信息速览
MIETIC 是 2025 年 3 月由 Shen 与 Guo 经 PhysioNet 发布的急诊分诊指令语料，从 MIMIC-IV v3.1、MIMIC-IV-ED v2.2 与 MIMIC-IV-Note v2.2 中抽出并组织出 9,629 条分诊病例，总 token 约 580 万。每条记录是 instruction、input、output 三列构成的一个三元组，input 侧汇总生命体征、主诉、人口学与来院方式，output 侧是按五级 ESI 框架写出的分诊判断与理由。随数据附带 50 条三医师仲裁的验证样本、生成与格式化提示模板，以及 24 段用来计算资源使用与急诊干预的质控 SQL。
急诊分诊的难点不在医学知识，在信息不完备下的快速取舍。护士要在几分钟内、只凭主诉与几个生命体征，判断这个病人要不要立刻进抢救室、能不能等。这件事以往只能靠人，因此既难规模化评测，也难复盘——事后回看，判断对错的边界常常模糊。MIETIC 做的事是把分诊过程拆成可计算的形态：把当时的输入固定成一段文本，把判断固定成一套五级框架，于是「不同模型在同一批病例上判得如何」第一次变得可比。
上手时先做两件事：把 ESI 的等级分布从百分比换成绝对条数，看清每个等级实际有多少条；把 50 条验证样本单独抽出来当哨兵集，不要混进训练。第一件事决定你后面所有分层结论的分母，第二件事决定你能否在训练早期就发现生成流程跑偏。
§1 它是什么：把分诊判断变成可比的输入输出对
1.1 一句话定义与三层结构
MIETIC 是一套把真实急诊就诊要素重新组织成指令微调格式的语料。三个限定成分要留住。
「真实急诊就诊要素」指的是 input 侧内容来自 MIMIC-IV 系列的真实记录——体温、心率、呼吸频率、血氧、收缩压与舒张压、疼痛评分、主诉、性别、种族、来院方式、处置去向。这些数字不是编的。
「重新组织」指的是从结构化表里抽出字段、拼成自然语言叙述、再套上任务指令。这个过程本身有信息损失：原始表里的字段名、单位、采集时刻在拼装中被压平了。
「instruction/input/output 三列」指的是最终形态。它不是病历，不是数据库快照，而是一个训练样本。理解这一点，才不会拿它去做字段级统计。
1.2 三个源库各供应了什么
依赖链条值得拆开看，因为它决定了数据出问题时该往哪里查。
| 源库 | 版本 | 供应的内容 |
|---|---|---|
| MIMIC-IV | v3.1 | 住院与就诊骨架、患者标识、人口学 |
| MIMIC-IV-ED | v2.2 | 急诊就诊、分诊记录、生命体征、主诉、处置去向、acuity |
| MIMIC-IV-Note | v2.2 | 临床自由文本，用于补齐叙述性描述 |
三个库的版本必须对齐。MIMIC-IV 本身有多次版本更新，字段与行数都变过；如果拿到的是 v2.2 的 ED 配 v3.1 的主库，关联时会出现找不到的记录。数据页明确写了这三个版本号，用之前核一下自己手上的版本。
1.3 与同系列条目的边界
MIMIC 生态在本库里已有相当数量的条目，边界容易混。按记录单位区分最清楚。
| 条目 | 记录单位 | 输出形态 | 主要用途 |
|---|---|---|---|
| MIMIC-IV-ED | 一次急诊就诊 | 结构化多表 | 描述统计、队列构建 |
| MIETIC（本页主条） | 一次急诊就诊 | 指令三元组 | 指令微调、LLM 评测 |
| MIMIC-III 表型标注集 | 一篇出院小结 | 片段级标签 | 表型识别、NER |
| MIMIC-IV-Note | 一篇临床笔记 | 去标识文本 | 文本挖掘、语料构建 |
一句话分辨：要原始字段用 ED，要训练样本用 MIETIC，要片段标签用表型标注集，要原始文本用 Note。四条的数据来源高度重叠，但形态完全不同，混用会造成重复计数与口径混乱。
1.4 为什么分诊值得单独成条
急诊分诊在临床 AI 里是个特殊位置：它有明确的分级标准（ESI 五级），有明确的时间压力（几分钟），有明确的责任归属（护士），却没有公开的、带输入的标准化数据集。
以往的替代方案有两种，都不理想。一种是用 MIMIC-IV-ED 的 acuity 字段直接做分类，但那是结构化表格，不是自然语言输入，训练出的模型无法直接用在「读一段主诉就判断」的场景。另一种是用合成病例，但合成病例的临床合理性没有保障。
MIETIC 的定位是补这一块：输入是自然语言（贴近实际使用形态），要素来自真实就诊（保住临床合理性），输出有统一框架（可比较）。三者同时具备的公开资源不多。
1.5 一个必须提前知道的形态差异
这套数据有个容易忽略的性质：input 与 output 的可信度不对称。
input 侧的数值来自真实记录，可信度高，但已经脱离了采集语境——原始表里体温有采集时刻，拼成文本后时段信息通常被压掉。output 侧是模型生成的，可信度取决于生成模型与模板，而它的参照物是真实的分诊级别（acuity 字段）。
这个不对称决定了两件事：拿它做输入侧的统计分析（比如「主诉里胸痛占多少」）相对可靠；拿它做输出侧的结论引用（比如「模型判断与医师一致率多少」）时必须交代参照物是什么。
§2 数据构成：9,629 条、三列、四类附件
2.1 规模与分布
官方给出的数字集中在一张表里，其中等级分布只给百分比，这一处需要留心。
| 指标 | 官方数值 |
|---|---|
| 分诊病例数 | 9,629（近万条） |
| 总 token 数 | 约 580 万 |
| ESI-1 占比 | 23.08% |
| ESI-2 占比 | 23.08% |
| ESI-3 占比 | 23.08% |
| ESI-4 占比 | 23.08% |
| ESI-5 占比 | 7.69% |
四个等级占比完全相同，这不是自然分布。真实急诊的 ESI 分布通常是中间等级（ESI-3）最多、两端少，ESI-1 常在个位数百分比。这里四个等级各占 23.08%、四个相加 92.32%、再加 ESI-5 的 7.69% 正好 100%，只能是配额抽样的结果。
配额抽样的用意是让每个等级都有足够样本可训。副作用是模型学到的先验与真实世界不符：在自然分布下它会把重症判多。若打算部署，必须用未做配额的原始分布重新校准判定阈值，不能直接用模型输出的概率。
按总数推算，ESI-1 到 ESI-4 各约 2,222 条，ESI-5 约 740 条。这个推算只是量级参考，官方未给绝对条数。
2.2 指令类型分布
官方另给了一组按「指令类型」的分布，与 ESI 等级不是一一对应。
| 指令类型 | 覆盖的 ESI 等级 | 占比 |
|---|---|---|
| 生命抢救（Life-saving） | ESI-1 | 31.17% |
| 高风险评估（High-Risk Assessment） | ESI-2 | 31.17% |
| 资源估计（Resource Estimation） | ESI-3 至 ESI-5 | 37.66% |
这个分组反映的是 ESI 的内在逻辑：ESI-1 看是否需要立即救命干预，ESI-2 看是否处于高风险状态，ESI-3 到 ESI-5 的区别则在预计消耗多少医疗资源。三组占比 31.17%、31.17%、37.66%，比五级均分更接近临床实际。
所以同一批数据有两套分布口径：五级是配额均衡的，三组是相对自然的。做分层分析时要明确用哪一套。
2.3 人口学构成
| 维度 | 分布 |
|---|---|
| 年龄 18-30 | 25.18% |
| 年龄 31-50 | 23.38% |
| 年龄 51-70 | 29.75% |
| 年龄 71 及以上 | 21.69% |
| 男性 | 49.76% |
| 女性 | 50.24% |
年龄四档、性别近乎均分。年龄分布比等级分布自然得多，接近急诊就诊人群的实际构成。性别 49.76 与 50.24 的划分也正常。
注意年龄只给四档，且是 18 岁以上。这与源库一致——MIMIC-IV 只收录成人。儿科急诊分诊是另一套体系（不同的分级工具、不同的生命体征参考区间），本数据集不覆盖。
2.4 核心文件的三列
MIETIC.csv 是主表，近万行，三列。
instruction：任务指令文本。描述要做的事（给出一段急诊就诊信息，判断分诊级别并说明理由）。这一列在同批次里高度重复，因为指令是模板化的。
input：就诊信息。把生命体征、主诉、人口学、来院方式拼成一段叙述。这是真正承载临床信息的一列。
output：分诊判断与理由。按 ESI 等级对应的分析模板生成，包含等级判定与依据说明。
同一内容另有 JSONL 格式，字段同构。选哪个取决于训练框架：Hugging Face 的 datasets 库读 JSONL 更直接，pandas 分析 CSV 更顺手。
2.5 验证样本表的字段
MIETIC-validate-samples.csv 只有 50 行，但列很全，是理解整套数据结构的最好入口。
| 字段组 | 具体字段 |
|---|---|
| 追踪键 | subject_id、stay_id、hadm_id、intime、outtime |
| 人口学 | gender、race、age |
| 来院方式 | arrival_transport |
| 处置去向 | disposition |
| 生命体征 | temperature、heartrate、resprate、o2sat、sbp、dbp、pain |
| 分诊核心 | acuity（真实 ESI 等级）、chiefcomplaint、resources_used、triagecase |
| 干预标志 | invasive_ventilation、non_invasive_ventilation 等 |
| 专家意见 | Expert 1、Expert 2、Expert 3 Opinion、Final Decision |
读这张表能看清一个重要事实：acuity 字段是真实的分诊级别，而 output 列是模型按这个级别生成的。也就是说，output 的「答案」是从 acuity 派生的，不是独立判断。这一点在做一致性分析时必须考虑——它意味着 output 与 acuity 的一致性天然会很高，不能作为「模型判断准确」的证据。
2.6 提示模板的四类
prompts/ 目录里的模板分两类四组。
生成类：GenerateTriageCase.txt，作用是拿结构化字段生成病例文本，也就是 input 列。
判断与格式化类：按 ESI 五个等级各有两份——ESI-<N>-Analysis.txt 引导模型按该等级的逻辑写分析，ESI-<N>-Format.txt 把输出规整成统一格式。
这个设计的关键在于「按等级分别给提示」。它不是让模型自由发挥，而是先知道答案（acuity），再用对应等级的模板引导它写出看起来合理的推理。理解这一点，就不会把 output 里的推理链当作模型的真实思考过程。
2.7 质控 SQL 的 24 段
sql_scripts/ 目录的 24 段脚本不是训练数据，是把 ESI 判定的依据从原始表算出来的工具。按功能分四组。
| 组 | 脚本举例 | 用途 |
|---|---|---|
| 死亡与转归 | expiredWithin1h、expiredBeyond1h | 判断是否 ESI-1 的极端情形 |
| 转科 | transfer2icuIn1h、transfer2surgeryIn1h 及 Beyond 版本 | 判断是否需立即干预 |
| 操作 | invasiveVentilation1h、noninvasiveVentilation、intraosseousLinePlaced | 判断生命支持强度 |
| 药物与资源 | tier1 至 tier4 MedUsage、resourcesCount | 计算资源消耗 |
这套脚本的实用价值超过它的篇幅。ESI 3 到 5 级的分界主要看「预计需要几项资源」，而「什么算一项资源」在不同实现里差别很大——抽血算不算？输液算不算？不同医院的分诊培训给出的答案不完全一样。脚本给了可复现的操作定义，这比文字描述可靠。
2.8 580 万 token 怎么读
平均下来每条约 600 token。这个数字对规划有用：多数开源模型的上下文窗口在 4K 以上，单条病例都装得下，不需要切分。
但有两个地方要小心。一是 600 是平均数，长尾可能有两三千 token 的条目，批量训练时要按高分位数算显存。二是这个总数包含 instruction 与 output 两侧，若只关心 input 侧的长度，实际会明显更短——大致是一半或更少。
2.9 一条记录的完整形态
把一条记录摊开看，能直观理解这套数据的组织方式。以下按字段语义描述，不是原文照录。
input 侧大致是三层信息叠起来。第一层是身份与来院方式——性别、年龄段、种族、怎么来的（自行前来、救护车、转院）。第二层是主诉，通常是一句短语，如胸痛、气促、腹痛、跌倒。第三层是生命体征的一组数值：体温、心率、呼吸频率、血氧饱和度、收缩压、舒张压、疼痛评分。
output 侧则是一段结构化的判断：先给等级，再给依据。依据的写法随等级而变——1 级写「存在立即威胁生命的状况」并举证，2 级写「处于高风险状态」并举证，3 到 5 级写「预计需要 N 项资源」。
这个形态有两个后果。一是信息密度不均衡：生命体征有七个数，而主诉只有一句，模型容易过度依赖数值。二是层次的语义边界模糊：拼成自然语言后，哪些是护士原话、哪些是系统字段，文本里分不出来。
2.10 与原始表的字段映射
想从 MIETIC 回到 MIMIC-IV-ED 查原始记录，需要一张映射表。验证样本表提供了这张表的大部分。
| MIETIC 侧 | MIMIC-IV-ED 侧 | 说明 |
|---|---|---|
| 就诊标识 | stay_id | 唯一键，对应 edstays |
| 患者标识 | subject_id | 去重患者键 |
| 住院标识 | hadm_id | 未入院时可能为空 |
| 到院与离院时间 | intime / outtime | 已平移 |
| 分诊级别 | acuity | 原始 ESI 记录 |
| 主诉 | chiefcomplaint | 结构化短文本 |
| 生命体征 | triage 表与 vitalsign 表 | 分诊时刻与后续复测分开存 |
| 处置去向 | disposition | 出院、入院、转院、留观等 |
| 来院方式 | arrival_transport | 步行、救护车、轮椅等 |
这张表最有用的一列是「生命体征」那行。原始库把分诊时刻的生命体征与后续复测值分开存，而 MIETIC 只保留了一组。若研究需要区分「初测」与「复测」，必须回原始库取。
2.11 版本继承的一个实际问题
三个源库各自独立发版，这件事在实践中会咬人。
MIMIC-IV 主库从 v2.2 到 v3.1 之间，部分表的字段与行数都有调整。MIMIC-IV-ED 从 v2.0 到 v2.2 也有修订。如果手上的 ED 是旧版、主库是新版，按 hadm_id 关联时会出现两类问题：一类是 ED 里有而主库没有的住院号（该住院被排除或尚未纳入），一类是时间区间对不上。
排查方法很朴素：先各自 count 一遍，再按关联键做左连接看匹配率。匹配率低于 95% 就说明版本有问题，不要继续往下做。
2.12 数据体积与加载
CSV 主表加验证样本加脚本，总量不大。但加载时有两点值得注意。
一是 output 列很长。模型生成的推理文本动辄几百字，pandas 默认的列宽显示会截断，看数据时容易误判。建议读入后先打印每列的长度分布，确认 output 的长度范围符合预期。
二是 instruction 列重复度高。做 groupby 或去重统计时，这一列会产生大量同值分组，意义不大。若要压缩存储，可以把 instruction 单独抽出做字典编码，主表只存索引。
§3 怎么拿到：凭证访问与一条继承链
3.1 获取路径
MIETIC 属 Credentialed 访问，流程与 MIMIC 系列一致。
| 环节 | 动作 |
|---|---|
| 前置 | 先取得 MIMIC-IV 的凭证访问资质（MIETIC 依赖其数据） |
| 培训 | 完成 CITI「Data or Specimens Only Research」 |
| 协议 | 签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0 |
| 核验 | 通过身份与机构核验 |
| 下载 | 在 PhysioNet 条目页 Files 区获取 |
前置条件这一条容易被忽略：MIETIC 本身是派生数据，但它继承了 MIMIC-IV 的限制。即便条目页允许下载，实际使用仍需遵守 MIMIC-IV 的 DUA 条款——不得再识别、不得与非授权数据混存。
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」。
这句话限制的是下载。描述、规模、字段清单、许可条款、引用格式在页面上公开可读，本页所有硬数字都来自这些公开文本。做选型判断与介绍性写作不需要凭证；实际跑数据才需要。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 的两套
| 类型 | DOI |
|---|---|
| 版本 DOI（v1.0.0） | 10.13026/q1nc-2e47 |
| 最新版 DOI | 10.13026/nf30-0z23 |
引用时应优先用版本 DOI，因为它锚定的是你实际使用的那一版。用最新版 DOI 引用会在新版本发布后指向不同的内容，复现性会断。
§4 质量与已知问题：三条官方局限与六个实操坑
4.1 官方局限清单
数据页明确列了三条，都属方向性陈述，没有量化。
第一条：单中心。数据源自单一学术医疗中心，泛化性受限。这条对分诊任务尤其要紧——不同医院的急诊拥挤程度、专科配置、转运协议差别很大，同级别的病人在不同医院的实际处置可能完全不同。
第二条：ESI-5 病例偏少。占 7.69%，代表性低。这条直接影响模型对非紧急病例的识别能力，而这一类恰是急诊分流的主要人群。
第三条：专家验证潜在偏倚。临床决策本身有主观性，标注会带入标注者的判断习惯。50 条三医师仲裁的设计缓解了一部分，但样本量小，且仲裁机制（两人一致则定、不一致看第三人）在两人都不一致时仍依赖第三人的偏好。
4.2 六个实操坑
坑一：把配额分布当自然分布。四个等级各 23.08% 是人为造的。用这批数据统计「重症占比」会得到约 46% 的结果，而真实急诊远低于此。任何涉及比例的结论，都要说清是「在本数据集内」的比例。
坑二：拿 output 与 acuity 的一致性当准确率证据。output 是按 acuity 对应的模板生成的，两者同源。它们的一致率反映的是模板执行质量，不是判断能力。
坑三：把 ESI-5 样本当有效评测子集。7.69% 对应约 740 条，看起来不少，但非紧急病例的判断难度主要在于「排除重症」，而这需要足够的阴性样本。用约七百余条测出的 ESI-5 召回率，置信区间很宽。
坑四：忽略 input 侧的时点压缩。原始表里生命体征带采集时刻，分诊时刻与后续复测的值差别很大。拼成文本后这个区别被压掉，模型看到的是「一组数值」而不是「某个时刻的一组数值」。做需要时序的任务时这是硬伤。
坑五：把 24 段 SQL 当通用代码。这些脚本是围绕 MIMIC-IV 的表结构写的，表名、字段名、时间单位的假设都与之绑定。换到别的数据库要重写，不能直接搬。
坑六：三个源库版本不对齐。MIMIC-IV、MIMIC-IV-ED、MIMIC-IV-Note 各自独立发版。用 v3.1 主库配 v2.2 之前的 ED，关联字段会对不上。开工第一步先核版本号。
4.3 假设—支持—反对
| 假设 | 支持 | 反对 |
|---|---|---|
| input 侧信息足以支撑 ESI 判定 | 生命体征、主诉、年龄、来院方式都是 ESI 的正式依据 | 真实分诊还看面色、步态、呼吸做功等观察项，这些不在结构化字段里 |
| 生成文本的临床合理性经得起查 | 有 50 条三医师仲裁，且有格式化模板约束 | 50 条对全量语料而言抽样率约 0.5%，且主要校验的是「写得像不像」而非「判得对不对」 |
| 五级框架是国际通用的 | ESI 在多个国家被采用，版本相对稳定 | ESI 有 v4 与 v5 的差别，数据页未写明用的是哪一版 |
| 指令模板不会引入系统性引导 | 模板按等级分别设计，形式上贴合 ESI 逻辑 | 先知道答案再写理由，天然产生「事后合理化」，可能把等级间的细微差别抹平 |
4.4 隐私与去标识化
数据继承 MIMIC-IV 的去标识化处理，主要手法包括：日期平移（患者内保持一致）、超过 89 岁记 90、移除自由文本中的 PHI、标识符替换。MIMIC-IV-Note 的自由文本已由官方去标识流程处理。
需要注意的是，MIETIC 的 input 是重新生成的文本，其中可能包含从 Note 提取的叙述片段。这些片段虽然经过官方去标识，但二次引用时仍应避免与其他来源拼接——拼接可能重建出被刻意打断的识别线索。
4.5 哪些地方做得扎实
质控脚本公开是这套数据最实在的一项。多数数据集只给结果不给口径，ESI 的资源计数一旦口径不明，跨研究就无法比较。24 段 SQL 把「一小时内的转 ICU 算不算」「输血与红细胞输注是否分开计」这类细节固定下来，可复现性因此提高一档。
验证样本带原始字段也少见。多数数据集的验证集只给「输入-正确答案」两列，MIETIC 的验证样本保留了 subject_id、stay_id、intake 时间与全部生命体征，研究者可以回溯原始记录，判断某条样本的标注是否合理。
三医师仲裁机制虽然样本小，但设计正规：两人独立判、不一致时由第三人定，且三人的意见都留在表里。这比「专家复核」四个字有信息量。
4.6 结论强度分级
| 判断 | 强度 | 依据 |
|---|---|---|
| 9,629 条、580 万 token、四个等级各 23.08% | A | 数据页正文明确给出 |
| 派生自 MIMIC-IV v3.1 / ED v2.2 / Note v2.2 | A | 数据页明确标注三个源库版本 |
| 使用 GPT-4o 240806 生成 | A | 数据页伦理声明原文 |
| ESI 分布为配额抽样 | B | 由四个相等百分比与总和 100% 反推，数据页未直说 |
| output 与 acuity 同源 | B | 验证样本表同时含 acuity 与 triagecase，模板按等级设计 |
| 单中心导致泛化受限 | B | 官方局限陈述，未给量化 |
4.7 生成流程的三段与各自的失真点
这套数据的质量不是一个整体，而是三个环节的乘积。分开看更清楚。
第一段：字段抽取。从 MIMIC-IV-ED 的多张表里取生命体征、主诉、人口学、处置。失真点是时点选择——分诊时刻与到院时刻可能不同，取哪个时刻的值会改变病例的严重度外观。数据页未明说取哪个，验证样本表里同时有 intime 与 outtime，推测取的是分诊时刻。
第二段：文本生成。用 GenerateTriageCase.txt 把结构化字段拼成病例叙述。失真点是信息取舍——哪些字段进文本、以什么顺序、用什么措辞。这些决定会改变模型看到的信息量，而模板本身未公开全文，只能从产出反推。
第三段：判断生成。用 ESI-<N>-Analysis.txt 按已知等级写分析。失真点是事后合理化——先知道答案再写理由，写出的理由必然自洽，但与真实护士当时的推理过程未必一致。
三段乘积的结果是：output 在形式上像临床推理，在因果上不是。这个区别决定了它适合训练「怎么写」而不适合研究「怎么想」。
4.8 质量可以用什么指标初筛
拿到数据后，可以不依赖金标准就做几项初筛，判断生成质量是否可接受。
| 指标 | 做法 | 异常信号 |
|---|---|---|
| 数值一致性 | 把 output 中出现的数字与 input 比对 | output 出现 input 里没有的数值 |
| 等级自洽 | 检查 output 的等级判定与理由是否同向 | 理由说「生命体征平稳」却判 1 级 |
| 长度分布 | 统计 output 的字符长度分布 | 某一等级显著短于其他，说明模板退化 |
| 字段覆盖 | 统计 input 里实际出现的字段种类 | 疼痛评分大量缺失，说明抽取有漏洞 |
| 语言冗余 | 统计 output 里的高频套话 | 套话占比过高，说明生成模板化严重 |
这五项都不需要专家，一个人半天能跑完。跑完能对数据质量有个基本判断，再决定是否值得投入做正式评测。
4.9 一个容易被忽略的对照物
50 条验证样本里的 Expert 1/2/3 Opinion 三列，价值超过它们的条数。
三列同时存在，意味着可以直接算出专家之间的分歧率。分歧率是个有用的基准：如果两位专家在 50 条上的一致率是 88%，那么任何模型达到 88% 就接近了人类之间的上限，再往上提升的空间有限，且很可能是过拟合了某位专家的偏好。
这个对照物在多数数据集里没有。多数只给一个「金标准」，使用者无从知道这个金标准有多硬。MIETIC 把三个人的意见都留下来，等于把标注的不确定性显式化了。
用的时候要注意：三人意见都在，但 Final Decision 只有一列，且仲裁规则是「两人一致则定，不一致由第三人定」。这意味着 Final Decision 在两人一致时等于那两人的意见，在三人全不一致时等于第三人的意见。分析分歧结构时要按这个规则反推。
§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 |
|---|---|---|---|
| 指令微调与监督微调 | input 三列 | 微调后的模型 | 高，这就是设计用途 |
| 零样本分诊评测 | input | 与 acuity 比对 | 中高，需处理配额偏差 |
| 提示工程对比 | 同一 input 配不同提示 | 判定差异 | 高，结构天然支持 |
| 分诊理由生成质量评估 | input + output | 人工或模型打分 | 中，缺金标准 |
5.2 第一类：指令微调的标准流程
这套数据的三列结构就是监督微调（SFT）的标准格式，直接可用。
第一步 读入与版本核对
-- 读 MIETIC.csv 与 MIETIC-validate-samples.csv
-- 把 50 条验证样本的 stay_id 列表单独存一份，训练时必须排除
-- 若发现验证样本的 stay_id 在训练集里出现，说明划分有污染，先解决
第二步 格式转换
-- 按目标模型的对齐模板把三列拼成对话格式
-- instruction 作为 system 或 user 首段，input 作为 user 主体，output 作为 assistant
-- 保留一个原始三列的备份，格式转换出错时可以回退
第三步 分布处理
-- 统计各 ESI 等级在训练子集内的条数
-- 若沿用原始配额，需在方法节声明；若重采样成自然分布，需说明目标分布来源
第四步 训练与早停
-- 用验证样本作早停依据（50 条偏少，可考虑交叉验证）
-- 记录每个 epoch 在验证集上的等级一致率与相邻等级混淆情况
第五步 评测与偏差说明
-- 报告总体一致率时同时给混淆矩阵
-- 分等级报告召回率，ESI-5 单独说明样本量
-- 说明评测集是否参与过训练
第三步是这套数据上最容易被跳过的一步，跳过会让所有后续指标失去解释力。
5.3 第二类：零样本评测的正确做法
把 MIETIC 当评测集用，要注意三件事。
先固定提示。同一批 input 配不同的 instruction 会得到不同结果。评测报告里必须给出完整的 instruction 原文，否则不可复现。
再处理配额。数据集的等级分布是人为均衡的，直接算总体准确率会高估模型在自然分布下的表现——因为均衡分布下每个等级权重相同，而自然分布下 ESI-3 占比最大、判错代价最小的那一类被过度代表了。修正方法是按目标分布重加权，或在报告里给出每个等级的召回率而不给总体准确率。
最后交代参照物。acuity 字段是护士当时的分诊级别，它本身有观察者间变异。文献里 ESI 的观察者间一致性并不完美，所以「模型与 acuity 一致率 85%」不等于「模型准确率 85%」——它等于「模型与某一位护士在某一时刻的判断一致率 85%」。这个区别在写结论时必须说出来。
5.4 第三类：提示工程对比实验
这套数据的结构让提示对比特别干净：input 固定，只换 instruction。
| 对比维度 | 具体设计 | 关注什么 |
|---|---|---|
| 是否给 ESI 定义 | 一版含五级定义，一版不含 | 模型是否依赖外部知识 |
| 是否要求给理由 | 一版要求先分析再判定，一版直接判定 | 推理是否提升准确率 |
| 是否给资源清单 | 一版列出可计资源项，一版不列 | ESI 3-5 级判定是否改善 |
| 输出格式约束 | 一版要求结构化，一版自由文本 | 格式约束是否损害推理 |
结论层面要小心：如果「要求先分析再判定」提升了准确率，不能直接说「思维链有效」，因为模板本身可能就是按正确答案写的。要做干净的对比，必须自己重写 instruction，不用数据自带的模板。
5.5 第四类：理由质量评估
output 侧的推理文本能不能评？能，但没有金标准。
可行的做法是先定一份评分细则，再抽样人工打分。细则建议覆盖四项：是否引用了 input 里实际存在的信息、是否遗漏了决定等级的关键项、推理是否与最终等级自洽、是否出现 input 里没有的臆造信息。
第三项「自洽性」可以用机器初筛：把 output 里的等级判定抽出来，与理由中提到的关键依据做规则匹配。第四项「臆造」也可以机器初筛：把 output 里出现的数值与 input 里的数值做比对，找出 input 里没有的数。
机器初筛后再人工抽检，比纯人工快得多，也更容易复现。
5.6 不适合用它做的事
| 想法 | 为什么不行 |
|---|---|
| 上线真实分诊系统 | 单中心、配额分布、output 为生成而非医师原始判断 |
| 统计真实急诊的等级构成 | 等级分布是配额造的 |
| 研究分诊的时间趋势 | 数据页未给年份区间，且继承的日期已平移 |
| 儿科分诊研究 | 仅 18 岁以上 |
| 学习护士的真实判断逻辑 | output 是模型按模板写的，不是护士写的 |
| 用药与干预的疗效分析 | 无随访、无对照、无剂量 |
| 跨院泛化验证 | 只有一家医院 |
最后一条值得展开：单中心意味着这套数据无法自己做外部验证。想论证泛化，必须另找数据源——MIMIC-IV-ED 与其他急诊数据集的字段可以对上，但分诊级别的定义未必一致（不同国家用不同量表）。
5.7 一个可复用的评测报告模板
做完评测后，报告里至少要有这六项，缺一项就会被质疑。
| 项 | 内容 |
|---|---|
| 提示原文 | instruction 完整文本，逐字给出 |
| 评测集界定 | 是否与训练集有重叠，重叠如何处理 |
| 等级分布 | 评测子集内各等级条数 |
| 混淆矩阵 | 5×5，相邻等级的错误单独标注 |
| 分等级召回 | 尤其 ESI-1 与 ESI-5 两端 |
| 参照物说明 | 与 acuity 比，还是与专家仲裁的 Final Decision 比 |
最后一项常被漏。50 条验证样本里同时有 Expert 1/2/3 与 Final Decision，这提供了一个小而干净的仲裁子集。在这 50 条上同时报「与 acuity 一致率」和「与 Final Decision 一致率」，能看出两者差多少。
5.8 场景一：验证一个开源模型的分诊能力
这是最常见的用法，也最容易做错。
正确顺序是：先固定提示与推理参数（温度设 0，避免随机性），再在完整评测集上跑一遍，得到每个样本的判定；然后算三组指标——总体一致率、分等级召回、相邻等级的混淆；最后按目标分布重加权，给出一个「自然分布下」的估计。
最容易漏的是第四步。不加权的总体一致率会把 ESI-1 到 ESI-4 各 23.08% 的配额当真实分布，而真实急诊里 ESI-3 占比最高、ESI-1 最低。加权后的数字往往比未加权的低 5 到 10 个百分点，因为模型在自然分布占主导的中间等级上未必更强。
第二容易漏的是推理参数。温度不设 0，同一批输入跑两次结果不同，报出的准确率不可复现。
5.9 场景二：做提示工程的消融
这套数据结构让消融实验的设计变得干净：input 固定，只改 instruction。
建议的消融维度有四个，按预期影响排序。
| 维度 | 处理组 | 对照组 | 预期 |
|---|---|---|---|
| 是否给 ESI 定义 | 含五级定义原文 | 只说要判级 | 给定义显著更好，尤其 3-5 级 |
| 是否给资源清单 | 列出可计资源项 | 不列 | 对 3-5 级有帮助，对 1-2 级无影响 |
| 是否先分析后判定 | 要求写理由 | 直接输出等级 | 视模型而定，可能提升也可能因冗长而降 |
| 输出格式 | 强制结构化 | 自由文本 | 结构化便于解析，但不必然更准 |
第三行是唯一有争议的一项。若发现「先分析后判定」提升明显，要警惕数据本身的性质——数据自带的 output 就是「先分析后判定」的形态，做微调后的模型在这上面本来就占优。做干净对比必须自己重写 instruction，不用自带模板。
5.10 场景三：做小样本专家标注的流程研究
50 条三医师仲裁的设计，本身就是一个可研究对象。
可问的问题包括：三人在哪些病例上分歧？分歧是否与等级相关（比如 2 级与 3 级的边界是否最模糊）？第三人仲裁时是否倾向于某一侧？两名标注者的分歧率与 ESI 文献报告的观察者间一致性是否吻合？
这类研究的价值不依赖数据量。50 条足以刻画分歧的结构性特征，因为分歧往往集中在特定的临床情形上（如生命体征临界、主诉模糊、合并症复杂），而不是随机散布。
做法上建议先把三人意见编码成矩阵，再按等级分层算 Cohen’s kappa 或 Fleiss kappa。分层的意义在于：把所有等级混在一起算 kappa 会被中间等级的大量一致样本稀释，看不出真正的分歧点在哪里。
5.12 复现边界的一份备忘
把这套语料用到论文里，有三处表述必须精确，否则复现者按字面理解会做错。
第一处是数据性质的表述。「指令微调语料」而非「分诊记录数据集」——前者说清它已经是训练样本形态，后者会被理解为可直接做字段统计。
第二处是生成环节的表述。必须写明 output 由 GPT-4o 240806 按 ESI 等级对应模板生成，且等级本身来自 acuity 字段。省掉这半句，读者会以为 output 是医师书写。
第三处是分布的表述。必须写明四个等级各占 23.08% 属配额结果。省掉这半句，任何基于比例的结论都会被误读为「急诊的真实构成」。
三处都是半句话的事，但省掉之后，同一条目在不同论文里会呈现出完全不同的可靠性。
5.11 DAIMS 24 项检查
| # | 维度 | 判定 | 说明 |
|---|---|---|---|
| 1 | 数据集名称 | 是 | MIMIC-IV-Ext Triage Instruction Corpus（MIETIC） |
| 2 | 版本号 | 是 | v1.0.0，2025-03-04 |
| 3 | 持久标识符 | 是 | DOI 10.13026/q1nc-2e47 |
| 4 | 最新版标识 | 是 | 10.13026/nf30-0z23 |
| 5 | 发布机构 | 是 | PhysioNet |
| 6 | 联系方式 | 是 | 条目页 contact |
| 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 | 部分 | 条目页未直接列使用本数据集的研究论文，仅给出代码仓库关联文献 |
| 11 | 数据来源机构 | 部分 | 说明源自 MIMIC-IV 系列，未点名具体医院 |
| 12 | 采集时间段 | 部分 | 未单列年份区间，仅给源库版本 |
| 13 | 地理范围 | 部分 | 继承 MIMIC 的美国单中心，未在条目页明写 |
| 14 | 人群描述 | 是 | 成人，18 岁以上，年龄四档分布已给 |
| 15 | 样本量 | 是 | 9,629 条，580 万 token |
| 16 | 文件清单 | 是 | CSV、JSONL、验证样本、prompts/、sql_scripts/ |
| 17 | 字段字典 | 是 | 三列定义清晰，验证样本字段齐全 |
| 18 | 缺失值说明 | 部分 | 未单列缺失处理规则 |
| 19 | 去标识化方法 | 是 | 继承 MIMIC-IV 流程 |
| 20 | 伦理审批 | 是 | 伦理声明 + Azure OpenAI 人工审查豁免声明 |
| 21 | 已知局限 | 是 | 三条，明确列出 |
| 22 | 使用案例 | 是 | 给出四类用途 |
| 23 | 更新计划 | 否 | 未说明后续版本节奏 |
| 24 | 错误报告渠道 | 部分 | 依赖 PhysioNet 通用渠道与 GitHub 仓库 |
合计：是 14 / 部分 8 / 否 2 = 18 / 24。失分集中在年份与地理未单列、配套论文缺位两处——前者是派生数据集的常见疏漏，后者说明报告规范性弱于多数数据描述类论文。
§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 |
|---|---|---|
| 这是 9,629 个病人的数据 | 9,629 条就诊记录，患者数需按 subject_id 去重 | 验证样本表字段结构 |
| 病例完全由 GPT-4o 生成 | input 侧要素来自真实记录，output 与文本形态由模型生成 | 数据页描述与伦理声明 |
| ESI 分布就是这样 | 四个等级各 23.08% 是配额结果，非自然分布 | 百分比之和恰为 100% |
| output 是医师的分诊理由 | output 按 acuity 对应模板生成，非医师书写 | 提示模板按等级分设 |
| 模型与 acuity 一致率就是准确率 | acuity 本身有观察者间变异，两者是不同概念 | ESI 的固有性质 |
| 可以用它训练上线系统 | 单中心 + 配额 + 生成输出，三重限制 | 三条官方局限 |
| 覆盖 18 岁以下 | 仅成人，MIMIC 系列均不含儿科 | 源库范围 |
| 24 段 SQL 是通用质控代码 | 绑定 MIMIC-IV 表结构，换库需重写 | 脚本命名与表依赖 |
| 50 条验证样本足以证明质量 | 抽样率 0.5%，只能作哨兵 | 50 ÷ 9,629 ≈ 0.5% |
| 是三列纯文本，没有元数据 | 验证样本保留 subject_id、stay_id 等追踪键 | 验证样本表字段 |
| 可以研究分诊的年度趋势 | 未给年份区间，且日期已平移 | 时间覆盖描述 |
| 与 MIMIC-IV-ED 是同一份数据 | 派生关系，ED 是多表原始数据，此为指令语料 | 两条目描述对照 |
表里第三条与第九条最常被写错，前者影响所有比例结论，后者影响对数据质量的整体判断。
6.2 技术性陷阱
陷阱一：验证样本混入训练集。50 条验证样本的 stay_id 在训练集里也出现，因为它们本来就是从 9,629 条里抽的。做训练时要显式排除，否则验证指标虚高。这个错误不会报错，只会让结果好看得可疑。
陷阱二：instruction 列被当成差异化信息。这一列在同批次里高度重复，做特征时会变成常数。真正的信息在 input 与 output，instruction 只用来控制任务形态。
陷阱三：把 acuity 与 Final Decision 混用。acuity 是从急诊系统里取的分诊级别，Final Decision 是三名专家看完病例后的仲裁结论。两者可能不一致。做评测要指定用哪个作参照，不能一会儿用这个一会儿用那个。
陷阱四：用 token 数反推字符数。580 万 token 对 9,629 条，平均 600。但 token 与字符的比例依模型的分词器而变，中文与英文差别更大。要算存储与传输，直接看文件大小，别用 token 换算。
陷阱五：SQL 脚本的时间单位假设。脚本里有 1h、Beyond1h 这类分界，隐含了时间字段的单位与零点。MIMIC 的时间字段以分钟为整数存储，脚本里的换算若不显式写出，换库时会静默算错。
陷阱六：把「资源估计」类指令当成 ESI-3 专属。指令分组里资源估计覆盖 ESI-3 到 ESI-5，是合并的。按指令类型做分层时，ESI-3、4、5 在同一个桶里，无法分开。
6.3 与三个邻近概念的辨析
分诊、检伤分类、急诊分级常被混用，MIETIC 落在哪一个上要说清。
检伤分类（triage 的军事与灾难医学用法） 指的是大规模伤亡场景下按救治优先级分组，用的是颜色标签与简化的生理参数，目标是「在资源稀缺时最大化存活人数」。它的判断对象是群体，不是个体。
急诊分诊（emergency department triage） 指的是单个病人到院后决定就诊顺序与区域，用的是 ESI 一类的量表，目标是「在常规运行下按病情紧急度排队」。判断对象是个体，时间尺度是分钟到小时。
急诊分级（acuity scoring） 是同一次判断的记录化：把护士的判断落成一个等级字段。它是流程的产物，不是流程本身。
MIETIC 落在第二与第三之间：它取的是第三条的产物（acuity 字段），但重构的是第二条的输入形态。所以它既不覆盖灾难检伤，也不覆盖分级质控——后者需要同一病人在不同时刻的多次分级记录，而数据里每条就诊只有一个等级。
这个辨析有实用价值。有人在灾难医学或分级质控的语境下引用这套数据，都属于跨场景误用：前者缺群体视角与资源约束，后者缺纵向记录。
§7 在生态中的位置
7.1 在 MIMIC 派生数据集谱系中的位置
MIMIC 的价值不只在原始数据，也在一层层的派生物。按加工深度可以排成四层。
| 层级 | 代表 | 加工内容 | 使用者 |
|---|---|---|---|
| 原始库 | MIMIC-IV / ED / Note | 去标识化与结构化 | 所有人 |
| 结构化派生 | MIMIC-IV-ED 各类字段视图 | 字段抽取与关联 | 统计与建模 |
| 标注层 | 表型标注集、MIETIC | 语义标签与语料组织 | NLP 与 LLM 研究 |
| 模型层 | 各类预训练与微调产物 | 参数化 | 部署 |
MIETIC 在第三层。它比原始库更「够用」，比模型层更「可查」——这是标注层的典型位置：把非结构化的判断变成可比较的标签，但保留可追溯到原始记录的键。
7.2 与分诊量表的关系
ESI 不是唯一的分诊量表。国际上常见的还有 MTS（英国）、CTAS（加拿大）、ATS（澳大利亚）。各量表的级别数、判定逻辑、对资源的依赖程度都不同。
这带来一个实际限制：用 ESI 训出的模型不能直接迁移到别的量表。不是语言问题，是标签定义问题——同一个病人按 ESI 可能是 3 级，按 MTS 可能是「标准」类，两者的边界不对应。跨量表迁移需要重新标注，或者建映射表并接受精度损失。
MIETIC 只提供 ESI，这也是它地理局限的另一面。
7.3 在 LLM 医疗评测中的位置
近两年医疗 LLM 评测集大量涌现，多数是问答形式（考题、病例选择题）。分诊任务与它们有个本质区别：分诊没有唯一正确答案，只有风险可接受与否。
选择题可以判对错，分诊只能判「是否偏离可接受区间」。这会改变评测的写法：不能只报准确率，还要报「低估严重度」与「高估严重度」的不对称代价——前者漏诊、后者浪费资源，两者的临床后果完全不同。
这个视角让 MIETIC 在评测上有独立价值：它提供了一个必须处理非对称代价的任务。
7.4 库内互链点
| 相关条目 | 关系 |
|---|---|
| MIMIC-IV-ED（rid 116） | 直接上游，原始急诊结构化数据 |
| MIMIC-IV-Note（rid 47） | 直接上游，自由文本来源 |
| MIMIC-III 表型标注集（rid 594） | 同为 MIMIC 标注层，但记录单位是出院小结 |
| eICU-CRD（rid 552） | 另一套多中心重症数据，可用于跨库泛化对照 |
7.5 对国内同类工作的参照
国内做急诊分诊数据公开，障碍主要在标注而非采集。
一是分诊量表不统一。国内多数医院用自建的四级或五级分级，与 ESI 的边界不对应。要做出可比的数据集，得先做量表映射，而映射本身需要临床共识。
二是分诊记录粒度浅。结构化系统里往往只有级别与主诉两个字段，生命体征散在护理记录里，时间对齐要额外工作。
三是判断理由几乎没有留存。护士判 3 级，系统里就是「3」，为什么是 3 没有文本。这一点让「理由生成」类任务在国内数据上没有监督信号。
这三点解释了为什么国内虽有大量急诊数据，却少有可直接用于 LLM 训练的公开分诊语料。
§8 总结：一份标注层语料的用法与边界
8.1 适用与不适用
| 适用 | 不适用 |
|---|---|
| 指令微调流程验证 | 直接上线分诊系统 |
| 提示工程对比实验 | 统计真实急诊等级构成 |
| 分诊理由生成研究 | 研究护士的真实判断逻辑 |
| 非对称代价评测方法 | 时间趋势分析 |
| 小样本专家仲裁机制研究 | 儿科分诊 |
| LLM 在急诊场景的能力摸底 | 跨院泛化（仅单中心） |
8.2 三句话
第一句，它把分诊拆成了可计算的形态：输入是自然语言的就诊要素，输出是统一框架的五级判定，于是不同模型在同一批病例上第一次可比。
第二句，它的关键性质是 input 与 output 不对称：数值来自真实记录，判断与理由来自模型生成，读的时候要一直记得这条分界。
第三句，它的用途边界由三条官方局限划出：单中心、ESI-5 偏少、验证样本小，三条都不是缺陷而是适用范围。
§9 术语与口径速查
9.1 缩写
| 缩写 | 全称 | 中文 | 备注 |
|---|---|---|---|
| MIETIC | MIMIC-IV-Ext Triage Instruction Corpus | MIMIC-IV 扩展分诊指令语料 | 本页主条 |
| ESI | Emergency Severity Index | 紧急严重度指数 | 五级分诊量表 |
| ED | Emergency Department | 急诊科 | |
| SFT | Supervised Fine-Tuning | 监督微调 | 三列结构的直接用途 |
| LLM | Large Language Model | 大语言模型 | |
| acuity | — | 分诊级别 | MIMIC-IV-ED 字段名 |
| stay_id | — | 急诊就诊标识 | 唯一键，非患者键 |
| hadm_id | — | 住院标识 | 与住院记录关联 |
| subject_id | — | 患者标识 | 去重患者用此字段 |
| DAIMS | Data Attribution and Integrity Metadata Standard | 数据归属与完整性元数据标准 | 用于 §5.8 |
| DUA | Data Use Agreement | 数据使用协议 | 凭证访问必签 |
| MTS / CTAS / ATS | Manchester / Canadian / Australasian Triage Scale | 曼彻斯特/加拿大/澳大利亚分诊量表 | 与 ESI 并列的其他量表 |
9.2 口径对照
| 说法 | 本页采用的精确口径 |
|---|---|
| 病例数 | 近万条就诊记录（精确值见 §2.1），患者数需按 subject_id 去重 |
| token 数 | 约 580 万，含 instruction、input、output 三侧 |
| 等级分布 | ESI-1 至 ESI-4 各 23.08%，ESI-5 为 7.69%，属配额结果 |
| 指令类型分布 | 生命抢救 31.17%、高风险评估 31.17%、资源估计 37.66% |
| 验证样本 | 50 条，三医师独立判定 + 第三人仲裁 |
| 质控脚本 | 24 段，绑定 MIMIC-IV 表结构 |
| 年龄 | 仅 18 岁以上，分四档 |
| 生成模型 | GPT-4o 240806，经 Azure OpenAI |
§10 事实清单与附录
10.1 事实清单
- 英文全名：MIMIC-IV-Ext Triage Instruction Corpus（MIETIC）。
- 发布平台：PhysioNet，v1.0.0，2025-03-04。
- DOI（版本）：10.13026/q1nc-2e47。
- DOI（最新）：10.13026/nf30-0z23。
- 作者：Shen Q.、Guo Q.（通信作者）。
- 访问级别：Credentialed。
- 许可：PhysioNet Credentialed Health Data License 1.5.0。
- 病例数：9,629 条。
- 总 token：约 580 万。
- ESI-1 至 ESI-4：各 23.08%。
- ESI-5：7.69%。
- 指令类型：生命抢救 31.17%、高风险评估 31.17%、资源估计 37.66%。
- 年龄分布：18-30 为 25.18%、31-50 为 23.38%、51-70 为 29.75%、71 及以上为 21.69%。
- 性别：男 49.76%、女 50.24%。
- 源库：MIMIC-IV v3.1、MIMIC-IV-ED v2.2、MIMIC-IV-Note v2.2。
- 主表三列：instruction、input、output；另有 JSONL 版本。
- 验证样本：50 条，含 Expert 1/2/3 Opinion 与 Final Decision。
- 提示模板：GenerateTriageCase.txt、ESI-<N>-Analysis.txt、ESI-<N>-Format.txt。
- 质控脚本：24 段 SQL。
- 生成模型：Azure OpenAI GPT-4o 240806。
- 伦理：数据来自已完全去标识的 MIMIC 系列；生成环节通过 Azure OpenAI Additional Use Case Form 完成人工审查豁免。
- 官方局限三条：单中心、ESI-5 偏少、专家验证潜在偏倚。
- 代码仓库：github.com/sqy941013/Knowledge-Embedded-Large-Language-Models-for-Emergency-Triage。
- 关联文献：Shen Q., Zhang X., Ren H., Guo Q., Yi Z. Knowledge-Embedded Large Language Models for Emergency Triage, 2024。
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 |
|---|---|---|
| 指令微调 | 验证样本是否已排除 | 排除后成立 |
| 零样本评测 | 是否按目标分布重加权 | 重加权后成立 |
| 报总体准确率 | 是否附混淆矩阵与分等级召回 | 加附件后成立 |
| 统计等级构成 | 是否接受配额分布 | 不成立 |
| 研究分诊理由 | 是否承认输出是生成而非人写 | 承认后成立 |
| 跨量表迁移 | 是否有映射表 | 需另建映射 |
| 儿科研究 | 是否 18 岁以上 | 不成立 |
| 上线部署 | 是否做过本地校准与前瞻验证 | 需额外工作 |
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 |
|---|---|---|
| acuity | 真实分诊级别 | 护士当时判定的等级，有观察者间变异 |
| triagecase | 分诊病例文本 | 由结构化字段生成的 input |
| output | 分诊判断 | 按 acuity 对应模板生成的文本 |
| resources_used | 资源数 | 由 SQL 脚本按既定口径算出，非人工填报 |
10.4 附录 C：逐项证据链
| 事实 | 证据源 |
|---|---|
| 9,629 条、580 万 token | PhysioNet 条目描述页 |
| 等级与指令类型百分比 | 同上 |
| 年龄与性别分布 | 同上 |
| 三个源库版本号 | 同上 |
| 主表三列与 JSONL | 同上 Files 区 |
| 50 条验证样本字段 | MIETIC-validate-samples.csv 列名 |
| 提示模板文件名 | prompts/ 目录 |
| 24 段 SQL 文件名 | sql_scripts/ 目录 |
| GPT-4o 240806 | 条目页伦理声明 |
| 三条官方局限 | 条目页 Known Limitations |
| 许可与访问类型 | 条目页与 License 页 |
10.5 附录 D：引用格式
Shen, Q., & Guo, Q. (2025).
MIMIC-IV-Ext Triage Instruction Corpus (version 1.0.0).
PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/q1nc-2e47
10.6 附录 E：评测报告检查清单
| 项 | 是否已给 |
|---|---|
| instruction 完整原文 | |
| 评测集与训练集的重叠情况 | |
| 各等级条数 | |
| 5×5 混淆矩阵 | |
| ESI-1 与 ESI-5 的分等级召回 | |
| 参照物（acuity 或 Final Decision） | |
| 是否按目标分布重加权 | |
| 模型版本与推理参数 |
编辑说明
核验时点：2026-10-18。规模、分布、字段、附件清单、许可、访问条件、伦理声明与三条官方局限均回读 PhysioNet 条目描述页（v1.0.0 与无版本号两个入口）原文。
核验方式：9,629 条、580 万 token、五级与三组百分比、年龄四档与性别比例、三个源库版本号、GPT-4o 240806 型号、50 条验证样本的字段清单、prompts/ 与 sql_scripts/ 的文件名、三条官方局限，全部以条目页文本与文件区为准；配图风格与字段语义分类属编辑加工。
口径边界：等级分布与指令类型分布并存，本页在 §2.1 与 §2.2 分列，不合并为单一百分比；「ESI-1 至 ESI-4 各约 2,222 条」明确标注为按总数推算的量级参考，非官方绝对数；患者数与就诊记录的区分在 §2.5、§6.1、§9.2 三处反复标明；output 的生成属性在所有涉及「准确率」的表述后均加限定。
未覆盖内容：年份区间官方未单列，本页不推算；各 ESI 等级的绝对条数、各指令类型的具体文本、24 段 SQL 的逐段实现细节、50 条验证样本中三名专家的分歧比例，均未在条目页公开，本页不猜测；配套的独立数据论文条目页未列出，本页只记录代码仓库关联文献；模型在各任务上的实际性能数字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：
- mednli — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 评测基准 / 临床文本
- er-reason — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 评测基准 / 临床文本
- tcm-sd — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 评测基准 / 临床文本
- synsum — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 评测基准 / 临床文本
- blue-benchmark — 共享标签：医疗NLP / 医学问答与基准 / 评测基准 / 临床文本
- care-bench — 共享标签：医疗NLP / 医学问答与基准 / 评测基准 / 临床文本
- aci-bench — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 临床文本
- primock57 — 共享标签：医疗NLP / 电子健康记录 / 评测基准 / 临床文本
- trec-ct-2021 — 共享标签：医疗NLP / 电子健康记录 / 评测基准 / 临床文本
- mimic-ext-synnotes — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 临床文本
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。
