Lacuna — 跨三大洲 60 万住院的重症监护协调时序数据集

把美欧中九个 ICU/ED 源库用 ricu 概念层协调成近 10 亿数据点的超大规模时序集合——首次纳入治疗变量（给药速率与剂量），并为跨院迁移学习立基准：LightGBM 仍胜深度模型

来源 美国 MIMIC-III/MIMIC-IV/eICU/MIMIC-IV-ED + 欧洲 AmsterdamUMCdb/HiRID/SICdb + 中国 PICdb/Zigong EHR 共九个源库经 ricu 概念层协调；双格式导出（稠密全插补网格 + 时间-变量-值三元组）发布时间: 2026-10-16最后更新: 2026-10-20 阅读 20
Lacuna — 跨三大洲 60 万住院的重症监护协调时序数据集

信息速览

数据集名称Lacuna — 跨三大洲 60 万住院的重症监护协调时序数据集
数据类型真实世界数据,时序数据,衍生数据
规模超过 600,000 次住院（patient stays）；2025 ICareFM 口径扩至约 650,000；含儿科子集（PICdb 中位年龄约 2 岁）
接入方式美国 MIMIC-III/MIMIC-IV/eICU/MIMIC-IV-ED + 欧洲 AmsterdamUMCdb/HiRID/SICdb + 中国 PICdb/Zigong EHR 共九个源库经 ricu 概念层协调；双格式导出（稠密全插补网格 + 时间-变量-值三元组）
AI 就绪度

INFOBOX — Lacuna 一屏速览

维度 内容
本质 把美欧中九个 ICU/ED 源库协调为统一概念网格的超大规模重症监护时序集合（非新采集，是上层协调）
团队 ETH Zürich + Tiptree Systems，13 作者（Manuel Burger 等，通讯 Gunnar Rätsch / Rita Kuznetsova）
论文 arXiv:2411.16346（2024-11-25）；NeurIPS 2024 AIM-FM Workshop Oral
规模 超 600,000 次住院 / 近 10 亿数据点 / 9 个源库 / 三大洲（美、欧、中）
源库 美：MIMIC-III、MIMIC-IV、eICU、MIMIC-IV-ED｜欧：AmsterdamUMCdb、HiRID、SICdb｜中：PICdb、Zigong EHR
概念层 141 概念 = 6 静态人口学 + 80 观察 + 55 治疗（pith 口径）；首次协调治疗变量（给药速率与剂量）
双格式 ① 稠密全插补网格（供经典 ML）② tokenized 三元组（时间,变量,值，供序列模型）
基准任务 早期事件预测：循环/呼吸/肾衰竭、失代偿；in-dist / held-out-hospital / fine-tuning 三场景
主结论 LightGBM + 手工特征仍胜深度模型；GRU/Mamba 差 1–2 AUROC 点，多中心下收窄
关键现象 Locality 效应（同区域迁移好于跨洲）；肾衰竭在高分辨率（5 分钟）集间迁移佳；site signature 难消
后继 ICareFM（2025 medRxiv）：首个重症监护基础模型，扩至约 65 万住院 / 11 源
获取 本体未定（无公开直链）｜底源请求制（PhysioNet + CITI）｜ricu 包 GitHub/CRAN 开源
许可 分层且未定（风险项，详见 §7）
库内互链 eicu-crd(552)、eicu-collaborative(9)、chinese-critical-care-database(166)、zhejiang-ehr-critical-care(598)、clinical-trajectory-flow-icu(962)

Lacuna 是一次"把散落三大洲的重症监护数据缝成一张网"的尝试。重症监护病房（ICU）里，监护仪每几秒吐出一次心率、血压、血氧，检验科每天回报数十项化验，护士按医嘱推注升压药——这些高频率、不规则的临床时序，是机器学习最想要、也最难拿到的数据。难点不在单家医院数据太少，而在分布偏移（distribution shift）：一家医院的"正常治疗"在另一家可能完全不同，模型换个医院就失灵。Lacuna 用 ETH 团队开发的 ricu 概念层，把美国、欧洲、中国的九个公开重症/急诊源库映射到同一套临床概念上，拼出超过 60 万次住院、近 10 亿数据点的协同集合——尤其特别的是，它第一次把"医生到底做了什么"（治疗变量，含给药速率与剂量）也纳入了协调，而不只是生命体征和化验值。

导语读法三则：

  1. 只想了解规模与身份：读 §0、§1 与 INFOBOX——注意它是"协调上层"而非新采集，规模口径有 2024/2025 两个版本，别混。
  2. 关心能不能下数据：直奔 §7 获取与许可——这是本条目最大的风险项，本体数据集与代码均未见公开直链，底源全为请求制。
  3. 做时序建模或迁移学习：直奔 §6 与 §8——双格式导出、三场景基准、LightGBM 胜深度模型、site signature 现象，是可直接对标的结论。

§0 导读：这个数据集解决什么问题

要理解 Lacuna，先要理解重症监护数据的"三重撕裂"。

第一重：机构撕裂。 一家医院的心率可能记在 chartevents 表，另一家记在 vitalsign；这里用绝对时间戳，那里用相对入院时间。同一个临床量，在不同医院是不同的表、不同的字段、不同的单位。模型要跨院，先得跨过这套"方言差异"。

第二重：治疗撕裂。 更隐蔽的是治疗方案的不同。一家医院对同样的休克病人倾向大剂量升压药，另一家倾向补液——于是"给药"这个动作本身，在不同医院呈现完全不同的统计分布。如果模型只学生命体征、不学"医生做了什么"，它学到的其实是"这家医院的惯例"，换个医院立刻失效。治疗政策（treatment policy）正是分布偏移（distribution shift）的最大来源之一——这是 Lacuna 最核心的问题意识。

第三重：地理撕裂。 公开的重症数据库长期由北美、欧洲主导，亚洲数据缺席。一个在美欧数据上训练的模型，其"公平性"与"包容性"无从谈起——它可能对从未见过的亚洲人群系统性失准。

Lacuna 的回答高度聚焦、也相当克制：它不去采集新数据，而是用 ricu 概念层把已有的九个公开重症/急诊库"缝"到一张统一的临床概念网格上，并在缝合过程中第一次把治疗变量（含给药速率与剂量）也纳入协调，同时把中国数据首次与美欧并列。产出的不是模型，而是一份超过 60 万次住院、近 10 亿数据点、横跨三大洲的协调数据集，外加一套跨院迁移学习基准。用团队自己的话说，这是"基础模型的基础（foundation for foundation models）"。

它的价值不在于发明了新算法，而在于把"数据可用性"这一基础设施问题向前推了一大步——尤其是用一个开源工具（ricu）+ 一套可复现的协调流程，试图终结"每个研究组各自重复做数据协调"的浪费。但它也留下了两个显著缺口：一是整合产物本身尚未公开分发（§7），二是协调是否真的保留了治疗的临床可比性尚未被直接验证（§10）。

§0 读法三则：

  1. 这个条目是"数据集 + 基准 + 方法"三合一：本体是九源协调集合，衍生品是迁移学习基准，方法论是 ricu 概念层协调流程——三者是可获取性逐层收紧的关系（本体未定 → 底源请求制 → ricu 包开源）。
  2. 全文规模数字存在 2024（60 万/9 源）与 2025（65 万/11 源）双口径，凡引用必注明版本；概念数存在 **141（全部）与 44（治疗子集）**两种口径，勿混（§5、§10.1）。
  3. 检索时若把 Lacuna 当成"能直接下载的数据集"会一无所获——它是协调上层，不是新的原始数据源（坑 1）。

§1 数据集速览：十二问十二答

Q1：Lacuna 到底是什么？是新采集的数据吗？
不是。它是对已有九个公开 ICU/ED 数据库的协调（harmonization）上层——把各家的异构表结构映射到一套统一临床概念上。它不产生新病人数据，而是让旧数据"能一起用"。

Q2："Lacuna"这个名字指什么？
Lacuna 是数据集/平台的名称（平台域 lacuna.tiptreesystems.com），论文标题本身不用这个词。命名来由官方未明确说明（一处遗留疑点）。

Q3：规模到底多大？
2024 主口径：超 600,000 次住院、近 10 亿数据点、9 个源、三大洲。2025 口径：约 650,000 次住院、over 11 个源、超 4,000 患者年。数据点两口径均约 10 亿。

Q4：九个源库分别是什么？
美国 4 个（MIMIC-III、MIMIC-IV、eICU、MIMIC-IV-ED）、欧洲 3 个（AmsterdamUMCdb、HiRID、SICdb）、中国 2 个（PICdb、Zigong EHR）。

Q5：三大洲的说法准确吗？
准确。美国（北美）、欧洲（荷兰/瑞士/奥地利）、中国（亚洲）。论文强调这是首次把中、美、欧数据并列协调。

Q6：和之前的多数据集工作比，新在哪？
三点：①首次协调治疗变量（含给药速率与剂量），而非只协调生命体征化验；②首次同时纳入 ICU 与 ED；③首次纳入亚洲数据。

Q7：数据以什么格式给出？
两种：稠密全插补网格（规整张量，给经典 ML）与 tokenized 三元组（时间,变量,值，给序列模型）。

Q8：基准测什么任务？
早期事件预测（early event prediction），覆盖循环衰竭、呼吸衰竭、肾衰竭、失代偿四类事件，在 in-distribution、held-out-hospital、fine-tuning 三场景下评测。

Q9：谁赢了基准？
LightGBM（+手工特征）在几乎所有任务上胜过深度学习模型；GRU/Mamba 差 1–2 AUROC 点，多中心设置下差距收窄。

Q10：最重要的一个发现是什么？
site signature（站点签名）：即便协调之后，数据仍按源医院强聚类——"这是哪家医院"的指纹没被抹掉，是通用基础模型的最大障碍。

Q11：我现在能拿到数据吗？
基本不能直接拿。整合数据集本体与协调代码均未见公开直链；底源须逐源申请（PhysioNet + CITI 认证，UMCdb 需额外审批）。ricu 包本身开源。

Q12：为什么它对 AI-Ready 有意义？
它是一个治理短板鲜明的样本：数据规模与互操作性都极强，但许可与发布形态未定，导致"可访问性/可复用性/治理"三项被拖低。它提醒检索者：协调类数据集的 AI-Ready 短板往往不在技术，而在治理。

1.5 一句话背景：Lacuna 之前，重症时序数据是什么样的

要理解 Lacuna 的意义，先看它出现前的格局：

  • 单源时代：多数重症论文只在 MIMIC-III 一个库上做验证，模型换个医院就失效（外部验证缺失是长期痛点）。
  • 多源拼接时代：研究者开始手动拼接多个库，但每家各拼各的——同样的预处理反复做，且普遍忽略治疗变量。
  • 协调时代（Lacuna）：用统一概念层一次性协调九个库，并把治疗变量与亚洲数据纳入，试图让"跨院、跨洲、可复用"成为默认前提。

这条演进线解释了为什么 Lacuna 用"ricu + 概念层"而非"直接给一份大表"：它要解决的是可复用性，不只是数据量。

1.6 本条目阅读风险提示

阅读本条目时，有三个最容易踩的认知陷阱，先在此集中提示（详见 §11 坑点、§18 误解澄清）：

  1. 规模陷阱：Lacuna 规模有 2024/2025 两套口径，混用会出错。
  2. 获取陷阱：它不是可下载数据集，本体与代码均未见公开直链。
  3. 概念陷阱：“协调"不等于"消除差异”，site signature 依然存在。

§2 名称、身份与问题背景

2.1 一句话定义

Lacuna Critical Care Time Series（下简称 Lacuna）是一个把美国、欧洲、中国三大洲九个公开重症监护（ICU）与急诊（ED）数据库，经统一临床概念层协调（harmonize）后得到的超大规模多元临床时序数据集，并附带一套跨医院迁移学习（transfer learning）基准。按团队自己的定位，它是"基础模型的基础"（foundation for foundation models）——不是训练好的模型，而是为训练重症监护基础模型准备的数据与基准底座。

术语首现

  • 协调（harmonization）：把不同医院名目各异的变量（比如这里叫"收缩压"、那里叫"动脉压均值"）映射到同一套概念，使跨机构数据可联合建模。
  • 概念（concept）：ricu 体系中的核心抽象，指一个数据源无关的临床量（如"心率"、“去甲肾上腺素输注速率”），每个概念在每个源库中各有自己的取值映射。
  • 停留/住院（patient stay）：一次 ICU 或 ED 收治实例，是 Lacuna 的基本记录单位。

2.2 它解决什么问题

论文开篇抛出的矛盾很直白：大语言模型（LLM）已经在文本医疗任务上掀起革命，但院内高频临床时序（生命体征、化验、治疗）的大规模建模却严重滞后。原因不是没数据，而是数据被"打碎"在各自为政的医院里：

  • 每家医院记录格式不同、治疗方案不同；
  • 由此产生巨大的分布偏移——在一家医院训练的模型，到另一家就失灵，因为"正常治疗长什么样"本身随机构而变；
  • 早先想做跨库聚合的努力，多半只协调了生命体征和化验值，忽略了治疗变量（医生实际做了什么），也没有把亚洲、欧洲、美国的数据真正拉到一起。

Lacuna 的贡献正是冲这两点去的：把治疗变量也纳入协调，并把中国数据（PICdb、Zigong EHR）首次与美欧并列。

2.3 三重"首次"主张

论文与平台页面明确指出，本工作在其自身定义下是首次做到以下三点（注意：这是作者自述主张，非第三方认证）：

  1. 首个协调核心治疗变量（而非仅生命体征与化验）的大规模集合；
  2. 首个同时纳入 ICU 与 ED 数据的协调集合；
  3. 首个在三洲（北美、欧洲、亚洲）并列的重症监护时序集合。

第三方分析平台 pith.science 对此给出了一个相对克制的评价（“solid harmonization-and-benchmark work with an overclaim and an unvalidated core assumption”），并点出最关键的未被验证假设：把各医院局部的药物与测量编码映射到共享概念后，是否仍保留治疗的真实临床含义——例如同一段"去甲肾上腺素速率"代码在不同站点是否真指同一种用药惯例。这一点在 §10 存照中保留。

2.4 与库内既有条目的身份区分

Lacuna 是协调上层，不是任何一个底源库的新版本。库内已收录多个重症时序条目，都是它的"零件"而非它的别名：

库内条目 rid 与 Lacuna 的关系
eicu-crd 552 Lacuna 九源之一 eICU 的标准开放版
eicu-collaborative 9 eICU 协作研究版本，同源
chinese-critical-care-database 166 中国重症库，与 PICdb/Zigong EHR 同域不同库
zhejiang-ehr-critical-care 598 中国重症 EHR，同域不同库
clinical-trajectory-flow-icu 962 重症时序建模数据集，同域不同团队

消歧要点：检索者若想拿"某一家医院"的原始 ICU 数据，应去对应底源条目；Lacuna 提供的是"把多家缝在一起并附带迁移基准"的产物，且其本体发布形态未定（§7）。

2.7 三个名字，一个实体

检索 Lacuna 时会遇到三个易混名字：

名字 所指 关系
Lacuna 数据集/平台名 本条目主角
Towards Foundation Models for Critical Care Time Series 论文标题（2024） 描述 Lacuna 的主论文
ICareFM 重症基础模型（2025） 用扩展 Lacuna 训练的下游模型

检索建议：查数据集用 “Lacuna”；查方法/引用用论文标题或 arXiv:2411.16346；查模型用 “ICareFM”。三者不可互换。

2.8 实体边界一览

判断 结论
它是原始数据集吗？ 否，是协调派生层
它是模型吗？ 否，模型是 ICareFM
它有独立采集的数据吗？ 否，数据全来自九源
它库内已有同实体条目吗？ 查重确认无（DB ILIKE ‘%lacuna%’ = 0 行）

§3 论文、时间线与版本演进

3.1 主论文

项 内容
标题 Towards Foundation Models for Critical Care Time Series
arXiv ID 2411.16346（v1，唯一版本）
提交时间 2024-11-25 12:49:55 UTC
DOI 10.48550/arXiv.2411.16346
发表 Accepted for Oral Presentation at AIM-FM Workshop at NeurIPS 2024
学科 cs.LG；stat.ML
许可 arXiv perpetual non-exclusive license（针对论文本体）

双口径存照：arXiv Comments 字段记为"AIM-FM Workshop at NeurIPS 2024（Oral）“，而 Lacuna 平台页面将其著录为"NeurIPS 2024 · OpenReview”。这是同一工作的两种著录方式（workshop 论文经 OpenReview 流转），非两个不同论文，正文并列存照。

3.2 作者与团队

论文由 13 位作者共同署名：

Manuel Burger、Fedor Sergeev、Malte Londschien、Daphné Chopard、Hugo Yèche、Eike Gerdes（亦作 Eike Christian Gerdes）、Polina Leshetkina、Alexander Morgenroth、Zeynep Babür、Jasmina Bogojeska、Martin Faltys、Rita Kuznetsova、Gunnar Rätsch。

  • 通讯线索：arXiv HTML 与平台页均未直接列出通讯地址，第三方分析给出 rita.kuznetsova@inf.ethz.ch、raetsch@inf.ethz.ch 两个候选（待一手确认）。
  • 机构线索：ETH Zürich（苏黎世联邦理工）机器学习组 + Tiptree Systems（Lacuna 平台 lacuna.tiptreesystems.com 的运营方）。Gunnar Rätsch 是医学机器学习领域知名学者；共同作者 Martin Faltys 长期参与 HiRID 相关工作。
  • 底座依赖：协调流程建立在 ricu R 包之上，该包由 ETH 医学数据科学（ETH MDS）团队维护，另有独立论文（Bennett 等，2021；后续 GigaScience 版本）描述。

3.3 版本演进时间线

时间 事件 关键口径
2021 ricu R 包论文（协调底座） 支持约 4 源、319,402 次 ICU 收治
2024-11-25 Lacuna 主论文（arXiv:2411.16346，NeurIPS 2024 AIM-FM Oral） 超 600,000 住院 / 9 源 / 近 10 亿数据点 / 三洲
2025-07-25 后继论文（medRxiv，ICareFM 重症基础模型） 约 650,000 住院 / 11 源 / 超 4,000 患者年 / 44 治疗变量

规模双口径，全文须并列存照：

  • NeurIPS 2024 口径：超 600,000 次住院、9 个源数据集、近 10 亿数据点、三大洲。
  • medRxiv 2025（ICareFM）口径：原始处理量"从不足 40 万增至接近 80 万"，经 k-匿名化等进一步筛选后最终约 650,000 次住院，“over 11 different source datasets”，"超 4,000 患者年"数据。

两口径不矛盾——是同一团队在一年内的版本演进（新增源、增加概念）。引用 Lacuna 规模时，必须标明是哪个版本的口径，否则会出现"60 万 vs 65 万 vs 11 源 vs 9 源"的引用混乱。

3.4 论文的一句话贡献

论文摘要原文的核心表述是：本文"引入一个用于序列建模与迁移学习研究的协调数据集，是首个纳入核心治疗变量的大规模集合"，并称未来计划继续扩展该数据集。它刻意不宣称训练好了基础模型，而是宣称提供了构建基础模型所需的协调数据、任务标注与迁移结果——这一定位对理解 Lacuna 的数据集属性至关重要：它是一个为下游建模服务的中间层数据集，本身不产出预测结论。

2.5 为何是"协调上层"：数据集类型学定位

在临床数据集谱系中，Lacuna 处于一个特殊位置。按下述类型学，它属于派生协调层（harmonized derivative），而非原始采集层：

层级 典型代表 特征 Lacuna 是否属于
原始采集层 MIMIC-IV、eICU 原始表 医院直接产出，未整理 否（它是消费者）
整理发布层 eICU-CRD、MIMIC-IV 官方整理版 提供方清理后的单源 否（它是其上再加工）
协调派生层 Lacuna 多源映射到统一概念 是
任务基准层 早期事件预测基准 定义标签与划分 是（附带的基准）
模型层 ICareFM（2025 后继） 训练好的模型 否（后继工作）

这一定位带来两个直接后果：

  1. 可获取性继承自上游：Lacuna 的数据能不能用，取决于九个底源能不能拿到——它无法绕过底源的请求制（§7）。
  2. 价值集中在"映射"而非"数据"本身：Lacuna 的技术贡献是那套概念映射（concept mapping），即"这个库的这列 → 共享概念的哪个量"。这也是它代码未发布时最令人遗憾的部分（§7）。

2.6 与同类协调工作的对照

工作 源数 治疗变量 亚洲数据 双格式 ICU+ED
ricu（2021，底座） 4 弱（治疗覆盖不足） 否 否 否
先前多数据集基准 多 仅二元指示 否 否 否
Lacuna（2024） 9 是（速率+剂量） 是 是 是

该对照表基于论文自述的"首次"主张整理；属作者口径，非第三方独立评测结论（§10 存照）。

3.5 论文关键术语中英对照

为便于检索与引用，核心术语对照如下：

中文 英文 含义
协调 harmonization 把异构源映射到统一概念
概念 concept 数据源无关的临床量
停留/住院 (patient) stay 一次收治实例
分布偏移 distribution shift 跨机构数据分布差异
治疗政策 treatment policy 医院的治疗惯例
早期事件预测 early event prediction 提前预测临床事件
站点签名 site signature 数据携带的源医院指纹
迁移学习 transfer learning 跨机构知识迁移
留出医院 held-out-hospital 测试于未见医院的设置

3.6 从 2024 到 2025：一次版本跃迁说明了什么

Lacuna 的版本演进本身提供了一个有价值的观察点：

  • 2024 版本（arXiv:2411.16346）是"立框架"：确立九源、提出治疗协调、搭建迁移基准，主打"首个纳入治疗变量的协调集合"。
  • 2025 版本（medRxiv，ICareFM）是"上模型"：在协调数据上训练出首个重症基础模型，源数扩至 11+、住院扩至约 65 万。

这条演进路线说明：Lacuna 的定位从来不是终点，而是"数据底座"。团队先用一篇论文证明"能协调"，再用下一篇证明"协调出来的数据能训出有用模型"。对检索者的启示是——若关心数据规模，以 2025 口径为准；若关心方法首创，以 2024 论文为准。

3.7 论文的自我克制：不宣称已建成基础模型

值得单独点出的是，2024 主论文的摘要刻意克制——它说本文"aims to establish a foundation"（旨在奠定基础），“Future plans involve expanding”（未来计划扩展），而未宣称已经建成通用基础模型。学术上，这是一种诚实的边界声明：

  • 它提供：协调数据集、任务标注、迁移结果；
  • 它不提供：训练好的基础模型（那是 2025 ICareFM 的事）。

检索者若把 Lacuna 误解为"已发布的重症基础模型"，会犯方向性错误——它是数据，不是模型（§18）。

3.8 论文所属的问题谱系

Lacuna 处在几条研究脉络的交汇处，理解这些脉络有助于定位它的贡献：

脉络 代表工作 Lacuna 的切入
重症数据的工具化 ricu（2021） 把 4 源的接口扩到 9 源
跨机构分布偏移 各域适应研究 提供三洲协调集合做对照实验
治疗效应建模 因果推断/治疗政策学习 首次把给药速率纳入大规模协调
医疗基础模型 各类医疗 FM 提供数据底座而非模型
公平性与包容性 医疗AI偏差研究 引入亚洲/儿科数据

3.9 论文写作上的两个特点

  1. 标题即定位：“Towards Foundation Models…”——用"Towards（迈向）“而非"Foundation Models”，从一开始就承认这是铺路而非终点。
  2. 贡献分层陈述：摘要把贡献明确分为"数据集"与"基准"两块，而非笼统宣称"我们提出了一个大模型"——这种克制的表述方式，是判断一篇论文是否"数据论文"而非"模型论文"的重要信号。

§4 九个源库：构成与地理分布

4.1 源库总览

Lacuna 由九个公开临床数据库协调而成，横跨三大洲。这是理解其数据构成的骨架：

洲 源库 类型 国家/机构线索 库内是否已有对应条目
美国 MIMIC-III ICU 波士顿 Beth Israel Deaconess MIMIC 系条目
美国 MIMIC-IV ICU 同上（新增版本） mimic-iv 系条目
美国 eICU ICU（多中心） 全美多院协作 eicu-crd(552)、eicu-collaborative(9)
美国 MIMIC-IV-ED 急诊 波士顿（ED 子模块） —
欧洲 AmsterdamUMCdb（UMCdb） ICU 荷兰阿姆斯特丹 UMC —
欧洲 HiRID ICU（高时间分辨率） 瑞士伯尔尼 Inselspital —
欧洲 SICdb ICU 奥地利萨尔茨堡 —
中国 PICdb ICU（儿科） 中国儿科重症 —
中国 Zigong EHR 急诊/ICU EHR 中国自贡 —

4.2 三大洲的分布意义

  • 美国集群（4 源）：MIMIC 系 + eICU 提供了北美最主流的重症数据，其中 eICU 本身就是跨院多中心集合。
  • 欧洲集群（3 源）：UMCdb、HiRID、SICdb 分别来自荷兰、瑞士、奥地利，覆盖不同的记录惯例与采样密度。HiRID 以高时间分辨率（约 5 分钟级）著称，是论文中"分辨率对肾脏预测重要"结论的关键来源。
  • 中国集群（2 源）：PICdb（儿科，中位年龄约 2 岁）与 Zigong EHR。论文强调这是首次把中国重症数据与美欧并列参与跨洲协调——对模型的公平性与包容性有直接意义。

4.3 关键取舍：为何是这九个

  • 纳入标准：以"公开可获得（publicly available）"为门槛，并优先能与 ricu 概念层对接的源。
  • 明确排除：论文明确排除 RICD 数据集，理由是它"非免费访问（需要单独合同和付费）"——这说明 Lacuna 在源选择上把可获取性看得比规模更重。
  • 儿科的存在：PICdb 的加入使 Lacuna 覆盖儿科，但也带来成人/儿科混合建模的方法论复杂性（年龄分布双峰）。

4.4 地缘构成的统计意义

三大洲的分布不是装饰，而是可迁移性研究的设计需要：

洲 源数 代表采样密度 对研究的价值
美国 4 中—高 提供最主流基线，eICU 自带多中心
欧洲 3 高（HiRID 约 5 分钟级） 提供高分辨率对照与不同记录惯例
中国 2 待核 首次让亚洲人群进入跨洲迁移对照，关乎公平性

关键设计意图：有了三大洲，才能做"同洲迁移 vs 跨洲迁移"的对照实验，才能发现 Locality 效应（§8.3）。若只有美欧数据，这一发现无从谈起。中国数据的加入，使 Lacuna 能够回答"模型在数据稀缺人群上是否公平"这一此前无法回答的问题。

4.5 源库的可获取性差异

九个源库的访问门槛并不一致，这直接影响复现难度：

源 访问方式 门槛
MIMIC-III / MIMIC-IV / MIMIC-IV-ED PhysioNet credentialed 需 CITI 认证 + 数据使用协议
eICU PhysioNet credentialed 同上
AmsterdamUMCdb 提供方审批 高于 PhysioNet 常规
HiRID 提供方条款 中等
SICdb 提供方条款 中等
PICdb / Zigong EHR 提供方条款 待核

复现者须注意：门槛最高的是 UMCdb（需额外审批），最低的是走 PhysioNet 常规通道的 MIMIC/eICU 系。

§5 数据规模：硬数字与口径

5.1 核心规模数字（分版本存照）

指标 NeurIPS 2024 口径（主论文） medRxiv 2025 口径（ICareFM 后继）
住院（patient stays） 超过 600,000 原始处理近 80 万 → 最终约 650,000
数据点 近 10 亿（从先前约 4 亿扩增） 10 亿
源数据集 9 个 over 11 个
洲 三大洲（美、欧、中） 美、欧、中
患者年 未单列 超 4,000 患者年
治疗变量 核心治疗概念（含给药速率与剂量） 44 个治疗变量

引用纪律：Lacuna 的规模数字不是单一稳定值，随团队版本推进而变。凡引用"600,000+ 住院 / 9 源 / 近 10 亿数据点"须注明是 NeurIPS 2024 主论文口径；凡引用"650,000 / 11 源"须注明是 medRxiv 2025 ICareFM 口径。混用会造成事实错误。

5.2 数值的上下文坐标

论文将本次扩增放在前作对比中定位：先前多数据集基准的总数据点约 4 亿，Lacuna 把这一数字推向近 10 亿，同时住院数从不足 40 万推到 60 万以上（2025 口径进一步到约 65 万）。这一"翻倍级"扩增主要来自两点：新增源库（SICdb、PICdb、Zigong EHR、MIMIC-IV-ED）与新增概念（尤其是治疗变量）。

5.3 概念层规模（双口径）

  • 全部临床概念（pith 第三方分析口径）：141 个 = 6 个静态人口学 + 80 个观察变量 + 55 个治疗变量。
  • 治疗变量子集（medRxiv 2025 口径）：44 个，范围从具体核心 ICU 药物（如去甲肾上腺素连续输注速率）到更宽的治疗类别（如抗生素给药指示）。

口径辨析：两数字并非矛盾——141 是"全部概念"总数，44 是"治疗变量"子集（2025 版本可能对治疗概念做了口径调整）。引用时必须区分"总概念数"与"治疗变量数"，不可混为一谈。

5.4 计算规模旁证

论文披露的算力投入为规模提供了侧写：超过 5,000 次训练运行（用于基准评测），受此成本限制，每个模型的超参搜索仅约 12 个点。这既证明了数据集规模之巨，也暴露了基准在超参充分性上的局限（§10 存照）。

5.5 规模对比：Lacuna 在重症数据集谱系中的位置

集合 住院规模 源数 治疗变量 三洲 年代
MIMIC-III（单源） 约 6 万 1 弱 否 2016
eICU（单集合） 约 20 万 多中心 弱 否 2018
ricu（协调底座） 约 32 万 4 弱 否 2021
先前多数据集基准 — （约 4 亿数据点） 多 仅指示 否 前 2024
Lacuna（2024） 超 60 万 9 速率+剂量 是 2024
Lacuna（2025 扩） 约 65 万 over 11 44 变量 是 2025

表中单源数字为公开通用认知的量级，精确值以各源官方为准；本表用于展示 Lacuna 的相对位置，不作精确引用依据。

5.6 数据点构成的一个诚实提醒

"近 10 亿数据点"这一数字需要谨慎理解：

  • 它统计的是协调后导出的数据点，包含稠密网格中的插补值；
  • 真实观测（如一次心电采样、一项化验结果）的数量少于该总数；
  • 因此该数字更适合作为规模量级的指标，而非"有多少条真实临床记录"的精算。

这一点对下游研究者尤其重要：若按数据点规模估算训练成本或缺失率，须意识到插补的存在会低估真实缺失程度。

§6 任务、概念与标注体系

6.1 概念层：协调的技术核心

Lacuna 的"承重结构"是建立于 ricu 之上的概念层。ricu 的核心设计是把"临床概念"与"数据源条目"解耦：

  • 一个概念（concept）是一个数据源无关的临床量，例如"心率"、“去甲肾上腺素速率”、“抗生素给药指示”；
  • 每个概念在每个源库中都有各自的取值映射（这个库里对应哪张表、哪个字段、什么单位）；
  • 由此，九套互不相同的医院 schema 被投影到同一张概念网格上，模型得以跨站点联合训练。

论文在此基础上扩展了概念集，新增观察概念、治疗变量，并接入 SICdb、PICdb、Zigong EHR、MIMIC-IV-ED 四个新源。

6.2 治疗协调：本工作的关键创新

治疗协调（treatment harmonization）是本数据集区别于前作的核心卖点：

  • 不止二元指示：先前工作常只记录"是否给药"（0/1 指示），Lacuna 额外记录给药速率与剂量；
  • 归并抽象概念：把个别药物归并到更宽的治疗概念（升压药、镇静剂、抗生素、利尿剂……），以保证跨院系统的概念重叠（overlap）；
  • 核心药物保速率：对去甲肾上腺素、肾上腺素、丙泊酚等核心药物，保留连续输注速率，而非仅指示是否使用。

这样做的动机，来自论文的核心洞察：治疗政策（treatment policies）是分布偏移的主要来源——如果模型不学"医生做了什么"，就无法在不同医院间泛化。

6.3 双格式导出

Lacuna 把协调结果导出为两种格式，服务两类下游用法：

格式 结构 面向
稠密全插补网格（dense fully-imputed grid） 规整时间网格，缺失值已插补 经典机器学习（LightGBM、线性回归等）
tokenized 三元组（tokenized triplet） （时间, 变量, 值）三元组序列 深度序列模型（GRU、Transformer、Mamba、xLSTM），更好处理不规则时序

这一"双格式"设计本身是一个实用主义选择：经典模型要规整张量，序列模型要事件流，一套数据两种门面，降低下游使用门槛。

6.4 基准任务：早期事件预测

Lacuna 附带的基准聚焦早期事件预测（early event prediction），覆盖四类临床事件：

  1. 循环衰竭（circulatory failure）
  2. 呼吸衰竭（respiratory failure）
  3. 肾衰竭（kidney failure）
  4. 失代偿（decompensation）

基准在三类场景下评测：

  • in-distribution（同分布：训练测试同源）；
  • held-out-hospital（留出医院：测试于训练未见过的医院，考验跨机构泛化）；
  • fine-tuning（微调：在预训练模型基础上用少量本地数据适配）。

6.5 被评测的模型族

类别 模型
经典 LightGBM、Linear Regression（含手工特征抽取）
深度序列 GRU、Transformer
新架构 Mamba（状态空间模型）、xLSTM（扩展 LSTM）

6.6 标注来源

Lacuna 的"标签"不是人工标注，而是从源数据的临床事件规则派生——例如由生理指标时序触发的循环/呼吸/肾衰竭判定、失代偿事件等。这意味着标签质量继承自源库的事件定义，而非独立专家复审，是理解其标签特性的关键（也是局限来源之一）。

6.7 逐库规格速写

为便于按洲、按库定位，以下逐一速写九个源库的特征（基于公开通用认知，具体版本号与规模请以各源官方为准）：

美国集群

  • MIMIC-III：波士顿 Beth Israel Deaconess 医疗中心的 ICU 数据库，是重症机器学习最早的事实标准，表结构庞大（数十张表）；在 Lacuna 中其体型偏小但概念覆盖成熟。
  • MIMIC-IV：MIMIC-III 的现代化重制版，模块化表结构（hosp/icu 分离），时间范围更近、规模更大；是当前北美重症研究的主力库。
  • eICU：全美多中心协作库，本身即为跨院集合，对研究机构间分布偏移天然有价值；Lacuna 引入它相当于"在协调之上再叠加一层多中心"。
  • MIMIC-IV-ED：MIMIC-IV 的急诊（ED）模块，是 Lacuna 纳入 ED 数据的关键来源之一，使数据集覆盖"入院前/急诊"这一段时序。

欧洲集群

  • AmsterdamUMCdb（UMCdb）：荷兰阿姆斯特丹大学医学中心，欧洲首个公开的重症数据库；访问需提供方额外审批。
  • HiRID：瑞士伯尔尼 Inselspital 的高时间分辨率 ICU 数据集，采样密度高（分钟级），是论文"分辨率对肾脏预测重要"结论的实证来源。
  • SICdb：奥地利萨尔茨堡的 ICU 数据库，为 Lacuna 新增的欧洲源之一。

中国集群

  • PICdb：中国儿科重症数据库，中位年龄约 2 岁，是 Lacuna 覆盖儿科的关键。
  • Zigong EHR：中国自贡的急诊/ICU 电子病历数据，与 PICdb 共同构成 Lacuna 的亚洲数据支柱。

6.8 协调的技术难点

把九个库"缝"到一起，技术上有四类硬骨头（这也是理解数据局限的关键）：

  1. 单位与量纲：同一检验项在不同库用不同单位（mg/dL vs mmol/L），需统一。
  2. 时间语义：MIMIC/HiRID 多为绝对时间戳（经隐私随机平移），eICU/UMCdb 用相对时间（原点为入院）——需要对齐到统一时间轴。
  3. 标识符体系：各库患者 ID、住院 ID、机构 ID 的层级与粒度不同。
  4. 治疗表达：这是最难的——“给药"在不同库可能是"是否开具”、“某时刻给药”、"持续输注"三种截然不同的表达；Lacuna 的核心创新正是把后两者（速率与剂量）也纳入统一概念。

重要提醒：协调解决的是"能不能放在一起算"，不保证"放在一起算是否临床可信"。pith 分析明确将此列为 Lacuna 的未被验证的核心假设：共享概念在两个库中是否真的指向同一种治疗含义，需要逐概念分布对照才能证实（§10 遗留疑点 5）。

6.9 双格式的工程取舍

维度 稠密全插补网格 tokenized 三元组
结构 规整张量（时间 × 变量） 事件序列（时间,变量,值）
缺失处理 插补填满 天然保留缺失（无即无事件）
适用模型 LightGBM、线性回归 GRU、Transformer、Mamba、xLSTM
优点 直接喂经典 ML，工程简单 保留不规则性，适合大模型扩展
缺点 插补引入偏差 需要模型端处理变长序列

插补偏差提示：稠密网格的插补（imputation）会人为制造数据点——"近 10 亿数据点"中相当一部分来自插补填充而非真实观测。检索者引用数据点规模时须意识到这一构造性质（§11 坑 6）。

6.10 概念分类示例（以公开信息为据）

Lacuna 的 141 个概念可分为三大类，以下为类别示意（具体概念清单以官方发布为准）：

静态人口学（6 个）

概念 说明
年龄 患者年龄
性别 患者性别
身高/体重 体格测量
入院类型 收治方式
等 （共 6 项）

观察变量（80 个）

类别 示例概念
生命体征 心率、血压（收缩/舒张/平均）、体温、呼吸频率、血氧
实验室检验 血常规、电解质、肝肾功能、血气分析
评分/派生 SOFA 相关量、派生指标
等 （共 80 项）

治疗变量（55 个，2025 口径子集 44 个）

类别 示例概念
升压药 去甲肾上腺素速率、肾上腺素速率
镇静剂 丙泊酚速率
抗菌药 抗生素给药指示
利尿剂 利尿剂给药
等 （共 55 项）

说明：上表为分类示意，用于帮助理解概念层的组织方式；具体概念名与数量随版本变，引用精确值须回到 §5.3 的双口径说明。

6.11 任务标签的派生逻辑

早期事件预测的四类标签，其派生逻辑可概括为：

事件 派生依据（示意） 临床含义
循环衰竭 血压/升压药需求的持续偏离 血流动力学不稳定
呼吸衰竭 氧合指标恶化/通气需求 呼吸功能失代偿
肾衰竭 肾功能指标（如肌酐）变化 肾脏功能恶化
失代偿 多指标综合恶化 病情整体恶化

重要：这些标签由规则派生而非专家逐例标注（§6.6），故其质量取决于源库的事件定义。不同源库对同一事件的定义可能不同——这是跨库标签可比性的一个潜在隐患。

§7 获取与许可：本条目最大风险项

⚠️ 检索者务必先读本节。Lacuna 的许可证与最终发布形态均未确定，这是本数据集条目最需要提醒的一点。任何"Lacuna 可直接下载"的说法目前都不成立。

7.1 现状：本体数据集与代码均未见公开直链

经一手核验（arXiv v1 全文、Lacuna 平台论文页、后续 medRxiv 论文）：

  • 整合数据集本体（harmonized dataset）：论文将其列为核心贡献并称其"可扩展（expandable）"，但没有 Data Availability 章节，也未见公开下载链接。措辞侧重方法与流程（"export"出一套产物），未承诺公开分发。
  • 协调代码与协调表：Lacuna 平台页在"Limitations and Future Work"段落原文写道——“the code and full harmonization tables are not yet publicly released, pending a broader study”（代码与完整协调表尚未公开发布，待更大规模研究后再议）。未声明任何开源许可证（无 MIT / Apache / CC 等）。
  • arXiv 论文本体：仅适用 arXiv perpetual non-exclusive license（这是论文文本的平台许可，不涉及数据与代码）。

7.2 许可"分层 + 未定"结构

资产 许可 / 可用性 状态
Lacuna 整合数据集本体 未见公开许可与直链 未定（风险）
Lacuna 协调代码 / 协调表 平台自述尚未公开发布 未定（风险）
arXiv 论文本体 arXiv perpetual non-exclusive license 明确
美国底源（MIMIC-III/IV/IV-ED、eICU） PhysioNet credentialed access，需 CITI “Data or Specimens Only Research” 认证 请求制
欧洲底源（UMCdb） 需提供方额外审批 请求制
欧洲底源（HiRID/SICdb） 各自提供方访问条款 请求制
中国底源（PICdb、Zigong EHR） 各自提供方条款 请求制
ricu R 包 GitHub（eth-mds/ricu）+ CRAN，开源 独立基础设施，非 Lacuna 本体

7.3 底源访问的真实门槛

即便检索者只想复现 Lacuna 的协调流程，也必须逐源取得访问权：

  • MIMIC 系（MIMIC-III、MIMIC-IV、MIMIC-IV-ED）与 eICU：走 PhysioNet 平台的 credentialed access，需先完成 CITI 培训并签署数据使用协议；
  • AmsterdamUMCdb：需在 PhysioNet 之外额外向提供方申请审批；
  • 论文明确排除 RICD（因需单独合同与付费，非免费访问）——这反过来说明 Lacuna 的源选择受"可获取性"约束。

7.4 实践建议

  • 想用 Lacuna 协调结果本身：目前无法直接获取，须关注团队后续发布（平台 lacuna.tiptreesystems.com 与 ETH 团队论文更新）；
  • 想复现协调方法：可自行申请九源访问权 + 使用开源的 ricu 包，但工作量与合规成本高；
  • 只想用单个源库建模：直接去对应底源的库内条目（如 eicu-crd rid=552）更务实；
  • 引用数据集：引用 arXiv:2411.16346（并说明规模口径版本），不要声称其已公开可下载。

7.5 合规路径速查（复现者向）

若确有研究需求要复现 Lacuna，路径如下（合规成本高，请预留时间）：

  1. ricu 包：直接从 GitHub（eth-mds/ricu）或 CRAN 安装，开源无门槛。
  2. 美国源：在 PhysioNet 完成 CITI “Data or Specimens Only Research” 培训并通过考核，签署数据使用协议，逐源申请 MIMIC-III/IV/IV-ED、eICU 访问。
  3. 欧洲源：UMCdb 需在 PhysioNet 之外额外向提供方申请；HiRID、SICdb 各按提供方条款申请。
  4. 中国源：PICdb、Zigong EHR 按各自提供方条款申请（具体渠道待核）。
  5. 协调流程：目前无公开代码——须自行依据论文方法重建（这是最大障碍）。

风险提示：即便完成上述全部步骤，也只是"自建一个类 Lacuna"，不等于拿到了官方 Lacuna 协调产物。官方产物何时公开未知。

§8 评估与基准结果

8.1 主结论：经典模型仍胜深度模型

Lacuna 基准最反直觉、也最值得记录的结论是：

在几乎所有 in-distribution 与 out-of-distribution 任务上，带手工特征的 LightGBM 表现优于深度学习模型。

这并非说深度模型无用，而是揭示了当前临床时序建模的一个现实：梯度提升树 + 精心设计的特征，在结构化临床数据上仍是强基线。深度序列模型的优势尚未在多机构协变量场景中稳定兑现。

8.2 深度模型正在追赶

  • 差距幅度：GRU、Mamba 等深度模型与最优经典模型的差距多在 1–2 个 AUROC 点之内；
  • 多中心收窄：在多中心（multi-center）设置下，这一性能差距进一步缩小——意味着数据越异构，深度模型相对优势越可能显现；
  • 预训练红利：在完整协调集合上预训练后，再对新小医院数据集（少于 10,000 住院）做微调，性能显著优于从零训练。这是支撑"基础模型"道路的最实用证据。

8.3 三条关键现象

  1. Locality 效应（同区域优先）：模型在同一区域内医院间迁移（如美国 eICU→MIMIC）明显优于跨洲迁移（美→欧、美→中）。这说明共享的临床文化与区域治疗标准，是模型可迁移性的重要因素——地理邻近比数据量更能预测迁移成败。
  2. 分辨率对肾脏特别重要：肾衰竭预测在高时间分辨率（约 5 分钟采样）的数据集之间迁移良好。这提示：对某些生理系统，数据的粒度比患者数量更关键。
  3. site signature（站点签名）难消：即便经过协调，t-SNE 可视化显示数据点仍按源医院强聚类——即"这是哪家医院的数据"这一指纹未被协调抹除，是构建真正通用基础模型的首要障碍。

8.4 基准的方法论局限（作者自陈）

  • 任务面窄：当前基准主要覆盖早期事件预测，尚未纳入死亡率、住院时长、脓毒症预测；
  • 超参受限：因算力成本（超 5,000 次训练），每模型仅约 12 个超参搜索点；
  • 隐私与公平性：数据虽经匿名化，但跨人群的公平性与鲁棒性仍属开放研究问题。

8.5 后继里程碑：ICareFM（2025）

后继论文（medRxiv 2025）利用扩展后的协调数据，训练出 ICareFM——首个重症监护基础模型。其特点包括：

  • 自监督 time-to-event 目标训练；
  • 可在未见过的医院、未见的任务上做零样本预后风险估计；
  • 对小医院尤具实用价值（预训练红利的工程落地）。

这表明 Lacuna 的数据集工作已被其团队自己用于训练基础模型，从"数据"走向"模型"，验证了其作为"基础模型之基础"的定位。

8.6 评测设置要点

Lacuna 基准的评测设置可归纳为以下几个关键维度：

维度 设置
评价指标 AUROC（主指标，用于事件预测能力）
任务 早期事件预测（循环/呼吸/肾衰竭、失代偿）
场景 in-distribution / held-out-hospital / fine-tuning
经典基线 LightGBM、Linear Regression（配手工特征）
深度基线 GRU、Transformer、Mamba、xLSTM
训练规模 超 5,000 次运行；每模型约 12 超参点
迁移研究 同区域 vs 跨洲；高分辨率 vs 低分辨率

8.7 迁移学习的三条实践结论

从基准结果中可提炼出三条对下游建模有直接指导意义的结论：

  1. 同区域迁移优先：若目标医院与训练数据同处一洲，迁移成功率显著更高；跨洲迁移需额外域适应。
  2. 微调优于从零：只要能拿到哪怕一个小规模本地集（<10,000 住院），在 Lacuna 上预训练再微调，胜过本地从零训练。
  3. 按生理系统选分辨率：对肾脏等对时间粒度敏感的系统，优先选用高分辨率源（如 HiRID）的数据。

8.8 与 ICareFM 的边界

需明确区分 Lacuna 与 ICareFM：

  • Lacuna：数据集 + 基准（本文主角），不产出模型权重；
  • ICareFM：用扩展版 Lacuna 训练的基础模型（2025 后继论文），是消费 Lacuna 的下游产物。

二者关系是"数据底座 → 模型"的先后关系，引用时不可混为同一工作。

8.9 结果解读的四条守则

读 Lacuna 基准结果时，建议遵守以下四条，以免误读：

  1. 别把"LightGBM 胜深度"读成"深度无用"：差距仅 1–2 AUROC 点，且在多中心下收窄；结论应读作"经典模型仍是强基线"。
  2. 别把"协调"读成"分布问题已解决"：site signature 仍在，跨院泛化仍难（§8.3）。
  3. 别忽略口径版本：规模、源数随年份变（§5、§10）。
  4. 别忽略任务窄：当前只覆盖早期事件预测，死亡率/住院时长/脓毒症未纳入（§8.4）。

§9 生态、上下游与库内互链

9.1 上游：底源数据与基础设施

  • 底源数据：九个 ICU/ED 公开库（§4），其中大多数托管于 PhysioNet 或由提供方直接发布。
  • 协调底座：ricu R 包（ETH MDS）——提供数据源无关的概念抽象与访问接口，是 Lacuna 得以成立的技术前提。ricu 自身另有论文（Bennett 等）支持约 4 源、319,402 次收治的协调。

9.2 下游：模型与衍生研究

  • ICareFM（2025）：重症监护基础模型，直接消费 Lacuna 的扩展版数据。
  • 迁移学习研究：Lacuna 的基准正是为研究"跨医院分布偏移"而设计，是域适应（domain adaptation）方法的标准试验场。
  • 公平性与鲁棒性研究：三洲数据使跨人群偏差分析成为可能（作者列为开放方向）。

9.3 库内互链点（建议）

字段 值
relatedLink 占位 https://www.qianfanghub.com/ai-ready-dataset/lacuna/1115
建议互链 ① eicu-crd（rid=552）— 九源之一，最主流的重症开放库
建议互链 ② eicu-collaborative（rid=9）— eICU 协作研究版
建议互链 ③ chinese-critical-care-database（rid=166）— 中国重症库，同域不同库
建议互链 ④ zhejiang-ehr-critical-care（rid=598）— 中国重症 EHR
建议互链 ⑤ clinical-trajectory-flow-icu（rid=962）— 重症时序建模数据集

消歧纪律：以上条目与 Lacuna 是同域不同实体关系（源库 vs 协调上层），不得合并。互链 rid 以入库后 DB 实测的在架记录（status=1 AND del_sign=0）为准；写作阶段一律占位 /0。

9.4 与库内条目的关系图谱

以 Lacuna 为中心，库内相关条目可分三层：

第一层：直接底源（Lacuna 的"零件"）

  • eicu-crd（rid=552）与 eicu-collaborative（rid=9）：eICU 的两个入口，Lacuna 九源之一。
  • MIMIC 系条目（如 mimic-iv-echo 等）：Lacuna 美国集群的组成部分。

第二层：同域不同库（中国重症）

  • chinese-critical-care-database（rid=166）、zhejiang-ehr-critical-care（rid=598）：与 PICdb/Zigong EHR 同属中国重症域，但具体库不同，是"同域并行"关系。

第三层：同域不同团队（重症时序建模）

  • clinical-trajectory-flow-icu（rid=962）：同为重症时序建模数据集，但独立团队、独立采集，与 Lacuna 无血缘。

9.5 检索路径建议

  • 想拿单源 ICU 数据 → 走 §4 对应底源的库内条目（如 eicu-crd 552）。
  • 想研究跨院迁移 → 关注 Lacuna 的方法（ricu 开源）与后继 ICareFM。
  • 想找亚洲重症数据 → chinese-critical-care-database（166）、zhejiang-ehr-critical-care（598），或底源 PICdb/Zigong EHR。
  • 想做重症时序建模 → clinical-trajectory-flow-icu（962）是独立选项。

9.6 历史脉络：从单源到三洲

阶段 时间 特征 代表
单源验证 2016–2020 只在 MIMIC 上做，缺乏外部验证 大量 MIMIC-III 论文
多源手工拼接 2020–2023 各研究组自拼，重复劳动 各benchmark 论文
工具化协调 2021 起 ricu 提供统一接口 ricu 论文
三洲协调 2024 Lacuna arXiv:2411.16346
基础模型 2025 ICareFM medRxiv 2025

9.7 生态影响预判

Lacuna 及其后继对重症 AI 生态的可能影响有三：

  1. 降低重复劳动：若协调产物最终公开，各研究组不必再各拼各的，可直接站在统一底座上。
  2. 推动外部验证成为默认：有了多机构基准，"只在自己医院验证"的做法将越来越难通过审稿。
  3. 把公平性研究提上日程：三洲数据使"模型对亚洲/儿科人群是否公平"从空谈变为可实证问题。

§10 双口径存照与待核疑点

10.1 双口径冲突逐条存照

本条目在核验中发现多处双口径冲突，逐条列明，供检索者按需取舍：

# 冲突项 口径 A 口径 B 取舍建议
1 住院规模 超 600,000（NeurIPS 2024 主论文） 约 650,000（medRxiv 2025 ICareFM） 同一团队版本演进，并列，注明版本
2 源数据集数 9 个（2024） over 11 个（2025） 同上，并列
3 数据点 近 10 亿（两口径一致） 10 亿 基本一致，可用"近 10 亿"
4 概念数 141 个（6+80+55，pith 口径，“全部概念”） 44 个（medRxiv 2025，“治疗变量子集”） 对象不同，不可混用，须标明"总数/子集"
5 论文著录 AIM-FM Workshop at NeurIPS 2024（Oral）（arXiv Comments） NeurIPS 2024 · OpenReview（平台页） 同一工作两种著录，并列
6 数据点扩增前值 约 4 亿（先前多数据集基准） 不足 40 万住院 → 近 80 万（处理量） 前者指数据点、后者指住院，勿对调

10.2 遗留疑点（未见一手来源）

  1. 发布形态：Lacuna 整合数据集本体是否/何时公开分发，无一手承诺；平台页仅称"待更大规模研究后再发布"。
  2. 官方仓库：未发现 Lacuna 官方 GitHub 仓库或 Zenodo DOI（协调代码未公开）。
  3. 通讯作者准确单位：arXiv 未明列通讯地址，ETH Zürich 为推断（待一手确认）。
  4. 平台与团队关系：lacuna.tiptreesystems.com 由 Tiptree Systems 运营，其与 ETH 团队的具体合作/分工未在一手来源澄清。
  5. 协调临床可比性：核心假设"局部药码映射到共享概念后仍保留治疗含义"未被论文直接验证（pith 明确指出），属方法论遗留。
  6. 许可最终形态：整合数据本身若未来发布，将采用何种许可（CC / 请求制 / 其他）未知。

§11 坑点提示（编号制）

以下坑点在处理 Lacuna 数据、引用其结论或复现其流程时高频出现，逐条编号。

坑 1：把 Lacuna 当成"可直接下载的数据集"。 目前不可——本体与代码均未见公开直链，底源全为请求制（§7）。误以为能直接 wget 会浪费大量时间。

坑 2：规模数字张冠李戴。 "60 万 / 9 源"是 2024 口径，"65 万 / 11 源"是 2025 口径，混用即事实错误（§5、§10.1）。

坑 3：把 141 与 44 当矛盾。 141 是全部概念数，44 是治疗变量子集，二者不是竞争口径（§5.3）。

坑 4：忽略 site signature 而高估协调效果。 协调未消除源医院指纹，t-SNE 仍按站点聚类——直接跨院迁移预期落空（§8.3）。

坑 5：假设深度模型必然最优。 Lacuna 基准中 LightGBM 常胜深度模型，且深度优势主要在多中心场景显现（§8.1–8.2）。

坑 6：把"协调"误解为"采集标准统一"。 Lacuna 是事后映射已有的异构数据，源库的记录方式并未改变——缺失模式、时间戳语义差异仍在（§6.1）。

坑 7：忽视底源访问合规。 复现流程需逐源取得 PhysioNet/CITI 或提供方审批，合规成本高，非纯技术任务（§7.3）。

坑 8：把 arXiv 许可当数据许可。 arXiv perpetual non-exclusive license 只覆盖论文文本，不覆盖数据与代码（§7.1）。

坑 9：误引"139/141 概念"混淆观察与治疗。 追述概念构成时须区分"静态人口学 / 观察 / 治疗"三类，不可只报总数（§5.3）。

坑 10：儿科与成人混用同一阈值。 PICdb 中位年龄约 2 岁，直接套成人生理阈值会造成系统性偏差（§4.2、§6.2）。

§12 DAIMS 数据资产度量表

维度 评估 说明
可发现性（Discoverability） 中 论文与平台可检索；但本体无下载页，底源须逐源查找
可访问性（Accessibility） 低 本体未见公开直链；底源全部请求制（PhysioNet + CITI / 提供方审批）
可互操作（Interoperability） 高 建立在 ricu 数据源无关概念层之上，双格式导出（网格 + 三元组），跨源概念统一
可复用（Reusability） 中 概念层与方法可复用；但许可未定 + 代码未发布 + 协调表未公开限制直接复用
规模（Volume） 极高 超 60 万住院 / 近 10 亿数据点 / 9 源 / 三洲
多样性（Variety） 高 结构（网格/三元组）× 模态（生命体征/化验/治疗）× 地理（美/欧/中）× 年龄（成人/儿科）
速度（Velocity） 高 高时间分辨率（HiRID 约 5 分钟级），高频不规则时序
真实性（Veracity） 中 标签为规则派生、非专家复审；源间分布偏移显著（site signature）
价值（Value） 高 首个协调治疗变量的三洲集合，为重症基础模型提供底座
治理（Governance） 弱 许可未定、发布形态未定、无公开仓库/DOI——治理是本数据集最大短板

§13 附录：源数据与平台出处一览

13.1 源数据集

洲 源 备注
美国 MIMIC-III 波士顿 ICU 数据库早期版本
美国 MIMIC-IV 同上新增版本
美国 eICU 全美多中心 ICU 协作库
美国 MIMIC-IV-ED MIMIC-IV 急诊子模块
欧洲 AmsterdamUMCdb (UMCdb) 荷兰阿姆斯特丹 UMC
欧洲 HiRID 瑞士伯尔尼，高时间分辨率
欧洲 SICdb 奥地利萨尔茨堡
中国 PICdb 儿科重症，中位年龄约 2 岁
中国 Zigong EHR 中国自贡 EHR

注：2025 ICareFM 口径称"over 11 different source datasets"，超出上述九源；新增源具体构成待一手确认。

13.2 平台与来源 URL

13.3 引用建议

  • 主引用：Burger M, Sergeev F, Londschien M, et al. Towards Foundation Models for Critical Care Time Series. arXiv:2411.16346, 2024.（NeurIPS 2024 AIM-FM Workshop, Oral）
  • 规模口径：引用 600k/9 源时注明 2024 版；引用 650k/11 源时注明 2025 ICareFM 版。
  • 许可声明：注明"整合数据集本体与协调代码截至核验时未见公开许可与直链"。

条目维护说明：本条目核心事实核验于 2026-10-16，来源为 arXiv:2411.16346、Lacuna 平台页、pith.science 分析、medRxiv 2025 后继论文。许可证与发布形态为核心风险项，若团队后续公开分发或变更许可，本条目 §7 须优先更新。

§14 总结

14.1 三句话总结

  1. Lacuna 是重症监护时序数据的"协调上层"：把美欧中九个 ICU/ED 公开库经 ricu 概念层映射为统一网格，产出超 60 万住院、近 10 亿数据点的三洲集合。
  2. 它的核心创新是"把治疗变量也协调进去"（含给药速率与剂量），并首次把中国数据与美欧并列——直指分布偏移这一重症 AI 的根本痛点。
  3. 它的最大短板在治理而非技术：本体数据集与协调代码均未见公开直链，许可与发布形态未定；检索者引用时须标注口径版本与获取限制。

14.2 适合谁

  • 研究跨机构分布偏移与域适应的机器学习研究者；
  • 关注治疗变量建模（而非仅生理信号）的临床 AI 团队；
  • 需要跨洲/多人群重症数据的公平性与鲁棒性研究者；
  • 想理解数据协调（harmonization）方法论的数据工程团队。

14.3 不适合谁

  • 想立即下载数据开跑的人（本体无公开直链）；
  • 只想用单家医院 ICU 数据的人（应去底源条目）；
  • 期望现成基础模型权重的人（Lacuna 是数据集，模型是后继 ICareFM）；
  • 需要死亡率/住院时长/脓毒症任务标注的人（当前基准未覆盖）。

14.4 30 秒决策卡

你的需求 建议动作
只想理解它是什么 读 §0、§1、§14.1
想引用它的规模 读 §5、§10，注明 2024/2025 口径
想用它的数据 读 §7——目前不可直接获取
想复现协调 读 §7.5、ricu 开源包，但代码未公开
想做迁移学习 读 §8，对标 LightGBM vs 深度模型结论
想找底源 ICU 数据 读 §9.5，走库内 eicu-crd(552) 等条目

§15 FAQ（高频问答 24 问）

A. 基础认知

A1：Lacuna 是数据集还是模型？
是数据集 + 基准（附带方法论）。后继论文的 ICareFM 才是模型，且是独立的后续工作。

A2：它采集了新病人数据吗？
没有。它是对已有九个公开库的协调再加工。

A3：为什么叫 Lacuna？
平台/数据集名。命名来由官方未明确说明（遗留疑点）。

A4：谁做的？
ETH Zürich + Tiptree Systems 团队，13 位作者，通讯 Gunnar Rätsch / Rita Kuznetsova（邮箱待一手确认）。

A5：什么时候发布的？
arXiv 2024-11-25；NeurIPS 2024 AIM-FM Workshop（Oral）。后继 ICareFM 于 2025-07-25 预印。

B. 规模与口径

B1：到底是 60 万还是 65 万住院？
两者都对，看版本：2024 主论文=超 60 万 / 9 源；2025 ICareFM=约 65 万 / 11 源。

B2："近 10 亿数据点"是怎么来的？
来自协调后的双格式导出，其中稠密网格含插补填充的数据点——非全部为真实观测。

B3：141 和 44 冲突吗？
不冲突。141 是全部概念数（6 静态 + 80 观察 + 55 治疗）；44 是治疗变量子集（2025 口径）。

B4：三大洲具体是哪些国家？
美国、荷兰、瑞士、奥地利、中国。

C. 技术与方法

C1：什么是 ricu？
ETH 开发的 R 包，提供数据源无关的 ICU 概念层，是 Lacuna 的协调底座，开源。

C2：协调最难的是什么？
治疗变量的协调——把"是否给药/何时给药/持续输注速率"三种异构表达统一。

C3：双格式为什么要两种？
经典 ML 要规整张量（稠密网格），序列模型要事件流（三元组），一套数据两种门面。

C4：标签是人工标注的吗？
不是。是从源数据的临床事件规则派生的。

C5：site signature 是什么？
协调后数据仍按源医院聚类的现象——"这是哪家医院"的指纹没被抹掉。

D. 基准与结果

D1：谁在基准上赢了？
LightGBM + 手工特征在几乎所有任务上胜过深度模型。

D2：深度模型差多少？
GRU/Mamba 等约差 1–2 AUROC 点，多中心设置下收窄。

D3：哪个发现最重要？
预训练红利（小医院微调获益）+ site signature 难消，两条最重要。

D4：为什么说分辨率对肾脏重要？
肾衰竭预测在高分辨率（约 5 分钟）数据集间迁移良好——粒度比数量更关键。

D5：基准覆盖哪些任务？
仅早期事件预测（循环/呼吸/肾衰竭、失代偿），不含死亡率和住院时长。

E. 获取与许可

E1：我能下载 Lacuna 吗？
目前不能——本体数据集与代码均未见公开直链。

E2：底源数据能拿吗？
能，但须逐源申请：PhysioNet + CITI 认证（MIMIC/eICU），UMCdb 需额外审批。

E3：为什么排除 RICD？
因其需单独合同与付费，非免费访问。

E4：arXiv 许可能覆盖数据吗？
不能。arXiv 许可只覆盖论文文本，不覆盖数据与代码。

E5：官方有 GitHub/Zenodo 吗？
未发现。这是本条目的遗留疑点之一。

F. 生态与库内

F1：库内哪个条目最接近 Lacuna？
eicu-crd（rid=552）是九源之一；但 Lacuna 是协调上层，二者不合并。

F2：中国重症数据在库内怎么找？
chinese-critical-care-database（166）、zhejiang-ehr-critical-care（598）。

F3：想做重症时序建模还有什么选择？
clinical-trajectory-flow-icu（962）是独立团队的重症时序数据集。

F4：Lacuna 和 MIMIC 是什么关系？
MIMIC-III/IV/IV-ED 是它的美国底源（零件），Lacuna 是协调产物。

§16 事实清单（硬事实 30 条）

  1. 论文标题：Towards Foundation Models for Critical Care Time Series。
  2. arXiv ID：2411.16346，v1 提交 2024-11-25 12:49:55 UTC。
  3. DOI：10.48550/arXiv.2411.16346。
  4. 会议：Accepted for Oral Presentation at AIM-FM Workshop at NeurIPS 2024。
  5. 学科分类：cs.LG；stat.ML。
  6. arXiv 许可：perpetual non-exclusive license（仅论文）。
  7. 作者 13 人，首位 Manuel Burger，末位 Gunnar Rätsch。
  8. 平台：lacuna.tiptreesystems.com（运营方 Tiptree Systems）。
  9. 协调底座：ricu R 包（ETH MDS）。
  10. 住院规模（2024）：超 600,000 次。
  11. 数据点（2024）：近 10 亿。
  12. 源数据集数（2024）：9 个。
  13. 洲数：三大洲（美国、欧洲、中国）。
  14. 美国源：MIMIC-III、MIMIC-IV、eICU、MIMIC-IV-ED。
  15. 欧洲源：AmsterdamUMCdb、HiRID、SICdb。
  16. 中国源：PICdb、Zigong EHR。
  17. 概念数（pith 口径）：141 = 6 + 80 + 55。
  18. 治疗变量数（2025 口径）：44。
  19. 双格式：稠密全插补网格 + tokenized 三元组。
  20. 基准任务：早期事件预测（循环/呼吸/肾衰竭、失代偿）。
  21. 基准场景：in-distribution / held-out-hospital / fine-tuning。
  22. 评测模型：LightGBM、线性回归、GRU、Transformer、Mamba、xLSTM。
  23. 主结论：LightGBM + 手工特征常胜深度模型。
  24. 深度差距：约 1–2 AUROC 点，多中心下收窄。
  25. 关键现象：Locality 效应、分辨率对肾脏重要、site signature。
  26. 训练规模：超 5,000 次运行；每模型约 12 个超参点。
  27. 2025 口径：约 650,000 住院 / over 11 源 / 超 4,000 患者年。
  28. 后继模型：ICareFM（首个重症监护基础模型，2025）。
  29. 排除项：RICD 数据集（非免费访问）。
  30. 许可状态：本体与代码未见公开许可与直链；ricu 包开源。

§17 数据使用示例（示意）

⚠️ 以下为示意性伪代码，用于说明 Lacuna 的双格式设计如何对接下游；并非可直接运行的代码（本体数据当前不可获取，协调代码未公开）。运行前提：已按 §7.5 完成九源访问申请并自行重建协调流程。

17.1 概念层加载（理念示意）

# 概念层理念示意（基于 ricu 的数据源无关抽象）
# 实际函数名以 ricu 官方文档为准
ricu::load_src(c("mimic_demo", "eicu_demo", "hirid", "aumc"))
# 概念应按数据源无关方式引用，而非绑定某库表名
hr   <- ricu::load_concept("hr")        # 心率
ne   <- ricu::load_concept("norepinephrine")  # 去甲肾上腺素速率

17.2 双格式导出理念示意

# 格式一：稠密全插补网格（供 LightGBM 等经典模型）
dense_grid  <- to_dense_grid(concepts, freq = "5min", impute = TRUE)

# 格式二：tokenized 三元组（供 GRU/Mamba 等序列模型）
triplet     <- to_triplets(concepts)   # 列：time, variable, value

17.3 迁移学习流程理念示意

1. 在完整协调集合上预训练序列模型（如 GRU/Mamba）
2. 在目标医院的本地小集（<10,000 住院）上微调
3. 与「本地从零训练」基线对比 AUROC
4. 期望：微调显著优于从零（论文核心结论之一）

再次提醒：以上仅供理解数据结构设计。真实可用性受 §7 许可约束。

§18 常见误解澄清

误解 事实 依据
“Lacuna 能直接下载” 本体与代码均未见公开直链 §7
“它采集了新数据” 只是对九源的事后协调 §2.5
“60 万就是最终规模” 2025 已扩至约 65 万 / 11 源 §5、§10
“141 和 44 是矛盾的” 全部概念 vs 治疗子集，口径不同 §5.3
“协调消除了分布偏移” site signature 仍在 §8.3
“深度模型一定更强” 基准中 LightGBM 常胜 §8.1
“数据点是真实观测” 稠密网格含插补值 §5.6
“arXiv 许可=数据许可” arXiv 许可只覆盖论文文本 §7.1
“Lacuna 就是 ICareFM” 前者是数据集，后者是下游模型 §8.8
“它覆盖死亡预测” 基准仅早期事件预测 §8.4

§19 数据可用性速查表

资产 现在能拿到吗 怎么拿 许可
Lacuna 整合数据集本体 ❌ 不能 待官方发布 未定
Lacuna 协调代码/协调表 ❌ 不能 未公开 未定
ricu R 包 ✅ 能 GitHub / CRAN 开源
MIMIC-III/IV/IV-ED ✅ 可申请 PhysioNet + CITI 请求制
eICU ✅ 可申请 PhysioNet + CITI 请求制
AmsterdamUMCdb ✅ 可申请 PhysioNet + 提供方审批 请求制
HiRID ✅ 可申请 提供方条款 请求制
SICdb ✅ 可申请 提供方条款 请求制
PICdb ⚠️ 待核 提供方条款 待核
Zigong EHR ⚠️ 待核 提供方条款 待核
论文 PDF ✅ 能 arXiv arXiv 许可
ICareFM 模型（2025） ⚠️ 待核 见后继论文 待核

一句话结论：除了 ricu 包和论文本身，其余一切都需要申请或尚未公开。这是本条目给检索者最重要的实用信息。

19.1 三条行动建议

  1. 若你现在就要用数据：请转向库内单源条目（如 eicu-crd rid=552），不要等 Lacuna 本体。
  2. 若你做方法研究：可直接用开源的 ricu 包 + 自申请的源数据，复现"协调"思想。
  3. 若你要引用 Lacuna：务必标注口径版本（2024 或 2025）与"本体未见公开直链"的现状。

19.2 本条目最值得记住的一句话

Lacuna 是重症 AI 领域"数据协调"路线的一座里程碑，但它的价值目前主要体现在理念与基准上，而非可直接获取的数据资产上。

检索者最后提醒：Lacuna 的规模数字随版本变、概念数字分口径、数据本体不可直接下载——这三条是本条目最容易被误引的三处。凡引用，请回到 §5（规模）、§10（存照）、§7（获取）逐一核对。

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：

  • clif — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 多模态 / 评测基准
  • mimic-iv-clinical-database — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 多模态
  • cinc-2019 — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 评测基准
  • cinc-2012 — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 评测基准
  • clinical-trajectory-flow-icu — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 评测基准
  • insulin4rl — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 评测基准
  • mimic-eicu-fiddle-feature — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 评测基准
  • mit-critical-datathon-2023 — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 评测基准
  • mimic-iv-ext-ecg-glucose — 共享标签：电子健康记录 / 重症监护 / 时序数据 / 多模态
  • ehrshot — 共享标签：电子健康记录 / 时序数据 / 评测基准

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。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn