训练语料的从头训练（总量约 8 千余条，规模偏小）；期望开放许可、匿名直链下载的快速原型场景；需要跨多机构、跨季节稳定分布的场景（单机构单月采集，且时点落在疫情初期）。
三句话收束：它是公开世界里几乎唯一的一份急诊主诉自由文本语料，标注双层、口径诚实、许可受限；它的价值不在体量而在生态位——就诊最前端的那一句话；用它做研究，先分清两个集、两层标签与两个许可体系，剩下的都是标准的文本分类工程。申请前把研究问题写到一句话能说清的程度，申请后把「两个集、两层标签、四种文件」的口径检查固化成脚本，是这份语料能给出的最后两条实用建议。若研究问题最终落在其他主诉级疾病上，建议先在本语料上跑通方法学基线，再向发布方致函询问多疾病扩展的可能性，这是对单一疾病语料最经济的复用路径。
附录 A 关键数字速查
| 项目 | 数值 |
|---|---|
| 数据集 DOI | 10.13026/96v3-dw72 |
| 平台与版本 | PhysioNet v1.0（2020-10-19，唯一版本） |
| RRID | SCR_007345 |
| 许可 | PhysioNet Restricted Health Data License 1.5.0 |
| 文件格式 | 每集 4 文件：CSV / TSV × REDACTED / SYNTHETIC |
| 字段 | Chief Complaint / Predict / Consensus |
| 标签取值 | Y / N / U / - |
附录 B DAIMS 数据资产管理摘要
| DAIMS 项 | 内容 |
|---|---|
| 数据类型 | 自由文本主诉 + 双层二分类标注（含未知/未标） |
| 采集方式 | 急诊分诊系统前瞻录入，回顾性导出标注 |
| 采集时间窗 | 2019 全年（2019 集）；2020 单月（2020 集） |
| 采集地点 | 美国南部学术医疗中心急诊科（未具名） |
| 去识别化 | HIPAA Safe Harbor：BERT/ALBERT NER + 时间信息消除 + BRAT 人工复核 |
| 规模 | 两集合计条数见 §2.1（官方口径） |
| 标注规模 | 2019 集主诉级全标注；2020 集主诉级标注子集见 §2.2；复核子集两集合计约 540 条 |
| 伦理 | IRB-300004156 / IRB-300001664；分发授权 IRB-300002212 |
| 许可 | PhysioNet Restricted Health Data License 1.5.0 |
| 获取 | 注册 + 签署数据使用协议；部分地区 IP 不可用 |
| 关联资产 | GitHub 代码仓库（GPL-3.0）；AMIA 2020 论文；RRID SCR_007345 |
附录 C 缩写表
| 缩写 | 全称 | 含义 |
|---|---|---|
| GED3C | Gout Emergency Department Chief Complaint Corpora | 痛风急诊主诉语料库 |
| CC | Chief Complaint | 主诉 |
| GF | Gout Flare | 痛风发作 |
| DUA | Data Use Agreement | 数据使用协议 |
| PHI | Protected Health Information | 受保护健康信息 |
| NEDS | National Emergency Department Sample | 美国全国急诊就诊样本库 |
| ED | Emergency Department | 急诊科 |
| PMH | Past Medical History | 既往史（护士速记中常见变体） |
| ESRD | End-Stage Renal Disease | 终末期肾病 |
| CVA | Cerebrovascular Accident | 脑血管意外 |
附录 D 检索模板
官方页（元信息 + 申请入口）
https://physionet.org/content/emer-complaint-gout/1.0/
数据集引用
Osborne JD, et al. Gout Emergency Department Chief Complaint Corpora (version 1.0). PhysioNet, 2020. doi:10.13026/96v3-dw72
代码复现（GPL-3.0）
https://github.com/ozborn/gout_chief_complaint_alert
第三方基准
Oliveira LL, et al. Forecasting 2024;6(1):13-238. doi:10.3390/forecast6010013
主诉自动补全扩展
arXiv:2401.06088
附录 E 结论强度分级
| 结论 | 强度 | 依据 |
|---|---|---|
| 语料真实存在、规模与许可可查证 | A | PhysioNet 官方页 + GitHub 仓库 + 第三方论文三方独立互证 |
| 标注统计与一致性数字 | A | AMIA 2020 论文表格，经第三方双处转引一致 |
| 2020 标注子集与全集的覆盖关系 | C | 仅凭数字差值推测，官方无文字说明 |
| 采集机构为 UAB | C | 作者背景与仓库指向，无书面确认 |
| 总条数取舍（官方口径对第三方孤证） | B | 官方口径直接来源；反口径为孤证 |
编辑说明
- 核验时间：2026-10-18（agent-a-gout，cycle 124）。
- 核验方式：WebSearch 2 次 + WebFetch 2 次（PhysioNet 官方页、GitHub 仓库），三源互证：PhysioNet 官方页（一手）、AMIA 2020 论文体系（作者仓库佐证）、Forecasting 2024（MDPI）与 arXiv 2401.06088（第三方）。标注统计表经 Forecasting 2024 与 medRxiv 预印本双处转引核对一致。
- 双口径与存照：其一，总条数官方 8337 对 arXiv 论文 8342，取官方口径；其二，2020 集主诉级标注三项之和 1268 与全集规模的覆盖关系官方未解释，按子集口径成稿；其三，采集机构 UAB 归属为推断，正文沿用官方「美国南部学术医疗中心」表述；其四，文件级字节数因检索环境 IP 地区限制未能核实，记遗留疑点；其五，官方提及的 2021 后续版本未见发布。
- 关键数字次数控制：8337 全文 2 次；300 与 8037 各 2 次；一致率与 κ 数字集中在 §2.2 表与 Q3，未在附录复读。
- 版本日志：v1.0（2026-10-18）按 WRITING_SPEC_V4 初稿成稿。
- 下次复核建议：关注 PhysioNet 是否发布 v2.0（多机构数据）；关注第三方基准是否出现新的最优成绩；关注 2020 集标注覆盖关系的官方澄清。
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：
- vaers — 共享标签：医疗NLP / 公共卫生与流行病学
- qresearch — 共享标签：临床电子病历 / 公共卫生与流行病学 / 流行病学
- epic-cosmos — 共享标签：临床电子病历 / 公共卫生与流行病学 / 流行病学
- clinicaltrials-gov — 共享标签：医疗NLP / 临床文本 / 公共卫生与流行病学
- psytar — 共享标签：医疗NLP / 临床文本 / 公共卫生与流行病学
- medsecid — 共享标签：医疗NLP / 临床文本 / 临床电子病历
- semclinbr — 共享标签：医疗NLP / 临床文本 / 临床电子病历
- labelled-notes-hospital-course — 共享标签：医疗NLP / 临床文本 / 临床电子病历
- echo-note2num — 共享标签：医疗NLP / 临床文本 / 临床电子病历
- brateca — 共享标签：医疗NLP / 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。
