MedDec 出院小结医疗决策标注集

MedDec 是 2024 年 10 月由 Elgaar、Cheng、Vakil、Amiri 与 Celi 经 PhysioNet 发布的标注集，内容是在 MIMIC-III 的出院小结上标出「医疗决策」片段。规模上覆盖 451 篇小结、419 名患者、逾 5.4 万句，全库约 140 万 token，其中 87.9 万落在决策片段内，另有 3.7 万位于相邻片段的重叠区。标注采用 DICTUM 十类体系，由两名受训医学生独立完成、一名临床医师仲裁，Cohen’s Kappa 为 0.74。发布包只有 JSON 标注，不含原文。

出院小结是医院里信息密度最高的文书之一：一次住院做了什么、为什么这么做、之后怎么安排，几乎都写在这几页里。但它的写法极度自由，一句话可能同时包含诊断、用药与随访安排。想把「医生到底做了什么决定」变成可计算的东西，先得解决一个前置问题——什么样的文本算一个决策？边界在哪里？这套标注的价值就在这个问题上给出了可操作的答案，并且公开了标注者之间的一致性，让使用者知道这个答案有多稳。

上手时先做三件事：从 NOTEEVENTS 按三元组把 451 篇原文取回来并对齐偏移，确认字符索引与你自己读到的文本一致；统计十类在语料里的分布，看清哪几类样本稀薄；把重叠片段单独抽出来，判断你的任务是集合标注还是序列标注。三件事各自半天以内，但都会改变后面所有的技术选择。

§1 它是什么：把「决策」定义成可标注的片段

1.1 一句话定义与三个限定

MedDec 是一套在临床自由文本上做片段级语义标注的数据集。三个限定词各划掉一批用法。

「片段级」意味着标注的产物是一段字符区间加一个类别，不是一个词一个标签。这与传统的命名实体识别不同——实体通常对应一个名词短语，而决策片段可能是一个从句、一个带条件的表述，甚至跨句。

「语义」意味着类别不是句法角色，而是临床行为。同一句话「已安排两周后门诊复查」，在句法上是陈述句，在语义上是「联系人相关——随访」。类别判断依赖对临床流程的理解，不依赖语言学特征。

「标注集」意味着不含原文。这一点在 §3 与 §4 会反复提到，因为它决定了复现的第一步不是加载数据而是先拿到原文。

1.2 十类体系的结构

十类不是平铺的清单，内部有层次。按临床流程排一下会更清楚。

阶段	类别	覆盖的动作
联络	联系人相关	收治、出院、随访、转诊
采集	信息采集	开检查、咨询同事、查外部信息
判断	问题界定	诊断结论、病因推断、预后判断
定目标	治疗目标	定量或定性目标
执行	药物	启用、停用、调整、维持、暂不使用
执行	治疗性操作	同上五种动作
复核	检验结果评价	阳性、阴性、不确定
延后	推迟	转移责任、观望、转换话题
交代	建议与预防	建议或预防措施
事务	法律与保险	病假、退药、保险、伤残

这个排布说明一件事：十类覆盖的是一次诊疗的完整闭环，从接诊到交代事务。它不是为 NLP 任务设计的标签集，而是从临床决策理论长出来的框架，因此类别之间的边界带着临床含义，不完全服从标注的可分性。

举一个具体的边界难点：一句「考虑肺部感染，暂不用抗生素，观察 48 小时」，同时含问题界定（考虑肺部感染）、药物（暂不用抗生素）与推迟（观察 48 小时）。按十类体系，它应该被切成三个片段，而切片边界落在哪里，不同标注者会有不同判断。这正是一致性只能到 0.74 的原因。

1.3 与实体标注、事件抽取的区别

这三者常被混谈，边界值得划清。

标注类型	标注对象	典型例子	MedDec 属于
实体识别	名词短语	「万古霉素」「脓毒症」	否
关系抽取	实体对	「万古霉素—治疗—脓毒症」	否
事件抽取	谓词加论元	「停用（药：万古霉素）」	部分
决策片段标注	语义完整的表述	「因肾功能不全停用万古霉素」	是

MedDec 与事件抽取的重叠在于，一个决策片段往往包含谓词与论元。区别在于它不要求把论元结构化抽出，只要求把整段标出来并归类。这降低了标注成本，也降低了标注的信息量——从一条标注里你只知道「这一段是药物决策」，不知道药名、剂量、原因。

理解这个取舍很重要。它意味着 MedDec 适合做「决策识别与分类」，不适合做「决策结构化」。后者需要在它的基础上再做一层。

1.4 与同系列条目的边界

MIMIC 生态里做文本标注的条目不止一条，按标注单位区分最清楚。

条目	标注单位	标签体系	主要用途
MedDec（本页主条）	字符区间	十类决策	决策识别与分类
MIMIC-III 表型标注集	全文	13 类表型	表型识别
MIETIC	整次就诊	ESI 五级	指令微调与评测

一句话分辨：表型标注集给「这个病人是什么病」，MedDec 给「医生做了什么决定」，MIETIC 给「这次该判几级」。三者可以叠用——比如用表型标注集分层，看不同疾病患者的决策类型分布是否不同。

1.5 为什么「决策」这个粒度值得单独做

临床 NLP 的标注任务里，实体识别已经相当成熟，公共词典与预训练模型都不缺。决策识别却一直没被标准化，原因在两头。

一头是定义难。「决策」不像「疾病」「药物」那样有本体支撑，它更像一个语用概念——什么算一个决定，取决于语境。同一句话在不同科室的权重可能完全不同。

另一头是标注贵。标实体可以靠词典预标再人工修正，标决策只能人读人判，没有捷径。

MedDec 在这两头上各做了一步：把定义固定成十类可操作的清单，把标注公开并附一致性数字。留下的问题是粒度的粗与细——十类够用，但不够细，这是后续工作要补的。

§2 数据构成：451 篇、十类、三组文件

2.1 规模与基本构成

指标	数值
出院小结	451 篇
患者	419 名
句子	逾 5.4 万
总 token	约 140 万
决策片段 token	87.9 万
片段间重叠 token	3.7 万
决策类别	10 类
表型类别	11 类（含「无」）
Cohen’s Kappa	0.74

先看一个比例：87.9 万除以 140 万约等于 63%。也就是说近三分之二的 token 落在某个决策片段里。这个比例乍看偏高——出院小结里难道大部分内容都是决策？

仔细想是合理的。出院小结的写法本身就是围绕「做了什么」展开的：主诉与现病史里含问题界定，病程里含检验结果评价与药物调整，出院医嘱里几乎全是建议与随访。真正不含决策的部分主要是背景信息与套话。63% 这个数字因此可以当作一个参照：如果你的抽取模型只标出 20% 的 token 为决策，可能漏了不少。

2.2 数据划分

划分	篇数	状态
训练	350	公开
验证	53	公开
测试	48	v1.0.0 未公开

350 / 53 / 48 大致是 73% / 11% / 10% 的比例。测试集官方说明将在 shared task 完成后公开。

这个安排有实际后果：在那之前无法做端到端的独立复现。可用的替代是自己在训练集里再切一刀，或把验证集当测试用——后者的风险是验证集可能已被用于调参，指标偏乐观。

2.3 JSON 结构

每篇小结一个标注单元，三个顶层字段。

字段	内容
annotator_id	标注者编号
discharge_summary_id	三元组标识
annotations	片段标注列表

每条 annotation 五个字段。

字段	内容
start_offset	起始字符索引
end_offset	结束字符索引
category	十类之一
decision	片段原文
annotation_id	唯一标识

结构很干净，没有多余层级。这种简洁带来一个好处：可以直接被常见的序列标注框架消费，也可以被当作集合标注任务处理。

2.4 三元组标识的构成

discharge_summary_id 是三段拼接：[SUBJECT_ID][HADM_ID][ROW_ID]。

三段的职责不同。SUBJECT_ID 是患者键，用于去重与跨笔记关联；HADM_ID 是住院键，一次住院可能有多篇笔记；ROW_ID 是 MIMIC-III NOTEEVENTS 表中的行号，精确定位到那一行。

为什么必须三段？因为只用前两段无法唯一定位。同一患者的同一次住院可能有出院小结、护理记录、影像报告等多篇笔记，只有 ROW_ID 能区分。少了 ROW_ID，取原文时会取错或取到多篇。

这个设计也带来一个实操要点：从 NOTEEVENTS 取原文时，必须三个字段都参与过滤，不能只用 SUBJECT_ID + HADM_ID。

2.5 十类的动作细分

十类里有两类带明确的动作子类，这两类的内部结构值得单独说。

药物：启用、停用、调整、维持、暂不使用。五个动作覆盖了用药决策的基本形态。「暂不使用」是一个容易被忽略但临床意义很强的类别——它记录的是「决定了不用」，而不只是「没写」。

治疗性操作：同样的五个动作。这个对称不是巧合，而是设计上有意为之——药物与操作在临床决策结构上同构，都是「对某个干预做启用/停用/调整/维持/拒绝的判断」。

这个对称带来一个便利：可以建一套统一的抽取模板，把「干预类型」与「动作类型」作为两个维度，药物与操作只是干预类型的一个取值。

2.6 表型与人口学需要外部关联

MedDec 本身不含表型标签与人口学字段，这两类信息都要从别处关联。

信息	来源	关联键
11 类表型	MIMIC-III 表型标注集（Gehrmann 等）	SUBJECT_ID + HADM_ID
性别	MIMIC-III PATIENTS 表	SUBJECT_ID
族裔	MIMIC-III ADMISSIONS 表	HADM_ID
语言能力	MIMIC-III ADMISSIONS 表	HADM_ID

451 篇里有 192 篇与表型标注集重叠，这 192 篇可直接拿到 11 类表型。剩下 259 篇没有表型标签，除非自己补标。

这个重叠比例的来源值得留意。表型标注集的 192 篇是为表型任务挑的，未必随机。MedDec 在此基础上加了 259 篇，但额外部分的抽取规则未在条目页说明。做亚组分析时，最好按「重叠」与「新增」分组各看一遍，确认结论一致。

2.7 人口学构成的三个数字

配套论文报告了三个人口学比例：42.6% 女性、75.9% 白人、85.2% 英语熟练者。

这三个数字的用途是判断样本代表性。女性占比略低于一半但接近均衡；白人占比四分之三，明显高于美国总体人口构成；英语熟练者 85.2%，说明有一定比例的患者存在语言障碍。

后两项对决策记录研究有直接影响。非英语熟练患者的出院小结可能更简短、决策描述更粗糙，这会系统性影响抽取模型的性能。做公平性分析时，这三个比例提供了基准，但要真正下结论还需要按组统计标注密度。

2.8 一处需要自己核对的分布

条目页给了 token 总量与决策 token 量，但没给十类各自的分布。

这个缺项影响不小。十类里有些类（如药物、建议与预防）在出院小结中出现频繁，有些类（如法律与保险、推迟）可能很稀疏。若某类只有几十个样本，任何模型在该类上的性能估计都不稳。

办法是自己统计。拿到标注后逐类计数，画出分布。经验上，稀疏类应当从评测指标里单列或合并，而不是与高频类混在一起算宏平均——宏平均会被稀疏类的极端值拉偏。

2.9 一份片段标注长什么样

把一条标注摊开看，能直观理解这套数据的粒度。

一条标注包含五个值：起点字符索引、终点字符索引、类别名、片段原文、标注编号。前两个是位置，第三个是归类，第四个是人能读的内容，第五个是唯一键。

以临床常见的一句出院医嘱为例说明形态（此处为说明性示例，非原文照录）：「建议每周复查血常规与肝功能，若出现发热及时返院」。按十类体系，这句大致会被切成两个片段：前半段属「联系人相关」里的随访安排，后半段属「建议与预防」。两个片段的边界落在「若出现发热」之前。

这个例子说明两件事。一是片段边界不总在句号处。标注者按语义完整性切，而不是按标点切。二是一句话可以切出多个片段，且片段之间可能有重叠（若某个表述同时承担随访与预防功能）。

理解了这一点，再看 3.7 万的重叠 token 就不奇怪了——重叠不是标注失误，是表述本身复合。

2.10 单篇小结的标注密度

451 篇、5.4 万句、87.9 万决策 token，三个数字相除能推出两个派生量。

每篇平均约 120 句，每句平均约 26 个 token，每篇平均约 1,950 个决策 token。按片段平均长度十几个 token 估，每篇大约有百来个决策片段。

这个密度意味着什么？按一篇出院小结通常两三页算，每页分布几十个决策片段。也就是说文本里几乎没有长段落的「非决策区」——这与 §2.1 的 63% 比例一致。

密度的实际用途是设基线。若你的抽取模型在每篇上只输出十几个片段，多半漏了；若输出三五百个，多半碎了。数量级对不上时先怀疑后处理规则，而不是模型本身。

需要说明的是这些派生量是按三个官方数字推算的，条目页未给每篇的片段数，实际分布可能很不均——重症患者的出院小结可能长达数页，简单病例可能只有半页。

2.11 文本来源的一个隐含约束

原文取自 MIMIC-III 的 NOTEEVENTS 表，这一点带来一个隐含约束：出院小结的写法是十年前的。

MIMIC-III 覆盖 2001 到 2012 年。这十几年的临床文书风格变化不小：电子病历模板化程度提高、结构化字段增多、缩写习惯改变。用这套标注训出的模型在当代文本上未必直接可用。

这个约束在跨年代应用时尤其要紧。若目标场景是现在的医院文书，需要做一次域适应，或者至少在新文本上做小规模验证。仅凭这套数据上的高分不能推出现场可用。

2.12 与 MIMIC-IV-Note 的年代差

若要用更新的文本，MIMIC-IV-Note 覆盖 2011 到 2022 年，跨度更近。但 MedDec 的标注在 MIMIC-III 上，两者不能直接替换。

想在新文本上复用这套标签体系，可行路径有两条。一是用 MedDec 训一个抽取器，再在 MIMIC-IV-Note 上跑一遍做伪标注，人工抽检后微调。二是重新标注一小批新文本，做标注一致性与分布对比。

两条路都有成本。第一条的成本在抽检与伪标签噪声，第二条在标注人力。选哪条取决于对年代敏感度的判断——若决策类型分布变化不大，第一条够用；若变化大，第二条更稳。

§3 怎么拿到：标注公开但原文另取

3.1 获取路径与一个两段式结构

MedDec 的获取流程比多数数据集多一步，因为它把「标注」与「原文」分开放。

环节	动作
前置	取得 MIMIC-III 凭证访问资质（原文在其 NOTEEVENTS 表里）
培训	完成 CITI「Data or Specimens Only Research」
协议	签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0
取标注	在 MedDec 条目页 Files 区下载 JSON
取原文	在 MIMIC-III 条目页获取 NOTEEVENTS 表

两步都不能省。只有标注没有原文，标注的偏移无法映射到具体文本；只有原文没有标注，需要自己重新标。

3.2 地区不可用提示

条目页在部分地区显示「Data Not Available — Data is not available in your region due to legal or policy restrictions」。

这句限制的是下载。描述、结构、字段、许可、划分比例在页面上公开可读，本页所有数字都来自这些公开文本。做选型判断不需要凭证，跑数据才需要。地区限制由访问方所在地的法律或政策决定，与账号资质无关。

3.3 版本与 DOI

类型	DOI
版本 DOI（v1.0.0）	10.13026/nqnw-7d62
最新版 DOI	10.13026/nmdc-na68

项目代码与数据说明在 GitHub 仓库 CLU-UML/MedDec。引用时应锚定版本 DOI。

3.4 偏移对齐的操作要点

把标注与原文接起来这一步，是整套流程里最容易出错的地方，值得单说。

第一，编码要一致。 偏移是字符索引，而字符索引的含义依赖编码。Python 里 str 的索引是码点，若原文读入时做过解码转换（如把特殊引号归一化），偏移会错位。稳妥做法是原样按 UTF-8 读入，不做任何文本清洗。

第二，不要预处理后再对齐。 常见的错误是先做小写化、去标点、分词，然后拿标注入对。任何改变字符数的操作都会让偏移失效。正确顺序是先按原始偏移切出片段，再做需要的预处理。

第三，锚定验证。 取回原文后，用前若干条标注的 start_offset 与 end_offset 切一次，比对切出的字符串与 decision 字段是否逐字一致。不一致说明编码或原文版本有问题，必须先解决。

第三步是最有效的自检。只需要几行代码，能挡住后面所有因偏移错位导致的隐性错误。

3.5 存储与加载的实际情况

数据量不大——451 篇小结的标注 JSON 通常只有几 MB 级。原文侧取决于你取多少，全量 NOTEEVENTS 在 GB 级，只取这 451 篇的对应行则很小。

加载上没什么特殊要求。JSON 直接读成字典即可，不需要专门的库。需要注意的是若标注按划分分成三个文件，训练时不要把验证集与训练集混读——这两组是分开存放的，混读不会报错，只会让验证指标虚高。

§4 质量与已知问题：四条官方边界与六个实操坑

4.1 官方边界清单

条目页列出的边界集中在四处，都是结构性的，不是偶然缺陷。

第一条：不含原文。 发布包只有标注。这条影响最大，因为它把「拿到数据」变成两件事。

第二条：测试集未公开。 48 篇留待 shared task 后发布。这条限制了独立复现。

第三条：临床笔记本身不精确且异质。 这是对源材料的判断——出院小结的写法因科室、医师、年代而异，同一临床事实可以有完全不同的表述。这条不是数据集的缺陷，是任务固有的难度。

第四条：标注者规模有限。 两名医学生加一名医师仲裁。这条的实质是：一致性的估计只基于两个人，样本量小，且标注者的专业层级低于专科医师。

4.2 六个实操坑

坑一：以为标注自带原文。 打开 JSON 发现只有偏移和片段文本，误以为数据不全。实际上片段文本（decision 字段）是有的，缺的是整篇上下文。做需要上下文的模型（如篇章级分类）时必须自己取原文。

坑二：预处理后再对偏移。 详见 §3.4。这是最隐蔽的错误，因为它不会报错，只会让切出来的片段错位几个字符，而错位后的片段往往还能读通，不易发现。

坑三：当序列标注任务做。 3.7 万 token 位于片段重叠区，说明同一段文本可属两类。序列标注要求每个 token 一个标签，遇到重叠必须二选一。正确的任务形式是集合标注（multi-label span），或允许重叠的 span 抽取。

坑四：把 87.9 万当独立片段数。 它是 token 数，不是片段数。片段数取决于平均片段长度，而条目页没给。要算片段数只能自己统计。

坑五：忽略十类分布不均。 条目页没给各类分布。直接算宏平均会被稀疏类拉偏。宜先统计再定指标。

坑六：把 192 篇重叠样本与 259 篇新增样本混在一起下结论。 两部分的来源不同，抽样规则可能不同。混在一起会掩盖可能的抽样偏倚。

4.3 假设—支持—反对

假设	支持	反对
451 篇足以训练可用的决策抽取模型	140 万 token 的标注量在片段级任务里不算小	十类分布若极不均，稀疏类的样本会很少
两名标注者的 0.74 可信	独立标注 + 医师仲裁 + 公开一致性数字，流程正规	未报告仲裁比例，且标注者非专科医师
十类体系可跨科室通用	DICTUM 是通用决策框架，非某一专科专用	不同科室的决策重心差异大，出院小结的写法也不同
额外 259 篇是随机补充	总篇数从 192 增到 451，说明有意扩充	抽取规则未在条目页说明，随机性无法确认
表型标签可直接用于分层	192 篇有现成表型标注，关联键明确	只有 192 篇有，占 43%，分层分析样本会减半

4.4 隐私与去标识化

数据继承 MIMIC-III 的去标识化流程：日期平移（患者内一致）、超过 89 岁记 90、自由文本中的 PHI 由官方流程替换、标识符改为连续整数。

MedDec 的处理是在已去标识的文本上做标注，因此不引入新的隐私风险。但有一点值得注意：标注本身含片段文本（decision 字段），若该片段恰好包含未完全去除的准标识信息，它会被单独抽出来。使用与再分发时应遵循原库 DUA，不得把片段文本用于识别尝试。

4.5 哪些地方做得扎实

一致性的公开是最实在的一项。多数标注数据集只报「由专家标注」，不报 Kappa。报了 0.74 意味着使用者能判断这套标注有多硬，也能在复现时对比自己的模型是否接近人类一致性上限。

独立标注加仲裁的流程也正规。两人独立判、算一致性、分歧由第三人定，这是标注质量的基本保障。相比单人标注加自查，可靠性高一档。

偏移而非文本片段作为主键是个技术上的好选择。以 start_offset 与 end_offset 定位，比只存片段文本更严格——它保证片段在原文中的位置是确定的，不会因为文本重复而歧义。

4.6 结论强度分级

判断	强度	依据
451 篇 / 419 患者 / 5.4 万句 / 140 万 token	A	条目页与论文摘要一致
87.9 万决策 token、3.7 万重叠 token	A	条目页明确给出
十类体系及各类动作细分	A	条目页完整列出
Kappa 0.74、两名医学生加医师仲裁	A	条目页原文
划分 350/53/48 且测试集未公开	A	条目页明确
十类分布不均	C	无直接数据，属经验推断
192 篇重叠样本可能有抽样偏	D	推断，无证据支持具体偏向

4.7 标注噪声与任务难度的区分

模型在某类上表现差，原因可能是标注噪声，也可能是任务本身难。两者要分开。

区分办法是看「人是否也难」。若两名标注者在该类上的一致率明显低于其他类，说明这一类本身边界模糊，模型表现差是合理的；若人都一致、模型却差，才是模型的问题。

条目页只给了总体 Kappa 0.74，没给分类别的一致性。这意味着这个区分目前做不了，除非自己重标一小批做对照。

一个替代办法是看混淆矩阵的结构。若错误集中在两个语义相邻的类之间（比如「治疗目标」与「建议与预防」），多半是边界模糊；若错误散布到远距离的类，多半是模型没学好。

4.8 稀疏类的处理不是「合并就行」

十类里必然有几类样本稀少。常见的处理是合并到相近类，但合并会带来新问题。

合并会改变标签的语义。把「推迟」并入「建议与预防」，看似都是「暂时不做处理」，实际前者是「明确决定观望」、后者是「给出预防措施」，临床含义不同。合并后训出的模型会在这个粗类别上表现好，但失去区分能力。

更稳的处理是保留原类但在评测时单列：训练时用全部数据，报告时把稀疏类的指标单独放，不参与宏平均。这样既不损失信息，也不让稀疏类的方差污染总体结论。

4.9 重叠标注的处理有四种，选哪种要写清

3.7 万重叠 token 意味着必须做选择。四种常见处理各有代价。

处理	做法	代价
取首个	按类别优先级保留一个	丢失其他类信息，优先级需人为定
取最长	保留覆盖最长的片段	倾向于大类，小类被吞
复制样本	同一文本按不同类别各出一份	训练集膨胀，类别分布被改变
保留重叠	用集合标注形式	与标准序列标注框架不兼容

第四种最忠实于数据，工程成本最高。前三种都在某种程度上修改了数据。无论选哪种，方法节都要写明，否则读者无法判断指标的可比性。

4.10 一个可以自查的质量指标

不需要金标准也能做的自查：片段长度分布。

决策片段的长度应当有一个合理的集中区间。若某类的片段长度分布出现双峰，或极度偏向极短（一两个词）或极长（整段），说明该类标注存在问题——要么判定标准过松，要么标注者把整段都标成决策。

这个自查的用处是在不重标的情况下发现异常类。做法很简单：按类别分组算片段长度的中位数与四分位，横向比较。某一类的中位数明显偏离其他类，就值得抽查几条看。

条目页未给这类统计，所以只能自己算。它也是判断「这批标注能不能直接用」的最快方式之一。

§5 能做什么：四类任务与可执行骨架

5.1 四类任务

任务	输入	输出	可行性
决策片段抽取	小结全文	片段区间 + 类别	高，标注完备
决策类型分类	给定片段	十类之一	高，但需先切片段
决策密度与患者特征关联	标注 + 人口学	关联分析	中，需关联外部表
决策记录差异的公平性分析	标注 + 族裔/性别/语言	分组比较	中，需注意混杂

5.2 第一类：片段抽取的标准做法

这是最直接的任务，也最能体现这套数据的价值。

第一步  取原文并对齐
  -- 从 NOTEEVENTS 按三元组取 451 篇
  -- 用前 5 条标注做偏移校验，切出的字符串须与 decision 字段逐字一致
  -- 不一致先查编码与文本清洗，不要往下走

第二步  选定任务形式
  -- 若做序列标注：遇重叠片段需二选一，选择规则要写进方法节
  -- 若做 span 抽取：允许重叠，用 start/end 回归或指针网络
  -- 两个形式的结果不可直接比较，报告时要写清

第三步  处理类别不均
  -- 统计十类各自的片段数
  -- 低于 100 的类单列，或并入相近类后再训
  -- 报告指标时宏平均与微平均都给

第四步  划分
  -- 沿用官方的 350/53 划分可保证与文献可比
  -- 若自己重划，必须按患者而非按小结划分（同一患者可有多篇）

第五步  评测
  -- 片段级：精确匹配（起止都对）与松弛匹配（重叠即算对）分别报
  -- 类别级：给定正确片段时分类准确率
  -- 两者混在一起报会掩盖问题

第四步的「按患者划分」是必须的。419 名患者对应 451 篇小结，说明有患者贡献了多篇。若按小结随机划分，同一患者的两篇可能分居训练与测试，而同一患者的写法风格高度一致，模型会因此虚高。

5.3 第二类：给定片段的类别判定

这个任务比第一类简单，但要先解决「片段从哪来」。

两种做法。一是用金标准片段（即标注给的区间），这测的是纯分类能力。二是用模型预测的片段，这测的是端到端，但误差会从抽取环节传导过来。

两种做法的分数不可比。文献里常混着报，读的时候要看清。做方法对比时，建议先报金标准片段下的分类结果，再报端到端结果，两者的差就是抽取环节的损失。

5.4 第三类：决策密度与患者特征的关联

「决策密度」是个有用的派生指标：单位文本长度内的决策片段数。它可以粗略反映一份小结里「做了多少事」。

派生指标	定义	用途
决策密度	片段数 ÷ 句数	反映记录详尽程度
类别多样性	出现过的类别数	反映诊疗复杂度
重叠比例	重叠 token ÷ 决策 token	反映表述的复合程度
药物决策占比	药物类片段 ÷ 总片段	反映用药负担

这些指标本身有信息量，但解释要谨慎。密度低可能是「没做什么」，也可能是「记录了但写得简略」。要区分两者，需要引入住院时长、诊断数等外部变量。

5.5 第四类：公平性分析的注意点

配套论文分析了性别、族裔、语言能力上的决策记录差异。这套分析有方法上的陷阱。

陷阱一：混杂。 族裔与疾病谱、就诊科室、保险类型都相关。不做调整直接比「白人患者与非白人患者的药物决策数」，比出来的是混杂的合计效应。

陷阱二：分母。 决策数要除以什么？除以小结长度、除以住院天数、除以诊断数，结论会不同。分母的选择实质上定义了「什么是公平」。

陷阱三：样本量。 451 篇分到族裔、性别、语言三个维度再交叉，某些格子可能只有几十篇。此时差异可能只是噪声。

陷阱四：标注本身的偏。 若标注者对某些表述更敏感，而不同人群的表述习惯不同，标注本身就会带入差异。这一点无法从数据内部排除，只能在讨论里承认。

5.6 不适合用它做的事

想法	为什么不行
抽取具体药物名与剂量	标注粒度止于十类，不细分实体
建立决策的因果关系	观察性文本，无干预与对照
评估医疗质量	记录了决策不等于决策正确
做跨院泛化	单中心，且写法风格强相关
端到端复现论文数字	测试集未公开
研究决策的时间趋势	文本已去标识，日期平移
直接当序列标注基准	存在重叠片段，与标准 NER 设定不符

5.7 一个可复用的评测报告模板

项	内容
任务形式	序列标注 / span 抽取 / 分类
重叠处理	二选一的规则是什么
划分	沿用官方还是自划；是否按患者
稀疏类处理	哪些类被合并或排除
匹配标准	精确匹配还是重叠匹配
指标	宏平均与微平均都报
原文版本	NOTEEVENTS 取自哪个 MIMIC-III 版本

最后一项容易被忽略。MIMIC-III 有多个小版本，NOTEEVENTS 的行内容在版本间可能有微调。若原文版本与标注时用的版本不同，偏移可能对不上。§3.4 的锚定校验能发现这个问题。

5.9 与规则基线的关系

这套数据上，规则基线不是落后的做法，而是必要的对照。

出院小结里有一批决策表述高度模板化：出院医嘱段的「随访」「复查」「如有不适随诊」，用药段的「停用」「加用」「调整为」。用关键词加段落位置，能覆盖相当一部分决策片段。

规则基线的价值有三点。一是给出下界——任何模型若打不过规则，说明模型没学到东西。二是暴露数据的不平衡——若规则在某一类上几乎完美，说明该类的表述过于固定，模型的高分不代表理解。三是提供错误分析的方向——规则错在哪，往往是语义边界最模糊的地方。

建议的基线设计是两级：只用关键词的一级，加上段落位置约束的二级。两级之间性能跃升多少，反映了「位置先验」的贡献，而这个贡献在真实场景里未必成立——真实文书的分段习惯与 MIMIC 未必相同。

5.10 DAIMS 24 项检查

#	维度	判定	说明
1	数据集名称	是	MedDec: Medical Decisions for Discharge Summaries
2	版本号	是	v1.0.0，2024-10-16
3	持久标识符	是	DOI 10.13026/nqnw-7d62
4	最新版标识	是	10.13026/nmdc-na68
5	发布机构	是	PhysioNet
6	联系方式	是	条目页 contact + GitHub 仓库
7	许可条款	是	Credentialed Health Data License 1.5.0
8	访问条件	是	凭证 + CITI + DUA
9	引用格式	是	条目页给出 citeAs
10	配套论文	是	Findings of ACL 2024
11	数据来源机构	是	MIMIC-III，Beth Israel Deaconess
12	采集时间段	部分	继承 MIMIC-III v1.4，未单列
13	地理范围	部分	继承单中心，条目页未重述
14	人群描述	是	419 患者，含三项人口学比例
15	样本量	是	451 篇 / 5.4 万句 / 140 万 token
16	文件清单	部分	按划分分的三组，测试组缺失
17	字段字典	是	五字段结构清晰
18	缺失值说明	部分	未说明片段边界不确定时如何处理
19	去标识化方法	是	继承 MIMIC-III 流程
20	伦理审批	是	伦理声明 + 全员完成人类受试者培训
21	已知局限	是	四条，明确列出
22	使用案例	是	四类用途
23	更新计划	部分	提到测试集将在 shared task 后公开
24	错误报告渠道	部分	GitHub 仓库，无专用流程

合计：是 17 / 部分 6 / 否 1 = 20 / 24。失分主要在测试集缺位、类别分布未公开、片段边界处理未说明三处。

§6 常见误读与引用陷阱

6.1 误读对照表

常见说法	实际口径	证据位置
数据集含 451 篇出院小结原文	只含标注，原文须从 MIMIC-III NOTEEVENTS 取	条目页描述与文件说明
87.9 万是决策片段数	是落在决策片段内的 token 数	条目页 token 描述
可以抽药名、剂量、频次	十类只到「药物决策」这一层，不细分实体	十类定义
有公开测试集	48 篇留待 shared task 后发布	划分说明
直接当序列标注基准	3.7 万 token 位于重叠区，属集合标注	token 统计
十类分布是均衡的	条目页未给分布，实际很可能极不均	条目页缺项
标注者之间有分歧就是标错了	0.74 是良好水平，临床决策边界本身有解释空间	Kappa 说明
表型标签 451 篇都有	只有 192 篇与表型标注集重叠	重叠说明
可以拿它评估医疗质量	记录了什么决策不等于决策是否正确	任务性质
451 篇覆盖 451 名患者	419 名患者，有人贡献多篇	患者数
决策密度高说明诊疗积极	也可能只是记录写得详细	指标性质
十类体系是 NLP 常用标签集	源自 DICTUM 临床决策理论，非为 NLP 设计	体系来源

第二条与第三条最常被写错，因为它们直接影响对数据规模的理解——把 token 数当片段数，会把数据量估高一个数量级；把十类当实体标签，会做出根本做不成的任务设计。

6.2 技术性陷阱

陷阱一：偏移按字节算而非按字符算。有些语言或库的索引是字节偏移，而 JSON 里的 offset 按字符算。若用字节索引切字符文本，非 ASCII 字符处会错位。MIMIC 文本以英文为主，但含特殊符号，仍可能触发。

陷阱二：end_offset 的闭合方式。区间是左闭右开还是两端都含，条目页未明说。用前 5 条做锚定校验时，两种假设各试一次，看哪种与 decision 字段逐字一致。

陷阱三：按行号划分而非按患者。419 患者 451 篇，有患者贡献多篇。按小结随机划分会让同一患者的笔记跨集，测试指标虚高。

陷阱四：忽略片段文本的冗余。decision 字段是片段原文，与偏移切出的字符串应当一致。若不一致，说明发布时做过文本清洗。这种情况要按偏移为准，因为偏移是位置事实。

陷阱五：把 annotator_id 当质量标签。它标识哪个人标的，不标识标注正确与否。两人标注同一篇时会有两条记录，合并时需去重或按仲裁结果取。

陷阱六：用测试集外的方式评估。验证集 53 篇在设计上是被用于调参的，若再用它做最终评估，指标偏乐观。要么自己从训练集切，要么承认这一点。

6.3 与其他出院小结标注资源的组合边界

MedDec 常被与表型标注集、各类临床 NER 语料并提，组合使用时有三条边界要先说清。

第一，不能假设片段互斥。表型标注是全文级的多标签，一篇小结可以同时有抑郁与物质滥用两个标签；MedDec 是片段级，一篇小结内片段众多且可能重叠。两者的「多标签」含义不同，做联合统计时不能用一个统一的多标签框架硬套。

第二，不能假设标注者相同。MedDec 的标注者与表型标注集的标注者是两批人，两者的判据不同。把两套标签放在一起做联合训练，模型会同时拟合两套判据，若两者在边界上冲突，性能会互相拖累。

第三，不能假设覆盖一致。MedDec 的 451 篇里有 192 篇有表型标签，其余 259 篇没有。任何需要两者的分析都会自动缩到 192 篇，样本量减少近六成，统计功效随之下降。

三条边界合起来的意思是：可以组合，但每次组合都要重新算一次样本量与判据一致性，不能沿用单套数据时的结论。

§7 在生态中的位置

7.1 三类临床文本标注资源的划分

按标注对象排一下，能看清 MedDec 占的位置。

类型	标注对象	代表	下游任务
实体层	名词短语	各类临床 NER 语料	实体识别、术语归一
表型层	全文或患者	MIMIC-III 表型标注集	队列筛选、表型识别
决策层	语义片段	MedDec（本页主条）	决策抽取、流程分析

三层的抽象级别依次升高。实体层最细、最成熟、词典支撑最好；表型层居中，直接服务队列构建；决策层最粗，但语义最接近「临床行为」。

三层可以串联：先用实体识别抽出药物名，再用表型标注筛出某类患者，最后用决策标注看这群患者的用药决策模式。这种串联是临床文本研究的典型管线。

7.2 与临床事件抽取的关系

决策标注与事件抽取在方法上有交集，但目标不同。

事件抽取通常要求「触发词 + 论元」的结构化输出，比如「停用（药：万古霉素，原因：肾功能不全）」。MedDec 只要求「这一段是药物决策」，不要求把论元列出来。

这个差别带来工作量与信息量的权衡。结构化事件抽取的标注成本高得多——每个论元都要单独界定与归类；MedDec 的成本低，但拿到的东西也少。

实践中常见的做法是两段式：先用 MedDec 这类粗标注训一个片段识别模型，把候选片段框出来，再在候选上做精细的事件抽取。这样能大幅减少后者的标注量。

7.3 在「临床文本能算什么」这条线上的位置

临床自由文本长期被当作「难以利用的数据」，原因是它既非结构化也无标注。近十年这条线的进展可以分三步。

第一步是去标识化。MIMIC-IV-Note 这类资源的出现，让文本可以合法公开。没有这一步，后面都做不了。

第二步是标注体系化。把「文本里有什么」固定成可操作的标签集。表型标注集做的是疾病层，MedDec 做的是行为层。

第三步是任务标准化。有了标注还要有公认的划分、指标、基线，才能比较。MedDec 给了划分（350/53/48）但测试集留空，说明还差一步。

三步走完，临床文本才真正成为可积累的研究对象。它现在的状态是第二步接近完成、第三步刚开始。

7.4 库内互链点

相关条目	关系
MIMIC-III（rid 106）	直接上游，原文与人口学来源
MIMIC-III 表型标注集（rid 594）	192 篇重叠，可提供 11 类表型分层
MIMIC-IV-Note（rid 47）	另一套临床文本资源，可用于跨库对照
MIETIC（rid 1294）	同为 MIMIC 标注层，但记录单位是急诊就诊、标签是 ESI 分级

7.5 对国内同类工作的参照

国内做出院小结决策标注，困难集中在三处。

一是文本可得性。 MIMIC 的文本能公开，前提是完成了 HIPAA 级去标识并允许凭证访问。国内病历文本的外发限制更严，公开语料极稀缺。这使得同类标注缺少可复用的基础。

二是标注体系缺共识。 DICTUM 是国际上被引较多的决策分类框架。国内临床习惯的表述与它并不完全对应——比如「上级医师查房指示」这一常见结构，在十类体系里该归到哪一类，需要重新讨论。

三是标注成本。 决策标注无法靠词典预标，只能人读人判。按每篇小结需要十几分钟估算，451 篇约需一百多小时的双人标加上仲裁，这个投入在多数项目里难以立项。

三点合起来，解释了为什么这类资源在国际上也数量有限。

§8 总结：一份行为层标注的用法与边界

8.1 适用与不适用

适用	不适用
决策片段识别与分类	抽取具体药物与剂量
临床文本标注方法研究	建立决策因果
决策密度的横断面分析	评估医疗质量
公平性分析的素材层	跨院泛化（单中心）
与表型标签联合作分层研究	端到端复现（测试集未公开）
作为精细事件抽取的前置筛选	决策的时间趋势分析

8.2 三句话

第一句，它把「决策」这个模糊概念固定成了十类可标注的清单，并给出了标注者之间的一致性，让这个概念第一次有了可检验的操作定义。

第二句，它的关键取舍是粒度粗、成本低：只标片段与类别，不抽论元，这让 451 篇的标注量成为可能，也让「决策结构化」留给下一层。

第三句，它的使用门槛在数据外侧：原文要另取、测试集未公开、十类分布要自算，三件事都得自己补。

§9 术语与口径速查

9.1 缩写

缩写	全称	中文	备注
MedDec	Medical Decisions for Discharge Summaries	出院小结医疗决策	本页主条
DICTUM	—	临床决策十类体系	标注框架来源
NER	Named Entity Recognition	命名实体识别	与本任务的对比项
span	—	片段/区间	标注的基本单位
offset	—	字符偏移	定位片段位置
Kappa	Cohen’s Kappa	科恩卡帕系数	标注一致性指标
SUBJECT_ID	—	患者标识	MIMIC-III 字段
HADM_ID	—	住院标识	MIMIC-III 字段
ROW_ID	—	行标识	NOTEEVENTS 表内行号
PHI	Protected Health Information	受保护健康信息	去标识化对象
DAIMS	Data Attribution and Integrity Metadata Standard	数据归属与完整性元数据标准	用于 §5.8

9.2 口径对照

说法	本页采用的精确口径
小结数	451 篇
患者数	419 名（有人贡献多篇）
token 总量	约 140 万
决策 token	87.9 万，占总量约 63%
重叠 token	3.7 万，位于相邻片段之间
类别数	10 类决策、11 类表型（含「无」）
一致性	Cohen’s Kappa 0.74，两名标注者
划分	350 / 53 / 48，测试集未公开
原文	不在发布包内

§10 事实清单与附录

10.1 事实清单

1. 英文全名：MedDec: Medical Decisions for Discharge Summaries in the MIMIC-III Database。
2. 发布平台：PhysioNet，v1.0.0，2024-10-16。
3. DOI（版本）：10.13026/nqnw-7d62。
4. DOI（最新）：10.13026/nmdc-na68。
5. 作者：Elgaar M.、Cheng J.、Vakil N.、Amiri H.、Celi L. A.。
6. 访问级别：Credentialed。
7. 许可：PhysioNet Credentialed Health Data License 1.5.0。
8. 规模：451 篇小结、419 名患者、逾 5.4 万句。
9. token：约 140 万，其中决策片段 87.9 万、片段重叠 3.7 万。
10. 类别：DICTUM 十类；表型 11 类。
11. 十类：联系人相关、信息采集、问题界定、治疗目标、药物、治疗性操作、检验结果评价、推迟、建议与预防、法律与保险。
12. 药物与操作类各含五个动作：启用、停用、调整、维持、暂不使用。
13. 标注者：两名受训医学生独立标注，一名临床医师仲裁。
14. 一致性：Cohen’s Kappa = 0.74。
15. 划分：训练 350、验证 53、测试 48（未公开）。
16. 表型重叠：192 篇与 MIMIC-III 表型标注集重叠，另 259 篇为额外纳入。
17. 人口学：42.6% 女性、75.9% 白人、85.2% 英语熟练者。
18. 标识：discharge_summary_id = [SUBJECT_ID][HADM_ID][ROW_ID]。
19. JSON 字段：annotator_id、discharge_summary_id、annotations（含 start_offset、end_offset、category、decision、annotation_id）。
20. 原文来源：MIMIC-III v1.4 的 NOTEEVENTS 表。
21. 父项目：MIMIC-III Clinical Database v1.4。
22. 配套论文：MedDec: A Dataset for Extracting Medical Decisions from Discharge Summaries，Findings of ACL 2024。
23. 公平性论文：Analysis of Race, Sex, and Language Proficiency Disparities in Documented Medical Decisions，medRxiv 2024-07。
24. 代码仓库：github.com/CLU-UML/MedDec。
25. 测试集：v1.0.0 未含，将在 shared task 完成后公开。

10.2 附录 A：判断某个用法是否成立

想做的事	前置判断	结论
训决策片段抽取模型	原文是否已取回并对齐	对齐后成立
报端到端指标	是否承认测试集缺位	承后成立（建议自划）
做用药信息抽取	是否需要药名与剂量	需再叠一层实体标注
做患者级分析	是否按患者划分与聚合	聚合后成立
做公平性分析	是否处理混杂与分母	处理后成立
与表型联合分层	是否只用 192 篇重叠样本	成立但样本减半
复现论文数字	是否有公开测试集	不成立
做决策因果分析	是否有干预与对照	不成立

10.3 附录 B：字段语义的四处易错点

字段/概念	字面理解	实际含义
decision	决策文本	片段原文，非结构化决策
category	决策类型	十类之一，不含动作细分
start/end_offset	字符位置	编码与闭开方式需校验
annotations 列表	一篇文章的所有标注	可能来自多名标注者，需去重

10.4 附录 C：逐项证据链

事实	证据源
451 篇 / 419 患者 / 5.4 万句	PhysioNet 条目描述页
140 万 / 87.9 万 / 3.7 万 token	同上
十类体系与动作细分	同上
Kappa 0.74、两名学生加医师仲裁	同上
350/53/48 划分与测试集未公开	同上
192 篇表型重叠	同上
三项人口学比例	同上
JSON 五字段	同上数据字典
原文在 NOTEEVENTS	同上使用说明
配套论文与公平性论文	同上引用区
代码仓库	同上链接区

10.5 附录 D：引用格式

Elgaar, M., Cheng, J., Vakil, N., Amiri, H., & Celi, L. A. (2024).
MedDec: Medical Decisions for Discharge Summaries in the MIMIC-III Database (version 1.0.0).
PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/nqnw-7d62

Elgaar, M., Cheng, J., Vakil, N., Amiri, H., & Celi, L. A. (2024).
MedDec: A Dataset for Extracting Medical Decisions from Discharge Summaries.
Findings of the Association for Computational Linguistics: ACL 2024.

10.6 附录 E：开箱检查清单

项	确认要点
JSON 可解析	三个划分文件是否都能读成字典
偏移对齐	前 5 条切出的字符串与 decision 是否逐字一致
区间闭合	左闭右开还是两端都含
标注者去重	同一篇是否有两条记录
类别分布	十类各自片段数，稀疏类有哪些
患者重复	419 患者 451 篇，重复者占多少
原文版本	NOTEEVENTS 的 MIMIC-III 版本是否与标注时一致

---

编辑说明

核验时点：2026-10-18。规模、token 统计、十类体系、动作细分、标注流程、一致性、划分、表型重叠、人口学比例、字段结构、许可与访问条件均回读 PhysioNet 条目描述页（v1.0.0 与无版本号两个入口）原文。

核验方式：451 篇 / 419 患者 / 5.4 万句、140 万与 87.9 万与 3.7 万三个 token 数、十类名称与两类各五个动作、Kappa 0.74 与两名医学生加医师仲裁、350/53/48 划分与测试集未公开、192 篇表型重叠与 11 类表型、42.6%/75.9%/85.2% 三个人口学比例、JSON 五字段、三元组标识构成，全部以条目页文本为准；两篇关联论文的题名与出处取自条目页引用区。

口径边界：87.9 万为 token 数而非片段数，本页在 §2.1、§6.1 两处标明，且不推算片段数；「决策 token 占总量约 63%」为按两个官方数字相除得出的比例，已在文中写明是推算；十类分布条目页未给，本页不填具体数字，只在 §2.8 与 §5.2 说明应自算及其影响；表型覆盖明确限定为 192 篇，不表述为全量；测试集缺位在所有涉及「复现」的表述中都作了限定。

未覆盖内容：十类各自的片段数与 token 数、每篇小结的平均片段数、仲裁比例、额外 259 篇的抽取规则、片段的平均长度、类别之间的混淆结构，均未在条目页公开，本页不猜测；两篇关联论文的 DOI 与 PMID 在条目页未列出，本页只记题名与出处；各模型在该数据上的实际性能不属于本条目的内容范围。

体例说明：本页按 v4 体例撰写，章节编号 §1–§10 连续，术语与口径集中在 §9，事实清单与附录集中在 §10。本页由「千方病案医数集」编辑部撰写，最终以数据库记录为准。

---

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：

• annotation-opioid-use-notes — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 命名实体识别 / 真实世界数据
• brateca — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 真实世界数据
• discharge-summary-templates — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 命名实体识别
• pharmaconer — 共享标签：医疗NLP / 临床文本 / 命名实体识别
• deidentified-medical-text — 共享标签：医疗NLP / 电子健康记录 / 临床文本 / 命名实体识别
• aact — 共享标签：医疗NLP / 电子健康记录 / 真实世界数据
• distemist — 共享标签：医疗NLP / 临床文本 / 命名实体识别
• meddoprof — 共享标签：医疗NLP / 临床文本 / 命名实体识别
• cantemist — 共享标签：医疗NLP / 临床文本 / 命名实体识别
• snomed-ct — 共享标签：医疗NLP / 临床文本 / 真实世界数据

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。