MIMIC-III 入院记录免疫抑制状态与用药标注集 | AI-Ready 数据集

信息速览

数据集名称MIMIC-III 入院记录免疫抑制状态与用药标注集

数据类型临床文本,人工标注,表格数据

规模200 份入院记录（对应 200 次住院；患者级人数官方文档未披露）

接入方式MIMIC-III Clinical Database v1.4 的 NOTEEVENTS 表入院记录 + 同一团队手工标注的 13 项免疫抑制状态与用药标签（CSV）

AI 就绪度

这份数据集是 PhysioNet 于 2025 年 8 月发布的一份人工标注语料，规模不大但结构特殊：它从 MIMIC-III v1.4 中取出 200 份入院记录，由西北大学的研究团队逐份判读，为每份记录打上 13 个标签——7 类免疫抑制疾病与 6 类免疫抑制药物。所有标签以 CSV 形式发布，按住院标识索引，可与原始病历文本对接。

它要解决的是免疫抑制人群难以被准确识别的问题。用诊断编码找免疫抑制患者，漏诊与误诊都很常见；用关键词匹配临床文本，则难以处理否定、既往史与时态。这份语料的价值不在于规模，而在于给出了一个人工判定过的「金标准」小样本，让任何新方法都有可比的参照点，并且把「状态」与「用药」分开标注，避免两种口径互相稀释。

适合使用的场景是方法验证而非模型训练：先在自有队列上开发识别流程，再用这 200 条记录检验能否迁移。取用之前须先确认自己已具备 PhysioNet 凭据访问资格与 MIMIC-III 的访问权限，并清楚这份标注并不覆盖糖皮质激素与化疗这两类最常见的原因。

§1 它是什么

1.1 一句话定义

这是一个标注层，而不是一份独立的临床数据。原始病历文本、检验结果、用药记录仍然要从 MIMIC-III v1.4 获取；PhysioNet 上发布的这份数据只包含标签表——即「哪一份记录的哪一项免疫抑制变量被判为是、否或不确定」的记录。理解这一点是使用它的前提：只拿到标注文件而没有 MIMIC-III 权限，等于拿到一把没有锁孔的钥匙。

数据集的官方全称是 Immunosuppressive Condition and Medication Annotations for Admission Notes in the MIMIC-III Database，PhysioNet 页面上的短名写作 MIMIC-III-Ext-Immunosuppressive-Conditions-Medications，与主标注文件名一致。这个命名里的「Ext」表明它属于 MIMIC-III 的扩展标注族，与同一平台上其他基于 MIMIC 的衍生标注资源共享命名习惯，但各有独立的数据使用协议与独立的 DOI。

1.2 发布主体与身份标识

项	内容
发布平台	PhysioNet（由 MIT 计算生理学实验室维护）
数据贡献方	Northwestern University，NU SCRIPT Study 项目组
版本	1.0.0，2025 年 8 月 4 日发布，核验时无后续版本
DOI（本版本）	10.13026/etd0-dq69
DOI（最新版别名）	10.13026/tfay-qs74
访问级别	Database Credentialed Access（凭据访问）
许可	PhysioNet Credentialed Health Data License 1.5.0
配套论文	JAMIA 2025;32(12):1888-1898，doi:10.1093/jamia/ocaf141

两个 DOI 的关系需要说明：PhysioNet 对每个数据集同时维护一个版本 DOI 与一个「latest」DOI，前者锚定具体版本，后者永远指向当前最新版本。当前只有 1.0.0 一个版本，因此两者指向同一份内容。引用时应优先使用版本 DOI，以便读者在将来出现新版本时仍能定位到所描述的那一版。

RRID SCR_007345 出现在页面标识区，但它标识的是 PhysioNet 平台本身而非这一份数据集，不应写进数据集级引用。

1.3 与 MIMIC-III 的关系

MIMIC-III v1.4 是贝斯以色列女执事医疗中心 2001 至 2012 年间的重症监护住院数据，包含结构化的诊断编码、用药医嘱、检验结果，以及大量非结构化临床文书。这份标注集选取的文本来源是 NOTEEVENTS 表中的入院记录（admission notes），这是每次住院最早生成、信息密度最高的文书之一，通常包含主诉、现病史、既往史与入院用药清单。

标签与文本的连接键是两步：住院标识 HADM_ID 与文书行标识 ROW_ID。前者把标签定位到某一次住院，后者把标签定位到具体的文书条目。由于 MIMIC-III 中一次住院可能有多份入院记录（例如转科后重新书写），使用前必须先检查所选 ROW_ID 对应的文本是否与标注者当时看到的是同一份——这在多份入院记录并存的情况下是真实存在的歧义来源。

1.4 版本与许可演化

数据集只有一个版本，没有版本迭代史可讲。但它的许可形态值得单独指出：PhysioNet 的凭据访问许可与常见的开放数据许可（如 CC BY）在性质上完全不同。开放许可限制的是「如何使用」，凭据许可限制的是「谁能使用」。获得访问权的过程包含三重门槛：PhysioNet 账号与真实身份绑定、完成的科研伦理培训记录、以及以个人名义签署的数据使用协议。协议条款约束的是使用者本人，不可转让，也不可通过第三方转手获取。

由于标注文件里包含住院标识，而住院标识在 MIMIC-III 体系下属于受保护健康信息的关联键，这份数据集也因此继承了 MIMIC-III 的访问条件。官方文档对此的表述是：使用前须满足 MIMIC-III 数据库的全部访问要求。换言之，即便拿到了标注文件，没有 MIMIC-III 权限也无法在合规范围内把标签与文本连起来。

§2 数据构成与标注口径

2.1 规模速览

项	数值	来源与可靠性
入院记录数	200	官方页数据描述，分布统计的分母统一为 200；可靠
后续剔除	2 份	官方页说明人工复核判定为空模板后从语料移除；可靠
标注变量	13（7 疾病 + 6 药物）	官方页与论文一致；可靠
标注者	3 人，两两重叠	官方页；可靠
发布文件	3 个 CSV	官方页正文；文件名可靠，文件大小与列结构未披露
编码取值	1 / 0 / 0.5	官方页；可靠

关于「200 份」与「2 份剔除」的关系需要说清楚，这处文档内部存在口径张力：官方页写明有 2 份记录在人工复核时被判定为空模板并从语料中移除，同时所有阳性率的统计分母仍写作 200。合理解读是——剔除发生在标注完成之后，标签表中相应条目被移除，但公布频率时沿用原始 200 作分母以保持与其他表格一致。使用者在按行数核对自己的下载文件时，如果看到少于 200 行，这属于预期而非文件损坏；但如果看到恰好 198 行、而按 200 计算的阳性率仍被引用，就需要把两者分开陈述，不能把 198 与 /200 的分母混用。

2.2 七个疾病变量

疾病变量的判定口径是「曾经存在即计入」，不设时间窗。也就是说，一份入院记录只要在任何位置（现病史、既往史、问题列表）提到该疾病，即标为阳性，不论该疾病在本次住院期间是否处于活动期。

变量	英文	阳性数	占比
急性白血病	acute leukemia	2	1%
HIV 感染	HIV	3	1.5%
免疫球蛋白缺乏	immunoglobulin deficiency	0	0%
淋巴瘤	lymphoma	11	5.5%
多发性骨髓瘤	multiple myeloma	3	1.5%
实体器官移植	solid organ transplant	3	1.5%
干细胞移植	stem cell transplant	8	4%

七个变量覆盖的是血液系统恶性肿瘤、终末期器官疾病与先天或获得性免疫缺陷三条主线。这三条主线的共同点是免疫抑制由疾病本身或为治疗该疾病而施加的干预造成，与药物暴露之间存在因果链但不同步——例如多发性骨髓瘤患者在确诊初期可能尚未接受任何免疫抑制药物，而停药多年的移植受者可能早已不需要药物但状态仍在。

阳性率为零的免疫球蛋白缺乏是这份数据中最需要留意的变量：它在 200 份记录中一次也没有被标为阳性，配套论文也指出该变量是各方法表现最差的一项。零正例意味着在这个子集上无法计算有意义的召回率，任何声称在该变量上取得良好性能的结论都不可信。

2.3 六个药物变量

药物变量的判定口径与疾病不同：只有入院前 6 个月内使用过，才标为阳性。6 个月这个窗口不是随意选取，它对应的是多数免疫抑制剂在停药后对感染风险的残余影响时间尺度，也对应入院记录中「既往用药」段落通常回溯的时间范围。

变量	英文	阳性数	占比
硫唑嘌呤	azathioprine	0	0%
环磷酰胺	cyclophosphamide	3	1.5%
环孢素	cyclosporine	1	0.5%
霉酚酸酯	mycophenolate	6	3%
利妥昔单抗	rituximab	3	1.5%
他克莫司	tacrolimus	5	2.5%

六种药物在药理上分属两类：环孢素、他克莫司、霉酚酸酯、硫唑嘌呤属于维持性免疫抑制，常见于实体器官移植后的长期方案；环磷酰胺与利妥昔单抗属于治疗性免疫抑制，更多用于自身免疫病、血液肿瘤与部分肾小球疾病。这两类的临床含义差别很大——前者往往意味着持续的、稳定的免疫抑制状态，后者则常常是周期性给药，暴露强度随时间波动。

值得注意的是药物阳性数与疾病阳性数并不对应。干细胞移植 8 例、实体器官移植 3 例，但对应的维持性药物阳性数分别是霉酚酸酯 6 例、他克莫司 5 例、环孢素 1 例。这个差额是双轨设计的直接证据：有移植状态却查不到维持用药的记录确实存在，原因可能是用药记录写在别处、已在入院前停用超过 6 个月、或者入院记录本身未完整转录用药史。反过来，霉酚酸酯 6 例而实体器官移植仅 3 例，说明也有患者正在使用移植维持药物但其移植状态未被标注为阳性——这正是「用药但不记状态」的现实形态。

2.4 双轨标注的设计逻辑

把免疫抑制拆成「状态」与「用药」两套变量，而不是合并成单一的「免疫抑制：是 / 否」，是这份数据在方法学上最值得单独讨论的决策。

临床上，「免疫抑制」这个词在两种语境下被使用。作为状态，它描述的是宿主防御功能被削弱这一事实，成因包括血液系统恶性肿瘤对免疫系统的直接侵占、实体器官移植后长期维持治疗造成的功能性抑制、化疗或放疗后的骨髓抑制、先天免疫缺陷，以及慢性病与营养不良带来的继发性抑制。作为用药事实，它描述的是患者是否在某段时间内接触过特定药物，这是一个可以被处方记录、药房发药记录、护理给药记录所支持的客观事件。

两者不等价的原因有三层。

第一层是时间尺度不同。免疫抑制药物停用后，免疫功能恢复需要时间，不同药物的恢复曲线差别很大——他克莫司停药后淋巴细胞功能可较快回升，而利妥昔单抗造成的 B 细胞耗竭可能持续数月到一年以上。因此「三个月前停用利妥昔单抗」与「三个月前停用他克莫司」对应的实际免疫状态可能完全不同，但若合并成单一标签，两者都只能记成「曾有用药」。

第二层是记录完整性不同。状态是医生在文书里主动书写的临床判断，依赖医生的书写习惯与当下的关注点；用药记录则可能出现在护理给药、药房、出院带药等多个结构化来源中。在入院记录这一单一文书里，这两类信息的完整度并不一致：入院记录通常会把既往史写得很详细，但入院前的外院用药常常只写「外院用药不详」。

第三层是下游任务的需求不同。感染风险预测需要的是当前时点的宿主防御状态，一个已停用免疫抑制剂两年的移植受者与一个正在使用他克莫司的受者，感染风险并不相同；而用药安全任务需要的恰恰是具体的药物暴露，因为不同药物的感染谱、骨髓抑制程度、药物相互作用都不同，把它们压缩成一个布尔值等于丢掉全部可用信息。

双轨标注的价值在于保留了选择的自由：需要状态口径时用七个疾病变量，需要暴露口径时用六个药物变量，需要联合口径时自行组合。代价是标注工作量翻倍、正例更加分散、以及使用者在挑选变量时必须自己承担口径一致性的责任——数据本身不提供「综合免疫抑制」标签，这个决定被留给了下游。

2.5 逐条判定的执行流程

标注由三名合作者完成，形成两两重叠的设计：两名合作者各独立标注 100 份互不重叠的记录，第三名合作者标注全部 200 份。这样一来，每一份记录都恰好被两个人看过，并且没有任何一份被同一个人重复计入。

标注者	覆盖记录	角色
VG	100 份（与 MK 互补）	初始标注者之一
MK	100 份（与 VG 互补）	初始标注者之一
MJB	全部 200 份	与所有人重叠的第二标注者

第三名标注者承担全部记录，这种安排的后果是：任意两份标注之间的分歧都能追溯到 MJB 与另外两人之一的判断差异，而 VG 与 MK 之间没有直接重叠，无法计算这一对的独立一致性。这是资源约束下的常见折衷，但也意味着「三人一致」并不等价于「三人各自独立一致」——因为 MJB 的判断在两对比较中都被计入。

2.6 标注者间一致性的读法

两对比较的判定分歧数是 8/1300 与 9/1300，换算为 0.62% 与 0.69%，平均 0.65%。分母 1300 的来源是 13 个变量乘以 100 份记录。

这个数字非常低，解读时需要谨慎。低分歧率可能反映标注任务本身简单，但也可能反映两种情况：一是变量定义足够严格，阳性判定标准不需要解释空间（例如「记录里是否出现淋巴瘤诊断」），二是许多变量在这个子集里根本没有阳性案例，一致判定为阴性非常容易。在 13 个变量里有 2 个零阳性、2 个仅 1 例，这些变量的「一致」几乎没有信息量。真正有分量的一致性证据来自阳性数较多的三个变量——淋巴瘤 11 例、干细胞移植 8 例、霉酚酸酯 6 例，只有在这几个变量上的分歧率才具备判别力。

官方文档只披露了总体分歧数与分歧率，未按变量拆解，也未报告 kappa 类统计量。因此本数据不能用于回答「哪一类免疫抑制最难识别」这类问题，需要自行重算。

2.7 数据字典的字段可靠性

字段	内容	可靠性
主标注文件	最终标注结果 CSV	官方页给出文件名；列结构未披露
标注者 1 标注文件	VG 或 MK 的初始标注	官方页给出文件名；与主文件的对应关系未逐项披露
标注者 2 标注文件	MJB 的初始标注	同上
记录索引键	HADM_ID + NOTEEVENTS.ROW_ID	官方页明确；可靠
标签取值	1 / 0 / 0.5	官方页明确；可靠
每变量阳性数	见上两表	官方页逐项给出；可靠
文件大小	未披露	文件区在核验环境不可见
列名与列序	未披露	需下载后自行核对

文件名、编码口径与阳性分布都是官方文档直接写明的，可信度高；文件内部结构（列名拼写、是否有表头、歧义记录如何标记）官方文档没有展开，任何关于 CSV 精确格式的描述都只能来自下载后的自查。这一条在使用前应当先跑一遍结构检查，不要假定主文件与两个标注者文件的列序一致。

§3 怎么拿到、谁能拿

3.1 访问级别与前置条件

这份数据属于 PhysioNet 的凭据访问类别，不是公开下载的开放数据。要取得文件，需要依次满足以下条件：

步骤	内容	说明
1	注册 PhysioNet 账号	需真实姓名与机构邮箱
2	完成身份核验	提供机构隶属证明，由平台人工审阅
3	完成科研伦理培训	指定课程为 CITI 的 Data or Specimens Only Research
4	签署数据使用协议	PhysioNet Credentialed Health Use Agreement 1.5.0，以个人名义
5	附加条件	因涉及受保护健康信息，须同时具备 MIMIC-III v1.4 的全部访问条件

第 5 条是关键约束。标注文件里的 HADM_ID 只有在与 MIMIC-III 的表格连接时才有意义，而连接本身需要 MIMIC-III 的访问权限。这意味着两条独立申请链都要走完，任何一条未完成，数据集的实际可用性都为零。

3.2 协议约束的实际含义

签署的数据使用协议不接受再分发。不得把标注文件上传到公共仓库、附在论文补充材料里、或通过邮件转发给合作者；合作者需要各自申请。协议还要求：仅在获批的研究用途范围内使用、采取合理措施防止重新识别、在研究结束后按约定处置数据、以及在发表时按规定引用。

这些条款在实践中产生的影响常被低估。例如，一个团队想复现某篇论文的结果，不能从原作者处索取标注副本，必须自己走完认证流程；一个代码仓库想附带演示数据，不能包含这份标注的任何片段。开源项目的示例数据必须另行构造，或改用完全公开的替代来源。

3.3 引用义务

官方页明确要求使用者在引用本数据集时同时引用其母库 MIMIC-III Clinical Database v1.4。这不是可选的礼貌性引用，而是与数据使用协议绑定的义务。只引标注集不引母库，在方法学上也不完整——因为标注所依附的文本本身来自母库。

推荐引用格式为：作者、年份、数据集标题、版本号、PhysioNet、DOI。版本号不可省略，否则读者无法确定所述内容对应哪一版。

3.4 与同类资源的获取门槛对比

同为 MIMIC 衍生标注，不同数据集的门槛并不相同。有的采用完全开放的许可并托管在通用平台上，有的采用请求制（邮件向作者索取），这份数据采用的是平台化的凭据访问。三种模式的实际差别在于：开放许可最易获取但难以包含受保护健康信息；请求制灵活但依赖个人响应、缺乏审计；凭据访问在合规性上最严格，代价是申请周期较长且对使用者的机构背景有要求。

对使用者的实际建议只有一条：在把这份数据写进研究计划之前，先确认所在机构是否有既有的 PhysioNet 凭据访问记录。有先例的机构在核验环节通常顺畅得多，而没有先例时核验可能耗时数周，这会直接影响项目排期。

§4 质量与已知问题

4.1 官方自述的四条局限

官方 Usage Notes 明确列出了四条局限，这是评价这份数据时最应优先采信的表述，因为它们来自发布方而非外部推测。

第一条：所标注的七类疾病与六类药物不构成免疫抑制条件与药物的完整枚举。这一条决定了数据集在概念上是一个采样而非全景。临床上常见的免疫抑制原因还包括长期使用糖皮质激素、接受实体肿瘤化疗、患有慢性肾病或肝硬化导致的继发性免疫功能障碍、营养不良、以及部分自身免疫病本身，这些都不在标注范围内。

第二条：糖皮质激素与骨髓抑制性化疗未被裁定。这是四条中最具实质影响的一条，因为这两类恰恰是住院患者中最普遍的免疫抑制来源。一个因慢性阻塞性肺病长期口服泼尼松的患者，一个刚结束第三周期含铂化疗的肺癌患者，在这份标注里完全可能是全阴性。

第三条：患者可能因未裁定的原因处于免疫抑制状态。这一条是对第二条的补充，把「未标注不等于不存在」讲得更明确。

第四条：人群是特定的危重症亚群，因此各类阳性率不能与一般重症监护人群对齐。这条提醒针对的是最常见的误用——把这里的阳性率当作 MIMIC-III 总体的免疫抑制患病率。

4.2 假设、支持与反对

把这份数据用于下游研究时，有几个隐含假设需要显式检验。下表列出每个假设、支持它的证据与反对它的证据。

假设	支持	反对
入院记录足以承载免疫抑制的关键信息	入院记录通常包含既往史、现病史与用药清单，是信息密度最高的单一文书	外院用药常写作「不详」；护理给药、药房记录中的线索不在文书内；病程记录中的后期更正无法反映在入院时点
三名标注者的判定可视为接近真实标签	每份记录双人独立判定，分歧经主治重症医师裁决；总体分歧率 0.65%	第三标注者覆盖全部记录，两对比较不独立；分歧率未按变量拆解，高阳性变量的真实难度被零阳性变量稀释
「曾经存在即计入」能代表临床意义的免疫抑制状态	与「既往史」这一文书结构的语义一致，易于执行、重复性高	已治愈的淋巴瘤、早已停用的移植状态，其当前免疫抑制程度可能低于活动期患者；无时间窗意味着无法区分活动与既往
六个月的药物窗口能覆盖有临床意义的暴露	与多数免疫抑制剂的残余效应时间尺度大致吻合	利妥昔单抗的 B 细胞耗竭可远超六个月；而短期冲击治疗可能完全落在窗口内但被标为阴性
200 条样本足以支持方法比较	作为外部验证集，规模与判读成本之间取得平衡；配套研究据此得出可解释的结论	多个变量正例数为个位数甚至零，单变量指标不稳定；置信区间极宽
标签可与其他 MIMIC 结构化数据直接关联	使用 HADM_ID 与 ROW_ID 双键，与 MIMIC 体系原生兼容	一次住院可能有多份入院记录，ROW_ID 与标注所指的那一份需要逐条核对

4.3 不能从这份数据得出的结论

有几类结论在形式上可以算出来，但在解读上不成立，需要在使用前主动排除。

第一，不能由此估计 MIMIC-III 或一般 ICU 人群中各免疫抑制原因的患病率。样本是针对机械通气肺炎患者定向选取的，选择机制与免疫抑制状态高度相关（免疫抑制患者更容易发生重症肺炎），这构成了典型的对撞偏倚风险。

第二，不能断言某变量「容易识别」。零阳性与单阳性的变量在 200 条样本上无法产生有意义的性能估计，任何在此基础上的高准确率都是负类主导的假象。

第三，不能把疾病标签与药物标签相等同。两者在概念、时间窗口与记录完整度上都不同，互相替代会系统性偏倚结果。

第四，不能把这份标注当作药物暴露的完整记录。它只标了六种药物的有与无，既没有剂量、疗程，也没有给药途径与具体时间点。

4.4 已知的文档缺口

官方文档在以下几处没有给出信息，属于公开可查范围内的空白：标注文件的文件大小与总行数、CSV 的列名与列序、0.5 这一取值在各变量上的分布、分歧案例的具体类型、200 份记录的住院年份分布、以及各变量的患者级去重情况（同一患者多次住院是否被重复纳入）。

这七项空白中，前三项与最后两项对实际使用影响最大：不知道列结构就无法写解析代码，不知道同一患者是否重复纳入就无法正确划分训练与验证集。这些信息只能通过实际取得数据后自查获得，没有任何公开文档可以替代。

§5 能做什么

5.1 十问十答

Q1：这个数据集到底标注了什么？

对 200 份 MIMIC-III 入院记录逐份判定 13 项变量：7 类免疫抑制疾病与 6 类免疫抑制药物，编码为 1（是）、0（否）、0.5（不确定）。疾病按「既往曾有过即算」标注且不设时间窗，药物按「入院前 6 个月内使用过」标注，因此同一份记录里疾病为真、药物为假是常见且合理的组合。

Q2：为什么把状态和用药分成两套标注？

临床上的免疫抑制既是状态也是用药事实，两者不等价。患者可能正在服用他克莫司而入院记录未写明移植史，也可能有明确的淋巴瘤病史但本次住院早已停用化疗。分成两套变量可以让下游按需选择口径：感染风险预测更关心当前状态，用药安全更关心具体药物暴露，混成一个标签会丢掉其中一半信息。

Q3：这 200 条记录是从 MIMIC-III 全库随机抽的吗？

不是随机抽样。官方文档说明纳入的是接受机械通气、入住医疗 ICU、诊断为肺炎的患者，属于有明确临床特征的目标人群。因此各变量的阳性率反映的是这一高危亚组，不能当作 MIMIC-III 总体或一般住院人群的患病率使用。

Q4：标注的一致性如何保证？

每份记录由两名标注者独立判定：两名合作者各标注 100 份互不重叠的记录，第三名标注者标注全部 200 份，构成两两重叠。两人之间的判定分歧分别为 8/1300 与 9/1300，平均 0.65%，分歧交由主治重症医师复核裁定。

Q5：可以直接下载这些标注文件吗？

不能直接下载。该数据集属于 PhysioNet 的凭据访问级别，须完成身份与机构核验、取得数据使用培训证明并签署数据使用协议后才能访问。由于标签按 HADM_ID 索引且涉及受保护健康信息，实际使用时还需同时具备 MIMIC-III v1.4 的访问权限才能把标签与临床文本、结构化记录对上。

Q6：这套标注能不能直接用于训练模型？

200 条样本、多个变量正例数为个位数，直接训练容易过拟合。官方配套研究的用法是把它当作外部验证集：在自有队列上开发方法，再用这 200 条独立标注检验泛化性。若确需训练，建议配合提示词工程与少样本示例，而非端到端微调。

Q7：为什么没有糖皮质激素这一项？

官方 Usage Notes 明确说明糖皮质激素与骨髓抑制性化疗未被裁定。这意味着数据集覆盖的是一部分免疫抑制原因而不是全部：一个长期服用泼尼松的患者在这份标注里可能所有变量都是阴性，但这不等于该患者免疫功能正常。使用时必须把这一盲区写进局限性说明。

Q8：标签里的 0.5 是什么意思？

0.5 表示标注者对该项判定不确定。这是一个显式的「我不知道」通道，而不是折中的模糊取值。下游使用时可以把 0.5 当作缺失处理、并入阳性、或单独作为第三类，但三种处理会得到不同的阳性率与不同的模型指标，选择哪一种需要在方法学里写明。

Q9：三个标注者是怎么分工的，为什么要这样分？

两名合作者各负责 100 份互补的记录，第三名负责全部 200 份。这样安排的目的是在有限人力下实现「每份记录至少两人独立判读」，同时让所有分歧都有一个共同的参照标注者，便于统一裁决。代价是前两人之间没有直接重叠，无法单独计算这一对的一致性。

Q10：如果我只关心感染风险，应该用哪些变量？

七类疾病加六类药物都可以用，但需要自行决定权重。一个可行的起点是把实体器官移植、干细胞移植、急性白血病、淋巴瘤、多发性骨髓瘤视为状态轴，把六种药物视为暴露轴，两轴并列进入模型而非相加。若样本量不允许两轴并列，优先保留状态轴——它对「当前免疫抑制程度」的解释力更接近临床直觉，尽管如前所述仍有时滞问题。

5.2 任务清单

这份数据的直接用途是评测而非训练。按下游需求可分为六类：

任务	输入	输出	适用性
规则与编码基线	ICD 诊断编码、用药医嘱	13 项标签预测	强，可直接对照已有的结构化算法结果
传统文本分类	入院记录全文	13 项标签预测	强，词袋与 TF-IDF 即可建立基线
大模型零样本抽取	入院记录 + 提示词	结构化标签	强，配套论文的主线用法
大模型少样本与微调	少量示例或微调数据	结构化标签	中，200 条样本下微调风险高
信息抽取与证据定位	入院记录	标签 + 支撑片段	中，需自行设计定位标注，本数据只给标签
标注方法学研究	三份标注文件	一致性分析	强，可重算逐变量一致性与分歧类型

5.3 最小可执行示例

以下流程可在取得数据后进行，用于验证接入是否成功。它不涉及任何模型，只做结构自检。

第一步，确认文件完整性。三个 CSV 应当都存在，主文件的行数应在 198 到 200 之间（因空模板剔除），两个标注者文件的行数按各自的覆盖范围核对。

第二步，确认键的唯一性。以 HADM_ID 与 ROW_ID 组合为键，检查是否存在重复；若存在，说明需要进一步判断对应哪一份入院记录。

第三步，确认编码取值。所有变量列的值应只取 1、0、0.5 三种，出现其他值说明解析时把缺失值处理成了数字。

第四步，重算阳性数与占比，与文档给出的数值对照。若不一致，先检查是否把 0.5 计入了阳性，再检查分母用的是 198 还是 200。

第五步，重算两两分歧数与分歧率，对照文档的 8/1300 与 9/1300。这一步能同时验证列对齐是否正确——如果列错位，分歧数会显著偏离。

5.4 一个院感风险建模的接入草案

把这份标注用于院内感染风险建模时，需要把它与 MIMIC-III 的其他表格连接起来。合理的顺序是：

先取标签，得到 200 份记录的 13 项判定；再按 HADM_ID 连接到住院表，取得入院时间、出院时间、ICU 入出时间与转归；然后连接到诊断与操作编码表，构造可对照的结构化标签；再连接到用药医嘱表，取得实际的给药记录，用于验证标注文件里的药物标签是否与医嘱一致；最后连接到检验与生命体征表，构造感染相关的特征（体温、白细胞、降钙素原、培养结果）。

这条链路中最容易被忽略的一步是第四步——用用药医嘱反向核对标注。这一步同时具备两种价值：一是检验标注质量，二是识别标注口径与医嘱口径之间的系统差异（例如标注按「入院前 6 个月内」判定，而医嘱表在入院后可能又给了同类药物）。

5.5 不适合的用法

有几种用法在技术上可行但会产生误导性结果，需要提前排除。

把 200 条全部用于训练再在同一批上评估，得到的指标只反映过拟合程度；把 0.5 静默当作 0 处理而不在方法学中说明，会让阴性率虚高且不可复现；把七个疾病变量求和当作「免疫抑制负荷」的连续指标，会混淆不同疾病的临床权重；把六个药物变量求和当作暴露强度，会忽略药物之间的效力差异。

同样需要避免的是跨数据集直接迁移：这份标注的变量定义是为「入院记录 + 免疫抑制判定」这一具体任务设计的，套用到出院小结或门诊记录上，其标注口径的有效性没有任何保证。

§6 常见误读与引用陷阱

常见说法	实际口径	证据位置
「这是一个 2007 至 2022 年的数据集」	官方页与配套论文均未给出该数据的入出院年份区间；母库 MIMIC-III v1.4 覆盖 2001 至 2012 年	官方页数据描述；MIMIC-III 原始说明
「2007 至 2022 是数据集的年份跨度」	这一区间与配套论文主队列（西北大学 2018-06 至 2024-08 的 827 例）时间相近但不同源，与 MIMIC-III 也不重合，不能当作本数据的时间覆盖	论文方法节
「200 份病历来自 200 名患者」	官方文档只说明是 200 份入院记录，未披露患者级去重；同一患者多次住院理论上可能被重复纳入	官方页未披露
「数据集标注了免疫抑制」	只标注 13 个具体变量，官方明确说明这不是完整枚举；糖皮质激素与化疗未裁定	官方 Usage Notes 第 1、2 条
「所有变量都在入院前 6 个月内判定」	六个月窗口只适用于 6 个药物变量；7 个疾病变量不设时间窗，既往曾有过即计入	官方页标注口径
「免疫抑制状态与用药可以互相替代」	两套变量不等价，实际数据中已出现状态阳性而药物阴性与药物阳性而状态未标的情形	§2.3 阳性数对照
「阳性率反映 ICU 人群的免疫抑制患病率」	样本是机械通气、入住医疗 ICU、诊断为肺炎的定向亚组，阳性率不可外推	官方 Usage Notes 第 4 条
「0.65% 的分歧率说明标签近乎完美」	分歧率是总体值，未按变量拆解；13 个变量中 2 个零阳性、2 个单阳性，其一致性几乎不含信息	官方页一致性段落
「可以用它训练一个免疫抑制识别模型」	设计用途是外部验证；200 条样本、多个变量正例数个位数，直接训练过拟合风险高	论文用法；§5.1
「标注文件可以自由转发给合作者」	凭据访问 + 数据使用协议，不可再分发；合作者须各自申请	官方访问政策

陷阱一：文件行数与分母不一致。 官方说明有 2 份记录被判为空模板后移除，但所有阳性率的分母仍为 200。若下载到的文件少于 200 行，这不是文件损坏；但若用实际行数作分母重算阳性率，得到的数值会与官方公布的略有差异。两种算法都能成立，关键是全文只用一种并写明。

陷阱二：HADM_ID 一对多。 一次住院可能对应多份入院记录，标签通过 ROW_ID 锚定到具体文书。若只用 HADM_ID 连接，可能把标签与另一份入院记录配成对，这在 MIMIC-III 的转科场景下并非罕见。连接后应检查该 HADM_ID 下的入院记录条数。

陷阱三：把论文主队列与本数据集混为一谈。 配套论文有两个队列：西北大学的 827 例开发队列与 MIMIC-III 的 200 例外部验证队列。论文报告的性能数字大多来自前者，只有外部验证部分对应这份数据。引用指标时若不加区分，会把开发集上的成绩当作本数据上的成绩。

陷阱四：零阳性变量的指标陷阱。 免疫球蛋白缺乏在 200 条中零阳性、硫唑嘌呤零阳性、环孢素 1 例。在这些变量上，任何只预测阴性的方法都能得到极高的准确率，而 F1 与召回率的定义在此退化。汇报结果时必须标注这些变量不可评估，或明确说明采用了何种处理。

陷阱五：忽略 0.5 的处理方式。 官方给出三种取值的编码，但未规定下游应如何处理 0.5。把它并入阳性、并入阴性或作为第三类，会得到三套不同的阳性率与三套不同的模型指标。方法学部分必须写明所选口径，否则结果不可复现。

陷阱六：把标注当作用药事实的完整记录。 药物变量只回答「入院前 6 个月内是否用过这六种药之一」，不包含剂量、疗程、给药途径与具体起止时间。用于药物流行病学研究时，这个粒度不足以支撑暴露-反应分析。

§7 在生态中的位置

7.1 在 MIMIC 衍生标注家族中的定位

MIMIC 系列原始数据被反复二次利用，形成了若干衍生标注层：有的补充表型标签，有的补充影像对应，有的补充生理波形事件的标记。这份免疫抑制标注属于其中的「文本表型」分支——原始数据本身就有入院记录，标注工作是在文本之上叠一层临床判断。

与之相邻的还有两类资源。一类是同库的临床量表标注，例如在 MIMIC-III 文本上标注卒中严重程度的量表评分，方法学相近但目标变量不同。另一类是基于结构化数据的表型定义，例如用诊断编码与检验阈值组合定义某种疾病的队列，这类资源不需要人工阅读文本，但召回率通常偏低——这正是本数据集在论文中被用来对照的基线类型。

在本库已有的 MIMIC 相关条目中，它的位置介于「母库」与「下游任务」之间：母库提供文本与结构化记录，这份标注提供文本之上的临床判断，下游任务则同时消费两者。

7.2 与结构化数据表型的对照

用结构化数据定义免疫抑制人群，通常依赖 ICD 诊断编码与用药医嘱。这两种来源各有一个系统性弱点。

诊断编码的弱点在于编码行为本身。是否为一次既往史编上淋巴瘤的编码，取决于编码员的判断与医院的编码规范，同一种临床情形在不同机构可能得到不同编码数。此外，编码记录的是「本次住院期间被处理的诊断」，一份早已治愈的肿瘤若未在本次住院被提及，可能不会被编码。

用药医嘱的弱点在于覆盖范围与命名。医嘱表能反映院内给药，但入院前的用药依赖入院记录或转诊单的转录；药物的商品名与外院带药常常只以文本形式出现在病程记录中，而不进入结构化医嘱。

这份标注的价值正在于它绕开了这两种来源，直接读文本由人判断。但代价是规模小、成本高，无法在千例、万例量级上复制。因此它在生态中的角色是校准器而不是替代品——用来检验结构化算法与文本方法在同一批样本上的相对表现。

7.3 与大模型临床信息抽取方向的关系

2024 年以来，用大模型从临床文本中抽取结构化信息的路线快速增多。这一路线的核心问题不是能否抽取，而是抽取结果的可靠性如何评估。评估需要三样东西：明确的变量定义、人工判定的参照标签、以及足够接近真实文书难度的文本。这份数据同时提供了这三样，尽管规模有限。

配套研究采用的是零样本提示加外部验证的设计：在西北大学的开发队列上确定提示词与模型，在 MIMIC-III 的 200 条上检验。这一设计的意义在于，MIMIC-III 的文书风格、机构习惯与书写规范与开发队列不同，能在跨机构文本上保持性能的方法才具备推广价值。

7.4 与用药安全方向的接口

对于用药安全研究，这份标注提供的是一个入口而非终点。它告诉你哪些患者的入院记录提到了六种免疫抑制药物，接下来的工作需要在结构化医嘱与护理记录中核实剂量、时间与相互作用。这个「文本线索 → 结构化核实」的两段式流程在药物警戒中有实际价值，因为纯结构化方法会漏掉只在文本中提及的用药，而纯文本方法又缺乏精确的剂量信息。

7.5 与感染风险预测方向的接口

免疫抑制状态是院内感染与机会性感染的强预测因子，但多数预测模型把它编码成单一的二值特征或直接省略。这份双轨标注提示了一种更细的编码方式：把状态与药物分开，把药物按药理类别分开。是否这样做取决于模型的用途——如果目标是分诊优先级排序，粗粒度足够；如果目标是个体化预防策略（例如是否预防性使用抗微生物药物），粗粒度会导致大量错误分类。

§8 局限与使用边界

8.1 规模与统计效力的边界

200 条样本对应 13 个变量，平均每个变量仅约 15 条记录，而实际分布极不均衡：三个变量超过 5 例，两个变量为零。在这种分布下，任何单变量的性能指标都不具备统计稳定性。

对这一点可以做一个粗略的量化：若某变量有 3 例阳性，则召回率的可能取值只能是 0、1/3、2/3、1 四档，95% 置信区间几乎覆盖整个 0 到 1 区间。这意味着在这类变量上比较两种方法的优劣，实际上是在比较两个宽区间是否重叠，而这种比较几乎不会得出有意义的结论。

8.2 人群与选择机制的边界

纳入标准是机械通气、入住医疗 ICU、诊断为肺炎。这三个条件叠加后的群体是一个高度选择性的群体：免疫功能正常的人也可能因重症肺炎进入 ICU，但免疫抑制患者进入这一群体的概率更高。这种选择机制会放大免疫抑制的阳性率，同时也会改变各亚型的相对比例。

如果把这个比例直接当作先验概率用于其他人群的模型，会产生系统性偏倚。正确的做法是把它当作条件概率使用——在「机械通气肺炎患者」这一条件成立时，各变量的阳性率是多少。

8.3 时间口径的边界

疾病变量的无时间窗与药物变量的六个月窗口，这两个口径的设计意图不同，但共同造成了「无法确定当前免疫状态」的后果。

设想两位患者：一位在十五年前接受过实体器官移植、目前无需任何免疫抑制药物；另一位在三个月前停用他克莫司。在前者身上，实体器官移植为阳性、全部药物为阴性；在后者身上，实体器官移植可能为阳性、他克莫司为阴性。两者在标签上是相似的模式，但当前的免疫抑制程度差异很大。任何把标签当作「当前状态代理」的模型都会在这一点上失准。

配套论文在错误分析中也注意到了相关问题：模型会把「新开医嘱」误判为入院前已在用，也会把「近期暂停的用药」误判为从未使用。这从另一个方向印证了时间口径是这类任务的固有难点。

8.4 不适用场景

四类场景明确不适用：需要精确暴露剂量的药物流行病学研究；需要覆盖全部免疫抑制原因（含糖皮质激素与化疗）的人群定义；需要在普通住院人群上估计患病率的研究；以及需要训练数据量达到千例以上的深度学习建模。

§9 与其他数据的配合

9.1 必备的配套数据

使用这份标注的最小配套是 MIMIC-III v1.4 的以下几张表：入院记录文本表（提供被标注的文书）、住院记录表（提供入院与出院时间）、患者表（提供患者级标识与人口学信息）、诊断编码表与操作编码表（提供结构化对照）、以及用药医嘱表（提供药物标签的核实依据）。

缺少其中任何一张，可用性都会显著下降：没有住院记录表，就无法判断标签对应的时间点；没有用药医嘱表，就无法验证药物标签；没有患者表，就无法确定同一患者是否被重复纳入。

9.2 可选的增强数据

若目标是感染风险建模，还需要检验结果、生命体征、微生物培养、以及抗微生物药物的使用记录。若目标是方法学比较，可引入公开的合成临床文本（如经过脱敏的模拟病历）作为提示词开发的试验场，避免在受限数据上反复试错。

9.3 连接中的常见错误

连接时最常见的三个错误分别是：用患者标识而非住院标识连接（导致一个人的多次住院互相污染）、忽略一次住院多份入院记录的情况（导致标签与文本错配）、以及把时间戳的时区或单位忽略（MIMIC 的时间字段为入院相对时间，跨表连接时需换算）。

§10 使用路径与检查清单

10.1 按角色划分的路径

准备做外部验证的方法研究者：先确认访问资格，取得 MIMIC-III 与标注集；再在自有队列上固定方法与提示词；然后在 200 条上一次性评估，不做基于测试集的调参。重点是不要在外部验证集上反复试错，否则外部验证就退化成了内部验证。

准备做表型定义的数据工程师：先用标注集验证既有的 ICD 规则，量化其在免疫抑制识别上的召回缺口；再据此决定是否引入文本方法；若不引入，至少应把缺口写进队列构建的局限性说明。

准备做标注方法学的团队：三份标注文件是可直接使用的研究材料，可重算逐变量一致性、分析分歧类型、评估双标注者加裁决者这一流程的成本效益。

准备做临床研究的研究者：把这份标注当作免疫抑制暴露的验证样本，而不是全量数据。若研究规模需要千例以上，应把标注方法迁移到自有数据，保留本数据作为校准点。

10.2 使用前检查清单

检查项	目的
是否已具备 PhysioNet 凭据访问资格	决定项目能否启动
是否已具备 MIMIC-III v1.4 访问权限	决定标注文件能否与文本连接
是否明确疾病与药物两套口径的差异	避免混用导致偏倚
是否确定 0.5 的处理方式并写入方法	保证可复现
是否核对文件行数与分母口径	避免阳性率计算错误
是否检查 HADM_ID 下的入院记录数量	避免文本错配
是否标注零阳性与单阳性变量为不可评估	避免虚假的性能结论
是否在局限性中写明糖皮质激素与化疗未覆盖	保证结论的适用范围清楚
是否同时引用了标注集与母库	履行协议与学术义务
是否确认不再分发文件	合规

10.3 三句话总结

这份数据的核心价值是把「免疫抑制」拆成状态与用药两套变量，并用双标注者加主治医师裁决的方式给出了人工判定的参照；它的核心限制是规模小、人群窄、未覆盖最常见的两类免疫抑制原因。

适合把它当作外部验证与校准工具，不适合当作训练数据或患病率来源。

使用前最应该做的一件事，是确认自己同时具备标注集与母库的访问权限，并在方法学里写清 0.5 与两套口径的处理方式。

附录 A：关键数字速查

数字	含义	出处
200	入院记录份数，全部分布统计的分母	官方页数据描述
2	人工复核判定为空模板后移除的记录数	官方页数据描述
13	标注变量总数（7 + 6）	官方页、论文
3	标注者人数	官方页
3	发布 CSV 文件数	官方页数据描述
100	VG 与 MK 各标注的记录数	官方页
1300	一致性比较的判定单元数（13 变量 × 100 份）	官方页一致性段落
8	VG 与 MJB 的判定分歧数	官方页
9	MK 与 MJB 的判定分歧数	官方页
0.65%	平均分歧率	官方页
6 个月	药物变量的回溯窗口	官方页标注口径
1 / 0 / 0.5	是 / 否 / 不确定三种取值	官方页
1.0.0	数据集版本	官方页
2025-08-04	版本发布日期	官方页

附录 B：缩写与术语对照

缩写或术语	全称或释义
MIMIC-III	Medical Information Mart for Intensive Care III，重症监护医疗信息数据库第三版
NOTEEVENTS	MIMIC-III 中的临床文书表，含各类自由文本记录
HADM_ID	住院标识，唯一对应一次住院
ROW_ID	文书行标识，唯一对应一条文书记录
DUA	Data Use Agreement，数据使用协议
CITI	Collaborative Institutional Training Initiative，提供科研伦理培训的机构
PhysioNet	由 MIT 计算生理学实验室维护的生物医学数据共享平台
表型	phenotype，此处指由临床特征、编码或文本推断出的患者状态标签
双轨标注	同一概念下并列设计状态型与用药型两套变量
零样本	zero-shot，不提供示例直接让模型判定
TF-IDF	词频-逆文档频率，经典的文本特征加权方法
对撞偏倚	collider bias，在选择样本时同时依赖暴露与结局所导致的关联失真

附录 C：DAIMS 评估

维度	评分（1-10）	依据
D 可发现性	7	有独立 DOI 与 PhysioNet 页面，可被检索；但名称较长，且「Ext」前缀易与其他 MIMIC 扩展标注混淆，页面元数据对 13 个变量的说明集中在正文而非结构化字段
A 可获取性	4	凭据访问加双重权限门槛（本数据集与母库都要获批），决定流程较长；这是合规性要求带来的必然代价，也是使用成本的主要来源
I 可互操作	8	以 HADM_ID 与 ROW_ID 双键与 MIMIC-III 原生对接，CSV 为通用格式；不足在于列结构未公开，接入时需先自查
M 元数据质量	7	变量定义、时间口径、阳性分布、一致性数字均公开；缺口在于文件结构、0.5 的分布、患者级去重与年份分布未披露
S 可持续性	7	依托 PhysioNet 平台长期托管，有 DOI 与版本号；单版本、无更新记录，长期维护意图不明
综合	6.6/10	文档透明度高于同规模人工标注集，可获取性受合规门槛限制属于设计选择而非缺陷

附录 D：核验方式与未覆盖内容

项	核验方式	结论
数据集存在性与规模	抓取 PhysioNet 官方页面（版本 1.0.0）	200 份入院记录、13 变量、3 个 CSV，与候选描述一致
DOI 与版本	官方页面标识区	版本 DOI 与最新版 DOI 各一，当前指向同一版本
配套论文	期刊页面摘要与方法节	JAMIA 2025;32(12):1888-1898，外部验证队列即本数据集
年份跨度	官方页与论文均无此信息	候选描述中的「2007-2022」无来源支持，判为误记
文件大小与列结构	未取得（访问受限）	记为未覆盖，正文按「官方文档未披露」处理
逐变量一致性	官方仅给总体分歧数	未按变量拆解，正文不做推断
0.5 取值的分布	官方未披露	记为未覆盖

未覆盖内容三类：一是需要下载后才能获得的结构信息（文件大小、列名、行数、缺失标记方式）；二是官方未披露的统计信息（逐变量一致性、0.5 分布、患者级去重、年份分布）；三是论文补充材料中的逐变量指标（正文仅报告主要变量，补充材料未在可访问范围内取得）。

附录 E：检索与引用模板

检索这份数据时，最有效的组合是数据集官方全称加发布平台，或使用 DOI 直接定位。若检索不到，可尝试以 PhysioNet 短名（MIMIC-III-Ext-Immunosuppressive-Conditions-Medications）作为关键词，这一名称同时也是主标注文件的文件名。

引用时建议采用下列结构，并补充母库引用：

Guggilla V, Bak M, Kang M, Walunas T, Gao CA.
Immunosuppressive Condition and Medication Annotations for Admission Notes
in the MIMIC-III Database (version 1.0.0). PhysioNet. 2025.
doi:10.13026/etd0-dq69

并同步引用：
Johnson A, Pollard T, Mark R. MIMIC-III Clinical Database (version 1.4).
PhysioNet. 2015. doi:10.13026/C2XW26

配套方法学论文的引用应与数据引用并列，用于说明该标注的设计意图与评估结果。

附录 F：常见问题速查

问题	简要回答
标注文件的列结构是什么	官方文档未披露，须下载后自查
200 份是患者数还是住院数	是入院记录数；患者级去重未披露
两份空模板记录是否影响使用	标签已移除，但阳性率分母仍为 200，重算时需明确口径
0.5 该如何处理	官方未规定，三种处理方式都会改变结论，须在方法学中声明
能否只用标注文件不用 MIMIC-III	不能，标签只有与文本连接才有意义，且需母库权限
能否用它训练模型	不推荐，设计用途是外部验证
同类任务有没有更全的标注	本数据明确声明不是完整枚举，糖皮质激素与化疗未覆盖，需要时须自行补充

编辑说明

核验时间：2026 年 10 月 18 日。核验方式：抓取 PhysioNet 数据集版本页（v1.0.0）全文，比对配套论文《Large language models accurately identify immunosuppression in intensive care unit patients》的摘要与方法节，另查作者团队在 GitHub 公开的代码仓库说明页。三处来源在数据集规模、变量清单、阳性分布与访问政策上一致。

双口径记录：其一，候选描述给出「2007-2022」的年份跨度，官方页面与配套论文均无此区间，且母库 MIMIC-III v1.4 的入出院期为 2001 至 2012，故正文按「官方未披露」处理。其二，官方页面先述 200 份入院记录、再述 2 份被判为空模板移除，而阳性率分母仍为 200，正文保留这一张力并说明两种分母口径的差异，未擅自改写为 198。其三，配套论文的主队列为西北大学 827 例（2018-06 至 2024-08），外部验证队列才是此处所述的 200 份，正文按队列分开陈述，不把两个队列的性能数字混用。

存照：本页所有阳性数与分歧数均直接取自 PhysioNet 页面正文，未做二次推算；一致性分母 1300 为 13 变量乘 100 份，属页面明示的构成方式。论文中的性能指标（F1、F2）仅在必要处提及，未将开发队列成绩移作本数据集的成绩。

未覆盖：三个 CSV 的文件大小、列名、列序与缺失标记方式，因访问受限未取得；0.5 取值在各变量上的分布、逐变量一致性、200 份记录的患者级去重情况与年份分布，官方文档均未披露，正文一律按「未披露」表述，未做推测填充。

版本日志：v1.0.0（2025-08-04）为当前唯一版本，无更新记录。

下次复核：建议在官方发布 1.0.1 或更高版本、或配套论文有正式勘误时复核本文。重点关注变量清单是否扩充（尤其是糖皮质激素是否纳入）、文件结构是否公开、以及一致性统计是否按变量拆解。