MIMIC-IV-Ext-CDS — 九千例急诊决策支持

急诊科的第一次判断，往往发生在几乎所有客观结果出来之前。护士把血压计绑上胳膊，患者用一两句话描述胸口的不适，分诊护士要在几十秒里给这次就诊定一个优先级；紧接着是两个同样仓促的追问：这个患者该去哪个专科，此刻最可能的问题是什么。这三件事——分诊级别、专科转诊去向、初步诊断——在临床上是同一次决策的三个切面，它们之间的差别并不在于难度高低，而在于做判断的人手里有多少信息。患者本人只有症状；分诊护士多了生命体征；接诊医生还会再多出检验与影像。

公开数据集却很少按这条信息阶梯来组织。做结构化预测的项目通常从表格起步，有完整的体征与结局标签，唯独没有患者自己的叙述；做出院小结挖掘的项目有最完整的叙事，却常常把诊断结论写在同一段文字的最后一句里，模型只要学会定位那句话就等于提前看到了答案；做医学问答评测的项目有标准答案，题干本身却是从教材与考题改写来的，已经替你把无关信息过滤干净了。三种取法各自成立，但它们的共同结构是不包含"信息还不完整时如何决策"这一阶段——而这恰恰是急诊每天发生几千次、也最容易出错的阶段。

MIMIC-IV-Ext clinical decision support for referral, triage and diagnosis（官方简称 MIMIC-IV-Ext-CDS，其中 CDS 指 clinical decision support，即临床决策支持）就是冲着这个缺口来的。柏林 Max Delbrück 分子医学中心的 Akalin 实验室把 MIMIC-IV 的急诊模块、出院小结模块与住院模块拼在一起，为每一次急诊就诊整理出一份"检查之前的信息包"：初始生命体征、分诊级别（acuity）、主诉、疼痛评分、到院方式、离科去向，以及从出院小结里抽取出来的现病史（HPI）、所做检查、用药和诊断清单。最终成果是 9,149 例急诊就诊病例，其中 2,200 例额外附上了由大语言模型生成、再经四名临床医师逐例核验的专科转诊建议。它的代价同样清楚：单一中心、每人只保留一条最相关诊断、院内死亡的病例被整体剔除，而且必须走完 PhysioNet 的凭证审批才能拿到手。一屏速览见下表。

维度	内容
全名	MIMIC-IV-Ext clinical decision support for referral, triage and diagnosis
缩写含义	CDS = clinical decision support（临床决策支持）；HPI = history of present illness（现病史）
构建者	Farieda Gaber、Altuna Akalin（Max Delbrück 分子医学中心，柏林医学系统生物学研究所）
发布平台	PhysioNet，由 MIT 计算生理学研究室维护
首次发布	2025 年 10 月 8 日，版本 1.0.2
版本沿革	官方仅发布 1.0.2 一个版本，未见历史版本记录
病例规模	9,149 例急诊就诊（摘要与用法的表述为 9,150 例）
细化子集	2,200 例：三个下游任务文件与专科转诊标签只覆盖这一部分
上游来源	MIMIC-IV v3.1、MIMIC-IV-ED v2.2、MIMIC-IV-Note v2.2
合并起点	discharge 199,162 例 / triage 286,704 例 / ed_stays 420,587 例 / diagnostics 785,778 例 / patients 364,627 人
文件构成	8 个 CSV：4 个主数据文件 + 4 个任务专用文件
连接主键	stay_id（每个文件都带），辅以 subject_id 与 hadm_id
标签来源	结构化字段直接抽取 + Claude 3.5 Sonnet 生成转诊 + 四名临床医师抽验
人工核验量	419 例就诊，对应 566 条转诊指派；四名医师两两分组交叉核验
核验通过量	配对的医师意见交集为 331 例转诊生成正确的病例
文件格式	CSV（逗号分隔文本），无二进制、无图像、无波形
标识符	DOI 10.13026/stnm-qx35（1.0.2）/ 10.13026/khtg-kh44（最新版本）
许可与门槛	PhysioNet Credentialed Health Data License 1.5.0，需凭证审批、签署数据使用协议并完成 CITI 培训
配套代码	https://github.com/BIMSBbioinfo/medLLMbenchmark
配套论文	NPJ Digit Med. 2025;8:263，doi:10.1038/s41746-025-01684-1，PMID 40346344

§1 它要解决的具体麻烦

1.1 三条任务，一条信息阶梯

它的设计出发点是：急诊的三个核心判断共享同一批输入，但对输入的可见范围有不同要求。这一点决定了它可能派什么用场，也决定了它不适合派什么用场。

分诊（triage）的输入最窄。患者进门那一刻，能拿到的只有主诉、疼痛评分和生命体征；官方页明确把使用者分成两类——“普通用户”（general users，通常指患者，只提供个人信息和症状）和"急诊临床医生"（clinicians，额外还能看到生命体征）。这个区分类似真实场景里的权限差：患者知道的全部，医生未必只知道这些。

专科转诊（referral）的输入与分诊几乎相同，输出却完全不同。它要求模型把"右下腹持续疼痛伴发热"这样的表述，翻译成一个具体的科室名称。这类标签在常规病历里并不存在——没有哪家医院会在出院小结里写"建议转诊 XX 科"，所以这个字段必须由某个东西凭空造出来，而本数据集选的做法是用大语言模型造，再抽验。

初步诊断（diagnosis）的输入最宽，因为这时模型可以同时使用现病史、生命体征、所做的检查结果与人口学信息。它的输出是自由文本或与 ICD 诊断相关的清单。

三条任务并排放在同一批病例上，构成了一把可以比较的"信息阶梯尺"：同一批患者，输入从少到多，看同一个模型的输出到底在第几级台阶上开始变好。这是绝大多数医疗大模型基准给不了的东西——它们多半只有一级台阶。

这套设计还回避了一个更隐蔽的问题。开放式输出与选择题输出的差别，不只是"难不难"，而是能不能把"不知道"和"猜错了"区分开。在五级分诊这样只有五个选项的任务上，一个完全随机作答的模型也能拿到不低的期望分；而要求模型说出"应该转去哪个科"时，它必须自己构造一个答案，猜的成分会以错误的形式暴露出来。这也是本数据集坚持不让任务是选择题的原因——它在担心的不是模型太弱，而是任务太容易糊弄。

当然，这一设计把负担转嫁给了使用者。开放式输出没有现成的打分函数：科室名称存在别名与层级问题，"心内科"与"心血管内科"算不算同一个答案，"普通外科"与"胃肠外科"之间该不该算部分正确，官方一概没有规定。数据集把最难的那一步留给了做评测的人。

1.2 四条常见错误期待

把它当成"带标准答案的医学考试题"。 它不是。每一例的输出都与 ICD 编码或 ICD 标题相关，而 ICD 编码本身是回顾性的、多轴的，同一临床表现可以合法落在不同编码上。用它做精确匹配准确率，得到的分数有一大半在衡量编码习惯而不是临床水平。

把"9,150 例"当成可直接使用的训练规模。 方法段落的最终计数是 9,149 例，摘要和用法段落写的是 9,150 例（§7.1 与附录 A 记录了这一处内部不一致）。更重要的是，四名任务文件里只有三个覆盖全量；专科转诊文件只有前 2,200 例。真正能直接跑通"三条任务全流程"的规模是 2,200 例。

把它当成"患者自述数据集"。 现病史确实是从出院小结里抽取出来的，但出院小结是医生写的，里面的现病史是已经被医学语言重构过的叙述。官方页特意提到筛选时剔除了 HPI 里提及急诊科、急诊室或类似表述的病例——目的就是去掉会泄漏"这人已经进了急诊"的措辞。经过这层处理，它比原始摘要更接近患者的口吻，但它仍然是二手叙述。

把它当成多中心数据。 全部病例来自 MIMIC-IV 所覆盖的单一医疗中心（Beth Israel Deaconess Medical Center 体系），官方页未声明任何多中心扩展。跨中心泛化只能通过与其他库做外部测试来逼近，不能用它内部切分来假装。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
同一批病例上同时评测分诊、转诊、诊断	三个任务文件覆盖同一批 stay_id	够，这是它唯一的独占能力
比较"只有症状"与"症状加体征"两种输入的差距	官方显式区分普通用户与急诊医生两种角色	够，且这是原论文的核心实验设计
LLM 输出能力的横向打分	是否需要昂贵的外部 LLM 重新生成，取决于要比较的工作流	需自建，数据集只提供输入与参考标签
专科命名规范的权威词典	2,200 例 LLM 生成的专科建议	不够，这是模型的输出而非专家共识
高危/死亡患者的识别研究	—	不够，院内死亡病例在派生阶段已被整体剔除
单一疾病的深入建模	可按 ICD 编码筛选子集	边缘够用：非特定疾病筛选后样本会变小，官方未提供子集规模说明
时间序列预测（如体征演化）	只有"初始生命体征"一次取样	不够，上游 MIMIC-IV-ED 才有完整时间序列
用药安全与药物相互作用研究	从出院小结抽取的用药文本	可做探索，非结构化且无剂量与给药途径保证
多模态（影像、波形）研究	无	完全不支持

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
你在做一个面向患者的症状自查工具，缺真实病例的输入样本	提供近九千例可当作"患者自述"的现病史，且已剔除泄漏急诊身份的措辞	用 clinical_data.csv 的 HPI 字段做输入，配套 triage_level.csv 做参考；注意标签是回顾性的
你在评测多个大模型，需要一个不靠选择题的基准	三条开放式任务、共享同一批病例、有明确的、按信息可视范围划分的输入分层	固定 2,200 例做评测集，避免用全量 9,149 例去对齐转诊结果
你在做检索增强生成（RAG），需要真实病例做检索库	clinical_data.csv 自带完整出院小结文本，可切块建库	检索语料用 discharge note，评测输入只给 HPI，两者务必分开，否则是泄漏
你想复现 NPJ Digit Med 2025;8:263 的结果	数据集与代码仓库均公开，加工脚本在 GitHub	严格按仓库里的后处理步骤，尤其注意"只取前 2,200 例"这一条
你在研究分诊级别预测，嫌 ESI 标签太粗或者太主观	提供 acuity 字段作为参考，同时提供 pain、chief complaint 等辅助解释	把 acuity 当成"当班护士的判断"而非客观金标准来建模
你要做 ICD 自动编码	每份病例都带 ICD 编码、版本与标题	注意只保留 seq_num=1 的诊断，不能当成完整诊断集合来训练

1.5 一句话判断

它的价值不在"九千例"这个量级上——九千例在今天的语料标准里并不出众；它的价值在于把信息的不完整性显式地做成了实验变量，而这正是急诊决策最真实、也最难被建模的部分。

1.6 不适合谁：四条边界

不适合把它当权威专科分诊标准来训练生产模型。 转诊标签由 Claude 3.5 Sonnet 生成，四名医师只核验了其中 419 例，这批标签的定位是弱监督（weak supervision）而非专家共识。用它微调出的模型继承的是那个模型的科室命名习惯。

不适合做结局预测。 院内死亡病例被明确排除，数据里也不含随访信息。任何以死亡率、再入院为终点的研究，它给不了标签。

不适合拿来当完整的诊断集合。 只保留 seq_num=1 的那一条诊断，意味着病人的共病负担在这个数据集里被系统性压平了。做共病相关的研究要从上游 MIMIC-IV 自己补。

不适合在没有审批通道的团队里使用。 它是凭证制数据，需要 CITI 培训、签署数据使用协议并完成机构层面的审批。没有这条通道的团队，连文件列表都看不到。

§2 数据构成与规格

2.1 八个 CSV 与它们的关系

全部数据以 CSV 交付，围绕 stay_id（急诊留观编号）组织。官方把八个文件分成两组，理解这个分组是正确使用它的第一步。

第一组是四个主数据文件，构成一次急诊就诊的完整记录，字段之间存在明确的分工：

文件	承载内容	主要字段来源	备注
vital_signs.csv	stay_id、subject_id、hadm_id，以及被拼成单个字符串的初始生命体征	MIMIC-IV-ED 的 triage 表	体温、心率、呼吸频率、血氧饱和度、舒张压、收缩压六项
patient_demographics.csv	性别、种族、年龄，合并为单个文本字符串	MIMIC-IV-ED 的 ed_stays 表 + MIMIC-IV 的 patients 表	三项并列在同一列里
initial_assessment_info.csv	分诊级别（acuity）、疼痛评分、主诉、到院转运方式、离科去向，以及 ICD 编码 / 标题 / 版本	MIMIC-IV-ED 的 ed_stays、triage、diagnostics 表	这是"进门那一刻"的完整快照
clinical_data.csv	出院小结全文、抽取出的现病史、所做检查、用药、诊断，以及主诊断清单、次诊断清单和 LLM 生成的专科转诊	MIMIC-IV-Note 的 discharge 表	内容最丰富，也最需要二次加工

第二组是四个任务专用文件，官方明确说明它们是为那三项研究任务准备的下游派生品：

文件	相对主文件新增了什么	行数规模	用途
triage_level.csv	来自 initial_assessment_info.csv 的分诊级别	全量	预测 ESI 等级
specialty_referral.csv	LLM 生成的专科转诊	仅前 2,200 例	预测转诊科室
specialty_referral_clinician_approved.csv	四名医师核验后配对的共识转诊结果	331 例	用作可信子集或做个案审计
diagnosis.csv	诊断文本、主诊断与次诊断清单	全量	预测诊断

四个任务文件都包含 stay_id，也都重复携带了来自 clinical_data.csv 的现病史、来自 vital_signs.csv 的生命体征，以及来自 patient_demographics.csv 的患者信息——也就是说它们各自都是"开箱即用"的，不必回头再做多表连接。这是很友好的设计，代价是数据冗余。

2.2 字段字典

下表把八个文件涉及的字段按语义分组列出。需要提醒的是：生命体征与人口学信息是以文本字符串而非数值列存储的，这直接决定了你是否要写解析器。

信息项	所属文件	取值形态	含义	使用注意
stay_id	全部八个文件	整数	急诊留观编号	唯一连接键，不可为空
subject_id	vital_signs 等	整数	患者标识	官方按"每患者只留一次留观"处理
hadm_id	vital_signs 等	整数	住院编号	部分病例可能缺失同期住院号
生命体征串	vital_signs.csv	文本	六项初始值并列	需自行拆成六列，单位未统一声明
温度	生命体征串内	文本／数值	初始体温	官方未声明单位，勿默认摄氏度
心率	生命体征串内	文本／数值	初始心率	单位通常为次/分，官方未明示
呼吸频率	生命体征串内	文本／数值	初始呼吸频率	同上
血氧饱和度	生命体征串内	文本／数值	SpO2	注意区分鼻导管吸氧下与室息值
收缩压 / 舒张压	生命体征串内	文本／数值	血压两项	官方未声明是否取自动与手动测量的优先规则
人口学串	patient_demographics.csv	文本	性别、种族、年龄并列	需自行拆分三项
gender	人口学串内	文本	性别	来自 ed_stays
race	人口学串内	文本	种族	MIMIC-IV 原始取值，存在类别不平衡
age	人口学串内	数值	年龄	来自住院模块 patients 表，非急诊模块自带
acuity	initial_assessment_info.csv	数值／文本	分诊级别，对应 ESI	缺失者已在派生阶段剔除
pain	同上	数值／文本	疼痛评分	通常取 0–10 视觉模拟量表
chief complaint	同上	自由文本	主诉，患者到院自述的主诉极短	与 HPI 不同源，不要混为一谈
arrival transport	同上	文本	到院转运方式	步行／救护车等类别值
disposition	同上	文本	急诊后的去向	收住院／离院等
ICD code / title / version	同上	编码／文本／版本号	ICD 诊断信息	只保留 seq_num=1 那一条
出院小结全文	clinical_data.csv	长文本	原始出院记录	检索语料的来源，不可直接进评测输入
现病史 HPI	同上	短文本	从出院小结抽取的现病史	长度被限制在 50–2000 字符区间
所做检查	同上	文本	从出院小结抽取的检查列表	长度上限 3000 字符
用药	同上	文本	从出院小结抽取的用药信息	无剂量结构与途径保证
诊断文本	同上	文本	抽取出的诊断叙述	注意与 ICD 编码并非一一对应
主诊断清单	同上	列表	primary diagnosis	每例最多 15 条诊断，主次合计
次诊断清单	同上	列表	secondary diagnosis	可能为空
专科转诊	同上	文本	LLM 生成的建议科室	仅前 2,200 例有值

2.3 一条病例的完整解剖

一次急诊就诊在四个主文件里的样子，可以用下面这段脚本拼起来。注意这里没有做任何统计，只是把同一 stay_id 的四行并排读出：

import pandas as pd

BASE = 'mimic-iv-ext-cds/1.0.2'

#-- 四个主文件，全部以 stay_id 为连接键
vit  = pd.read_csv(f'{BASE}/vital_signs.csv')
demo = pd.read_csv(f'{BASE}/patient_demographics.csv')
init = pd.read_csv(f'{BASE}/initial_assessment_info.csv')
clin = pd.read_csv(f'{BASE}/clinical_data.csv')

SID = 35000012

#-- 逐表筛出同一条留观记录，再横向拼成一行
frames = []
for tag, tbl in (('vit', vit), ('demo', demo), ('init', init), ('clin', clin)):
    sub = tbl.loc[tbl['stay_id'] == SID].reset_index(drop=True)
    sub.columns = [f'{tag}.{c}' if c != 'stay_id' else 'stay_id' for c in sub.columns]
    frames.append(sub)

row = pd.concat(frames, axis=1)
print(row.T.to_string())          #-- 转置后每一行一个字段，便于人工核对

拼完之后会看到一条典型的记录包含这几段内容：进门信息（生命体征串、疼痛评分、主诉、到院方式、去向）、人口学（性别、种族、年龄）、编码信息（ICD 编码与标题、版本）、叙述信息（现病史、所做检查、用药、诊断文本、主／次诊断清单）。前三类是"客观数据"，最后一类是"事后总结"。这个分界非常重要：用于评测模型时，第四类里的"诊断"部分显然不能作为输入泄漏给模型，但"检查"与"用药"是否可以给，官方并未给出硬性规则。

生命体征串的设计值得单独说一句。官方把它描述为"每个生命体征后跟其对应数值"的字符串，而不是六列数值。这个选择让文件看起来更"像文本"，也更接近 LLM 的输入形态——但代价是你必须先写一个稳定的解析器，并且要自己决定：某个值缺失时用什么缺省值、单位是华氏还是摄氏、血压的两项在空间上相邻时怎么切分。这些决定官方一概没有替你做，因此不同团队用同一份数据可能解出不同的数值表。

2.4 主键与三级映射

数据集涉及三个层级的标识：subject（人）、hadm（住院）、stay（急诊留观）。官方在派生阶段做了一个关键处理：每个患者只保留一次急诊留观，并且只保留 seq_num=1 的那条诊断。这两刀下去，把"同一人多次就诊"和"一次就诊多条诊断"这两种常见的层次复杂性都削平了。

层级	标识	在本数据集里的处理	后果
人	subject_id	每患者最多对应一条急诊留观	不需要做患者级别的去重或分组切分
住院	hadm_id	跟随急诊留观而来	如需住院期其余信息，需回上游 MIMIC-IV
留观	stay_id	每条记录即一行	跨八个文件的唯一连接键
诊断	seq_num	只保留 =1 的那条	共病信息被系统性丢弃

第一条处理对机器学习实践者其实是好消息：不需要再做 GroupKFold 按患者分组——每个人只有一条记录，按行随机切分就不会泄漏同一个人的信息。这是它与大多数 MIMIC 派生数据集不一样的地方。但要注意，这只在本数据集内部成立；一旦你为了补充住院期数据回到上游 MIMIC-IV，泄漏风险立刻回来。

2.5 与上游模块的字段差异

它与它的三个上游相比，差别不在"多了哪些字段"，而在"扔掉了哪些维度"。官方页明确列出了三个来源版本：MIMIC-IV-ED v2.2、MIMIC-IV-Note v2.2、MIMIC-IV v3.1。

维度	上游 MIMIC-IV-ED	本数据集	差异后果
生命体征	triage 表的多次采样，含时间序列	仅初始一次采样	不能做体征动态演化研究
就诊次数	同一患者可有多次急诊	每人保留一次	不能做再就诊预测
ICD 诊断	每条急诊可有多条、带 seq_num	只取 seq_num=1	共病负担不可见
结局	含住院死亡、ICU 转入等	院内死亡者已剔除	不能做死亡预测
叙述文本	无	从出院小结抽取 HPI／检查／用药／诊断	这是唯一的净增益项
专科转诊	无	LLM 生成 + 人工抽验	增益与争议并存的一项
许可	同为凭证制 1.5.0	同为凭证制 1.5.0	使用上游需各自审批

2.6 文本化存储的代价

把数值拼成字符串这件事，在本数据集里只发生在两个地方：生命体征与人口学信息。两处的动机显然相同——让每一行看起来像一段可以整块喂给语言模型的叙述。这个选择让"直接把 CSV 某一列拼进 prompt"变得非常省力，也让它在形态上更接近真实的多模态输入。

但它同时封死了一条路：你无法在不依赖上游的情况下验证这些数值的单位与量纲。官方页没有为六个生命体征中的任何一个声明单位，也没有说明异常值剔除规则。如果某个团队要把它转成 OMOP CDM 或 FHIR 那样的标准模型，单位这块只能靠推测或回到上游找答案。这一点使它在"LLM 评测"与"标准化建模"两个方向上的可用性极不对称——前者几乎开箱即用，后者要补很多功课。

人口学信息的处理也有同样的味道。性别、种族、年龄三项被拼成一串文本，而不是三列。对做模型的人来说这只是多写一行正则；但对做公平性审计的人来说就麻烦了——你无法直接按种族列分组看各组的表现差异，必须先解字符串；而种族取值的类别体系又继承自 MIMIC-IV 原始表，其中包含若干含义模糊的取值。数据集本身没有禁止这类研究，只是在结构上没有为它提供便利。

§3 它是谁的数据

3.1 贡献者与机构

角色	姓名	机构	PhysioNet 账号
第一作者	Farieda Gaber	柏林医学系统生物学研究所（BIMSB），Max Delbrück 分子医学中心；同时隶属柏林洪堡大学计算机系	fgaber
通讯作者	Altuna Akalin	Max Delbrück 分子医学中心（Akalin 实验室）	al2na

配套论文的作者名单要长得多，包含来自放射肿瘤科、放射诊断科与妇科肿瘤科的合作者——这解释了为什么论文里会有四名临床医师参与标签核验。数据集本身的作者只有两位，但这并不意味着工作是两个人完成的：专科转诊标签的生成与核验是论文层面的集体工作，只是在 PhysioNet 上归到了数据集两位作者的名义下。

3.2 时间线

时间	事件	出处
2023 年	上游 MIMIC-IV-ED v2.2、MIMIC-IV-Note v2.2 发布	官方引用 [17–19]
2024 年	上游 MIMIC-IV v3.1 发布	官方引用 [17, 20, 21]
2025 年 5 月 9 日	配套论文发表于 NPJ Digital Medicine，卷 8 第 263 篇	论文元数据
2025 年 10 月 8 日	数据集 1.0.2 在 PhysioNet 公开发布	官方页发布日期
—	截至核验日，官方仅列出 1.0.2 一个版本	官方 Versions 区块

论文比数据集早约五个月发布。顺序反着来是有代价的：论文摘要里写的是"2000 例医学病例"，而数据集的方法是 9,149 例、上限限制在 2,200 例——论文与数据在口径上不完全对齐（见 §7.1 与常见误读第 2 条）。这种"先发论文、后发数据"的错位在派生数据集里不算罕见，但对复现者很不友好。

3.3 采集场景

所有病例的场景高度一致：成人急诊科的就诊。这一条限定了大量用法。

• 地点单一：全部来自 MIMIC-IV 所覆盖的一家医疗中心体系，官方未声明外部站点。
• 时段受限：急诊留观这一窗口，不含门诊、不含 ICU 随访、不含住院期间的连续追踪。
• 文本来源统一：叙述部分只从"出院小结"这一类文书里抽取，没有护理记录、没有放射报告原文、没有病程记录。
• 语言单一：英文。

第三个限制尤其值得注意。出院小结是回顾性文书，写作者已经知道了结局。因此从中抽取的"现病史"天然带有回溯重构的痕迹：症状描述会被组织成"支持最终诊断"的叙事。官方做了两件事来对抗这一点——剔除 HPI 中提及急诊科／急诊室的病例，以及限制 HPI 与检查描述的长度——但这两步都不能消除"知道答案的人写的病史"这一根本属性。任何用它评测出的"模型诊断能力"，实际上有一部分是在奖励模型识别已被医学语言重构过的叙述。

3.4 派生链条：从四十余万行到九千例

官方把加工过程完整写进了方法段，可以逐阶段追到每一步的存量。这条链条是判断"我能用它做什么"的最好依据：

阶段	操作	剩余量
起点	合并 discharge / triage / ed_stays / diagnostics / patients 五张表	31,150 例
第二步	剔除 acuity 为空的病例	29,129 例
第三步	剔除出院小结中未记录所做检查的病例	26,224 例
第四步	剔除缺少现病史的病例	25,650 例
第五步	按 HPI 与检查描述的长度阈值截断（HPI 取 50–2000 字符，检查描述上限 3000 字符）	18,067 例
第六步	剔除 HPI 中提及急诊科／急诊室或类似表述的病例	9,326 例
第七步	剔除在本次就诊期间死亡的病例	9,306 例
第八步	剔除诊断字段含叙述性内容者，并限制每例诊断总数不超过 15 条	9,149 例（摘要写作 9,150 例）

第五步的动机官方解释得很清楚：只要保留短叙述，是为了更接近患者本人口述症状的方式，避免模型读到一大段已被整理好的临床记录。第六步是为了防止泄漏"这个人已经进了急诊"。这两步合起来，把九千多例从两万五千余例里切了出来——筛选强度非常高，也因此它绝不是 MIMIC-IV 急诊人群的代表性抽样，用它做任何流行病学推断都不成立。

§4 它最独特的东西

4.1 稀缺性：它填补的是"入口层"

医疗大模型基准的分布可以粗略分三层。出口层的题目有确定的单选答案，例如各类执业资格考试改编的数据集；中间层给的文书与标签有明确的预测目标，例如影像报告分类、ICD 自动编码；入口层则是"信息还不完整时该怎么办"。第三层的公开资源最少，因为它要求刻意删除信息——而"删到什么程度"本身就是一个设计决定，没有标准做法。

本数据集是少数认真做了这一层的：它把三个人群的可视范围显式建模出来了。普通用户只有个人信息和症状；急诊医生额外有生命体征；在这之上还有 ICD 信息与检查结果可以作为扩展。这种分层不是事后加的，而是写进了任务文件的结构里。

4.2 差异化证据

对比维度	常见做法	本数据集的做法	为什么不同重要
答案形态	选择题或短选项	开放式输出（科室名、诊断文本）	选择题会把"猜"和"知道"混在一起
标签来源	人写、程序抽取、行政编码	LLM 生成后抽验	承认标签的主观性并给出抽验比率
输入丰富度	单一叙述	分层可视，可按需增减	能做"信息价值曲线"研究
疾病覆盖	单一器官系统或少数病种	不限病种	可以测通用能力，代价是每病种样本不足
文本来源	交易书上 ⾊的 vignette	真实急诊衍生文书	噪声真实，但也继承了回顾性文书的偏见

最后一行需要两面看。真实文本是它的强项，也是它的软肋：它是真实的，但它不是被使用过时的文本。没有哪个 LLM 在真实部署时会读到一份用词的。

4.3 三个下游任务的具体形态

三个任务文件的评测逻辑各不相同，混起来用会直接得出不可比的数字：

任务文件	参考字段	评测的输入通常来自	规模口径
triage_level.csv	acuity（即 ESI 五级）	HPI + 生命体征 + 人口学	全量病例
specialty_referral.csv	LLM 生成的建议科室	HPI（可加生命体征）	前 2,200 例
diagnosis.csv	主／次诊断清单与诊断文本	HPI + 检查 + 用药 + ICD 信息等	全量病例

三者的评判难度与合理口径截然不同，不能套同一个指标：

任务	输出形态	建议的打分思路	最容易踩的坑
分诊级别	五级序数量表	相邻等级应给部分分，不宜只看精确匹配	用分类精确率会系统性低估标注者之间的正常分歧
专科转诊	开放的科室文本	先建别名映射与层级规则，再谈准确率	不映射就比字符串，会把合理答案判死
诊断	自由文本 + 编码清单	编码路径与文本路径分开报告	两者混算会让分数失去解释性

值得注意的是，官方没有规定上述任何一套打分规则。这份数据集提供的是输入与参考，而不是一套评测协议——评测协议要研究者自己写，并且必须在论文里写清楚，否则不可复现。

4.4 标签的两层：机器生成与人工抽验

专科转诊标签是这个数据集里最需要谨慎对待的部分。它的生成路径是：取主诊断清单，交给 Claude 3.5 Sonnet 逐个病例判断应该转去哪个专科。所有涉及 LLM 的步骤都在隔离的 AWS 环境里通过 PrivateLink 完成——这一点官方专门写在伦理段里，针对的是"患者数据是否被送到外部模型"这一关切。

验证环节的组织方式是这样的：

环节	取值	含义
核验病例数	419 例	从总量中抽出的一部分
核验指派数	566 条	部分患者有多条诊断需分别指派
核验人员	4 名临床医师	分两组，每两人各自独立审同一批
判定为完全正确	81.5%	由所有人合计
计入"部分正确"与"合理但次优"后的可接受率	97.0%	官方表述为 overall acceptability
二分口径下组内一致性	90.8%（医师 1 与 2）、98.0%（医师 3 与 4）	均值 94.4%
三分口径下组内一致性	79.1%、69.3%	均值 74.2%
两人共识且正确的病例	331 例	即 specialty_referral_clinician_approved.csv 的规模

最后一行的 331 例是它唯一可以被称为"可信"的子集。如果研究要用转诊标签做严格的量化结论，331 例是上限；2,200 例适合做趋势性评测；把 81.5% 当成整体正确率则是一个常见误读——那个比率是从 419 例核验样本算出来的，而不是从全量子集算出来的，官方并未在全量声称该水平。

4.5 边界条件

它的适用边界可以压缩成三条硬约束：

1. 谁被排除了：acuity 为空者、无检查记录者、无现病史者、叙述过长者、提及急诊身份者、院内死亡者——六道筛子过后，留下的九千余例在一个非常特定的"症状简短、随后做了一堆检查、最终活着出院"的区间里。
2. 什么被压平了：每人一次留观，每次一条主要诊断，每次一次生命体征采样。
3. 标签有多可信：结构化抽取部分可信度高；LLM 生成部分只有 419 例抽验；331 例是共识子集。

§5 怎么拿到

5.1 官方入口与准入条件

它的交付路径与所有 MIMIC 系列派生数据一致，门槛在访问层而不在技术层：

环节	要求
账号	PhysioNet 注册账号
培训	完成 CITI “Data or Specimens Only Research” 课程并提交证书
审批	提交 Researcher 凭证申请，由 PhysioNet 人工审核
协议	签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0
许可	PhysioNet Credentialed Health Data License 1.5.0
上游要求	使用它还需独立获得 MIMIC-IV v3.1 的访问权限（v2.2 的 ED 与 Note 模块同理）

最后一行常被忽略。派生数据的审批不能替代父项目的审批：如果你为了核对某个字段而回到 MIMIC-IV-ED，那是一个独立的、需要单独签署的协议。

5.2 目录结构

八个 CSV 平铺在版本目录下，没有子目录层级：

mimic-iv-ext-cds/1.0.2/
├── vital_signs.csv                             #-- 初始生命体征（字符串化）
├── patient_demographics.csv                    #-- 性别 / 种族 / 年龄
├── initial_assessment_info.csv                 #-- 分诊级别 / 疼痛 / 主诉 / 到院方式 / 去向 / ICD
├── clinical_data.csv                           #-- 出院小结 + HPI / 检查 / 用药 / 诊断 / 转诊
├── triage_level.csv                            #-- 任务一：预测 ESI 分诊级别
├── specialty_referral.csv                      #-- 任务二：预测专科转诊（前 2,200 例）
├── specialty_referral_clinician_approved.csv   #-- 任务二的高可信子集（331 例）
└── diagnosis.csv                               #-- 任务三：预测主 / 次诊断

5.3 批量下载

凭证通过后，整包下载是：

BASE=https://physionet.org/files/mimic-iv-ext-cds/1.0.2

#-- 单个文件（凭证用户在浏览器已登录时可直接 curl）
curl -L -b ~/.physionet_cookies.txt -o vital_signs.csv ${BASE}/vital_signs.csv

#-- 全量目录递归下载；-np 防止爬到父目录
wget -r -N -c -np --load-cookies ~/.physionet_cookies.txt ${BASE}/

数据整体是纯文本 CSV，体积远小于 MIMIC 主库，一次拉完没有压力。真正的成本在审批周期，不在带宽。

5.4 三个任务文件的组装

任务文件彼此行数不同，动手前先确认对齐关系：

import pandas as pd

BASE = 'mimic-iv-ext-cds/1.0.2'
NAMES = ['triage_level', 'specialty_referral',
         'specialty_referral_clinician_approved', 'diagnosis']

frames = {}
for name in NAMES:
    df = pd.read_csv(f'{BASE}/{name}.csv')
    frames[name] = df.set_index('stay_id')
    print(name, 'rows=', len(df), 'cols=', len(df.columns))

#-- 诊断任务的全集与转诊子集取交集，得到可同时跑三条任务的样本
common = frames['diagnosis'].index.intersection(frames['specialty_referral'].index)
print('both diagnosis and referral available:', len(common))

specialty_referral.csv 只有 2,200 行，这段代码会立刻把这个差异暴露出来——先跑这一步，比事后发现评测口径不一致要省事得多。

5.5 文件结构的五个坑

坑	现象	后果	规避方法
体征是字符串不是数值列	vital_signs.csv 里六项体征拼成一列文本	直接 astype(float) 报错	先写稳定解析器，并对缺失值定好规则
单位未在官方页声明	体温、血压等值无单位说明	跨团队不可比，反向换算可能出错	回到 MIMIC-IV-ED 原始字段定义确认
转诊标签只有部分病例有值	specialty_referral.csv 仅 2,200 行	与全量文件做外连接会引入大量 NaN	显式取交集，别做左连接
出院小结泄漏答案	clinical_data.csv 的小结全文含最终诊断	如果无条件喂进去，评测分数虚高	检索库与评测输入必须分开制备
每例最多 15 条诊断	主次诊断合计被截断	用诊断清单做 multi-label 会低估共病	做共病研究请回上游原始表

5.6 最小可用路径

从拿到审批到跑出第一组分数，最短路径只需要三个任务文件，不必先碰四个主文件：使用 triage_level.csv 作为首个任务（它是三个任务里标签结构最清晰的一个，且覆盖全量病例），确认所有列的含义后再转向 diagnosis.csv，最后才是需要 2,200 例对齐的转诊任务。分诊任务对初次上手者最友好，因为它的标签结构最简单——五个等级，不需要额外映射表。

§6 与库内条目的关系

6.1 关系图谱

它处在 MIMIC 派生生态里的一个特殊位置：既不 produce raw 原始库，也不对应某个单一任务。可以把它理解为在三个上游之上加了一层"评测编排"：

角色	站内对应	关系说明
上游父项目	MIMIC-IV v3.1	官方标注的唯一 Parent Project；使用它须同时具备其访问权限
上游急诊模块	MIMIC-IV-ED（rid 567）	提供 triage / ed_stays / diagnostics 三个表，即结构字段的绝大部分
上游文书模块	MIMIC-IV-Note v2.2	提供出院小结，即所有自由文本字段的唯一来源
同辈卫生incessant 派生物	MIMIC-IV-Ext-CDM（rid 1640）	同为 CDM／CDS 家族命名易混项，但处理的是完全不同的任务
同辈 LLM 评测资源	MIMIC-IV-Ext-Apixaban（rid 1638）	同为 MIMIC-IV-Ext 序列，同样带 LLM／人工混合标签

6.2 检索路径

需要决定"该用哪一个"时，与其逐个翻页，不如顺着任务判据往下走：

你要做的事	该看谁
就想评测 LLM 在急诊开放式任务上的表现	本数据集
想做"给的文书分类标签"型监督训练	MIMIC-IV-Ext-PE（rid 618）等标签集路线
想做标准表结构的数据工程练习	MIMIC-IV 演示库 OMOP 版（rid 1635）
想先看一眼整条 MIMIC-IV 的面貌再决定	MIMIC-IV 演示库（rid 1629）
想厚今薄古地处理更长的时间序列	MIMIC-IV-Ext-22MCTS（rid 1373）
想做药物实体的抽取评测	MIMIC-Ext-DrugDetection（rid 1616）

6.3 分工判据：一张对照表

同家具内的 CDS／CDM 二者最容易混淆，这里给一悇分清：

判据	本数据集（CDS）	MIMIC-IV-Ext-CDM（rid 1640）
缩写展开	Clinical Decision Support（临床决策支持）	Clinical Decision Making（临床决策制定）
核心输入	急诊留观的症状 + 体征 + ICD	临床医师自主诊断的对话／叙述
输出目标	分诊级别 / 专科转诊 / 诊断三选一或多选	诊断推理过程与结论
病例规模	9,149 例（细分任务 2,200 例）	2,400 例量级
场景	急诊	门诊／非急诊为主
标签来源	LLM 生成 + 四名医师抽验	以人工标注为主

两个项目各自独立发布、各自的貫了。把它们看成一个系列板.repository更新更容易出错——判据只有一条：看的是机构缩写展开后英文全称。

§7 质量评估与局限性

7.0 前置校正：哪些 lá要先把口径统一

在评估质量之前，有三处官方内部的口径不一致必须先说明，否则此后所有讨论都建立在不确定的基数上。第一，最终病例数：摘要段与用法段都写"9,150 例"，方法段写"9,149 例"；两者相差一例，官方未解释。第二，论文与数据的规模：论文摘要说"2000 例"，数据集说 2,200 例。第三，标题内称谓：方法段里有一处把数据集称为 “MIMIC-IV-Ext clinical decision”，缺了 support 一词，与官方标题不一致。三处都属于官方表述层面的不一致，不影响数据结构本身，但影响你对"规模"这一概念的引用。

7.1 五维评分

维度	评价	依据
数据真实度	高	全部来自真实急诊留观与真实出院小结，官方声明未用 LLM 做数据抽取
加工透明度	高	八个加工阶段的存量逐个列出，脚本在 GitHub 公开
标签可信度	中	结构化字段可信；LLM 生成的转诊仅 419 例抽验，组内一致性 69.3%–98.0% 区间波动大
规模适配性	中偏下	9,149 例对 LLM 评测够用；按 ICD 筛选单病种后样本会变小
文档完备度	中	文件与字段有说明，但缺单位声明、缺各类字段缺失处理规则、缺科目映射规则

透明度这一项它明显好于同量级的多数派生数据——把每一步的剩余量写进方法段是可贵的做法，让使用者能自己判断筛选偏倚。

7.2 标注的两层机制

前面 §4.4 已列出核验细节，这里补充机制层面的含义。全部抽取、合并、过滤公式都是"完全通过可复现的 Python 脚本"完成的，官方明确说没有使用任何 LLM 做数据抽取、整理或转换。这一句的分量很大：它意味着除了"专科转诊"这一列之外，其余所有字段都应当被视为机器可读性的确定性抽取结果，其质量问题属于"工程错误"而非"模型幻觉"。

专科转诊一列则属于另一个类别：它是模型输出，不是人工共识。所以严格来说，本数据集包含两种性质完全不同的字段：

字段类别	例子	性质	可当作金标准吗
确定性抽取	ICD 编码、性别、年龄、到院方式、去向	上游记录的直接搬运	可，但继承上游的录入误差
疑似抽取	HPI、所做检查、用药、诊断文本	从自由文本中抽取	部分可信，需抽查
模型生成	专科转诊	LLM 输出 + 419 例抽验	331 例子集可，其余不可

7.3 可枚举的偏差清单

偏差来源	方向	严重程度	能不能补救
剔除 mention 急诊的病例	剔除的病例可能正是最典型的急诊叙述	中	不能，样本已不在数据内
长度阈值截断	症状复杂的病例被系统性地排除	中	不能
剔除院内死亡病例	最重的病例完全没有	高	不能，且这是使用边界而非缺陷
剔除 acuity 为空者	分诊信息不全的病例消失	中	不能
每人一次留观	反复就诊的高负担患者被压成一条	中	需回上游
只取 seq_num=1	共病被系统性丢弃	高	需回上游 diagnostics 表
单中心单一人群	结果不可外推到其他医疗体系	高	不能，只能跨库外部测试
出院小结的回顾性	HPI 的叙述已知结局	高	不能完全消除
药物与检查无结构	无剂量、无途径、无时序	中	需自建解析器
单位未声明	猜测可能导致错误换算	中	回上游确认字段定义

7.4 外部验证情况

官方页没有提供独立团队对该数据集本身的复现或交叉验证结果。可用的外部证据只有两类：一是配套论文对多个 LLM 工作流的基准结果（那是论文层面的，且基于 2000 例口径），二是四名医师对 419 例的核验（那是标签层面的）。除此之外，没有第二个小组报告过同样的加工链条产出同样的结果。

值得警惕的是，由于外部勘误的积累需要时间，它至今只有 1.0.2 一个版本、发布不足一年（按核验日计），外部的错题反馈与勘误很可能尚未积累。第一个发现某个解析器与官方不一致的人，可能就是你。

7.5 为什么这些局限会持续存在

大部分局限不是"没来得及修"，而是设计取舍的必然结果。长度阈值可能束缚病历，但若不这样做，模型读到的就是完整临床记录而非患者自述；只取 seq_num=1 虽然压平了共病，但它让"一例一诊断"的评测口径成为可能；专科转诊不用 LLM 生成就无法存在，因为真实病历里根本不写这一列。它们是方案的一部分，不是缺陷。真正应当审慎对待的只有一条：单中心、非抽样、六道筛选之后的人群代表性——这一条是无论如何都补救不回来的。

§8 生态位与历史

8.1 沿革：从"抽取打包"到"加一层评测编排"

MIMIC-IV 的扩展生态里有两类派生：一类是把原始表的某些部分抽出来重新打包（如各类 -Ext 方言)，一类是在此之上加新标签（如此）。本数据集两者兼有，但它的分量在第二层——其他人 nurse 抽取的是"已经在的东西"，它额外造了一个原本不存在于病历里的列（专科转诊）。这也是为什么它不能简单地被"自己去 MIMIC-IV 上跑个 SQL"替代。

8.2 与配套评测框架的关系

它的官方定位是"配套论文的数据产物"。论文比数据早发布五个月，这个顺序意味着：论文里报告的结果对应的是一个更早、更小、可能尚未最终化的口径（2000 例）。任何人想复现或是批评论文里的数字，都必须意识到自己手上的 2,200 例／9,149 例口径与之不完全等价。这在派生数据集里相当常见，但也意味着它对"复现 declarative"并不友好。

8.3 生态位

把它放到"急诊 + LLM 评测"这一小块里看，位置比较清楚：

相邻资源类型	代表	与本数据集的关系
原始急诊模块	MIMIC-IV-ED	提供结构字段，无标签加工
出院小结 NLP 标签集	各类 medication／实体标注	提供抽取式标签，无立即的任务编排
医学问答与考试基准	各类 MedQA 风格数据	答案形态不同，侧重知识 recall 而非开放式决策
急诊多模态基准	站内多模态急诊基准（rid 1550）	互补：那边偏多模态，这边偏文本决策链

它是这一格里唯一把"信息可视范围"当实验变量显式建模的资源。站得住脚。

8.4 谁在用

官方页显示的项目浏览量为 273 次（当前版本与全部版本合计），发布时间不足一年。配套论文在公开索引中显示有较高引用量——但这属于论文的影响力，不能直接换算为数据集的使用量。可以确定的是：对寻找"非选择题的开放式急诊决策基准"的人而言，它是公开可得的少数选项之一，这一点不因使用量少而改变。

§9 使用指引

9.1 三种角色的路径

角色	首选入口	应该先做的第一件事	最该小心的
LLM 评测者	triage_level.csv	明确五级 acuity 的打分口径（相邻误差要不要加权）	别用同一个准确率去量三类任务
NLP 研究者	clinical_data.csv	把出院小结与 HPI 分成两个互不相干的用途	别把小结文本泄漏进评测输入
临床信息工程	initial_assessment_info.csv	先从 ICD 与分诊级别校验解析正确性	别把 LLM 生成的转诊当成标准术语

9.2 最短流程

步骤	动作	预期结果
1	完成 CITI 与凭证审批	获得下载权限
2	下载八个 CSV 到版本目录	确认八个文件名与 §5.2 一致
3	读 initial_assessment_info.csv 一行	确认 acuity / pain / chief complaint 的取值形态
4	写体征解析器并抽样核对	六项体征全部可被正确切出
5	读 triage_level.csv 跑第一组评测	得到五级 classification 的基线
6	确认 specialty_referral.csv 只有 2,200 行	明确三条任务的规模口径不一致
7	对 specialty_referral_clinician_approved.csv 的 331 例做 sanity check	确认你对科室命名的理解与标签一致

9.3 引用方式

官方要求在引用数据集的同时引用配套论文与 PhysioNet 平台：

@article{PhysioNet-mimic-iv-ext-cds-1.0.2,
  author  = {Gaber, Farieda and Akalin, Altuna},
  title   = {{MIMIC-IV-Ext clinical decision support for referral, triage and diagnosis}},
  journal = {{PhysioNet}},
  year    = {2025},
  month   = oct,
  note    = {Version 1.0.2},
  doi     = {10.13026/stnm-qx35},
  url     = {https://doi.org/10.13026/stnm-qx35}
}

配套论文为 Gaber F, Shaik M, Allega F, Bilecz AJ, Busch F, Goon K, Franke V, Akalin A. Evaluating large language model workflows in clinical decision support for triage and referral and diagnosis. NPJ Digit Med. 2025;8:263. doi:10.1038/s41746-025-01684-1。写入舰艇正式 wrapper 时，还应包含 PhysioNet 平台本身的引用。

§10 AI 使用声明

项目	声明
文本生成	本文由 AI 辅助撰写，编辑把关结构与事实
数字来源	规模、结构、边界三类数字来自 PhysioNet 官方 1.0.2 页面正文与各段落描述
文件核验	八个 CSV 文件名经官方 Data Description 段逐一确认；区域限制导致无法直读文件内容
规模不一致	9,149 与 9,150 两个数字在官方不同段落并存；论文 2000 例与数据 2,200 例并存，已在 §7.0 说明
论文信息	仅检索公开索引的摘要与元数据，未读全文与补充材料
未核验内容	各 CSV 的确切行数与列数、生命体征串的确切拼接格式、各类字段缺失情况
图像	无配图；封面为生成式提示词，不含任何真实病历内容
免责	本文不构成临床建议；数据使用须遵守凭证制许可与数据使用协议

常见误读（避坑清单）

说法	实际	证据
它包含 9,150 例可用数据	方法段最终计数为 9,149 例，摘要与用法段写 9,150 例	官方 Methods 与 Abstract 段落并列存在两值
三个任务都能跑 9,149 例	转诊任务只覆盖前 2,200 例	官方 Usage Notes 明确说明
论文里的 2,000 例就是本站数据的 2,200 例	论文摘要说 2000 例，数据集说 2,200 例	论文元数据与官方 Abstract 对比
CDS 是 OMOP CDM 那类标准模型	CDS 是 clinical decision support（临床决策支持）	官方标题全称
它与站内 MIMIC-CDM 是同一个东西	CDM 是 Clinical Decision Making，实体不同	官方各自页面与注意事项
专科转诊是专家共识写的	由 Claude 3.5 Sonnet 生成，仅 419 例抽验	官方 Methods 与 Ethics 段落
81.5% 是整个 2,200 例的正确率	该比率来自 419 例核验样本	官方 Methods 段落
每份病例有完整 ICD 诊断集合	只保留 seq_num=1 那一条	官方 Usage Notes
生命体征是六列数值	被拼成一个文本字符串	官方 Data Description
可以拿它研究死亡或危重症结局	本次就诊死亡者已被明确剔除	官方 Methods 段落
它的生命体征单位已由官方声明	官方页未声明任何生命体征的单位	官方 Data Description 无单位说明

FAQ

Q1：为什么官方自己的页面里，病例数一会儿 9,149 一会儿 9,150？

这是官方页面内部的表述不一致，不是读者的理解错误。方法段逐步列举加工过程，最后一阶段的存量写的是 9,149 例；摘要段与用法段则统一写作 9,150 例。官方没有就此给出解释，两处也不是在同一语境下出现——方法段强调的是"去重后唯一 case 的数量"，摘要段强调的是规模量级。写作时应当两者并列标注，而不是选一个塞进引言。实践上的含义是：按 9,149 理解更贴近方法，按 9,150 引用更贴近官方宣传口径，两者的差不影响任何一次评测的样本划分。

Q2：我应该用全量还是那 2,200 例？

取决于你要复现什么。若目标是把三条端到端任务一起跑、或者要让构造的输入与转诊标签对齐，就得用 2,200 例，因为 specialty_referral.csv 只有那么多行；若只做分诊或诊断预测，全量 9,149 例都可用。最容易犯的错是：先用全量做诊断评测、再用 2,200 例做转诊评测，最后在论文里把它们并列写进同一张成绩表却不说明口径不同——reader 会默认为同一批样本。官方自己也提示，三份任务文件之外的后处理步骤详见其 GitHub 仓库。

Q3：LLM 生成的转诊标签能不能当金标准？

分三档看才合理。331 例是两人配对核验后都判为正确的子集，这一档质量最高，适合做严格结论；2,200 例带 LLM 生成标签，适合作趋势性评测和横向比较，但它的噪声不是随机的——它带有生成模型的系统性偏好（比如偏好某些科室命名）；把 81.5% 当作全量正确率是明显误读，那个比率只在 419 例核验样本上有定义。此外，三分口径下的组内一致性均值只有 74.2%，这提示"哪个科室才对"本身就不是一个客观事实而是一个专业判断。

Q4：没有 PhysioNet 凭证，有没有办法绕过去？

没有，也不应当尝试。它采用 PhysioNet Credentialed Health Data License 1.5.0，需要完成 CITI 培训、凭证审批并签署数据使用协议；即便在允许的区域，未经审批也看不到文件列表。另外要留意：它派生自 MIMIC-IV v3.1，如果你的工作需要回到上游核对字段定义（比如生命体征的单位），还须单独获得 MIMIC-IV 的访问权限——派生数据的审批不会自动覆盖父项目。

Q5：它比直接用 MIMIC-IV-ED 多做了一步什么？

主要是三件事。其一，把 ED 模块与住院模块、出院小结模块连起来了，让一次急诊留观同时拥有结构字段与文本叙述，这在单一模块里做不到。其二，做过目的在于防止泄漏的多轮筛选——剔除提及急诊身份的叙述、限制叙述长度、剔除死亡病例、每人只保留一次留观、每次只保留一条主要诊断。其三，凭空造出了"专科转诊"这一列，而这在原始病历里根本不存在。代价也很清楚：这三步做完之后，它不再代表任何真实人群，只代表一个刻意构造的评测场景。

术语表

术语	含义
CDS	Clinical Decision Support，临床决策支持；此处指辅助临床决策的技术系统或评测任务
HPI	History of Present Illness，现病史；患者本次发病以来病情发展的叙述
ED	Emergency Department，急诊科
Triage	分诊；按病情紧急程度确定就诊先后顺序的过程
Acuity	病情危重程度等级；本数据集对应 ESI 五级分诊标准
ESI	Emergency Severity Index，急诊严重程度指数；五级分诊工具，出处为官方参考文献 [24]
Referral	转诊；把患者转介给相应专科的行为
Stay ID	急诊留观编号；本数据集跨八个文件的唯一连接键
Subject ID	患者标识号；每人对应一条急诊留观记录
HADM ID	住院编号；用于回溯上游住院信息
ICD	International Classification of Diseases，国际疾病分类；含编码、标题与版本三项
seq_num	序号；此处伪序地表示诊断的相关性排序，本数据集只取等于 1 者
Disposition	去向；急诊处理完成后患者的去处（收住院、离院等）
Chief complaint	主诉；患者到院时自述的最主要不适，与 HPI 不同源
DUA	Data Use Agreement，数据使用协议；凭证制数据的法律前置条件
CITI	美国研究伦理与安全在线培训平台；此处要求完成 Data or Specimens Only Research 课程
RAG	Retrieval-Augmented Generation，检索增强生成；论文评测的一类 LLM 工作流

附录 A：核心数字核对表

数字	出处
9,149 例（最终唯一病例数）	官方 Methods 末段
9,150 例（摘要与用法段落表述）	官方 Abstract 与 Usage Notes
2,200 例（细化子集与转诊标签覆盖量）	官方 Abstract、Usage Notes
419 例（临床医师核验的病例数）	官方 Methods
566 条（核验对应的转诊指派数）	官方 Methods
331 例（两人配对共识且正确的病例）	官方 Data Description
81.5%（判定为完全正确的比率）	官方 Methods
97.0%（含部分正确与合理但次优的可接受率）	官方 Methods
90.8% / 98.0%（二分口径组内一致性）	官方 Methods
79.1% / 69.3%（三分口径组内一致性）	官方 Methods
31,150 → 29,129 → 26,224 → 25,650 → 18,067 → 9,326 → 9,306（加工阶段存量）	官方 Methods 各步
199,162 / 286,704 / 420,587 / 785,778 / 364,627（上游五表行数）	官方 Methods 起始段
8 个 CSV 文件	官方 Data Description
6 项初始生命体征	官方 Data Description
15 条（每例诊断总数上限）	官方 Methods 末段
50–2000 字符（HPI 长度区间）	官方 Methods 长度阈值说明
3000 字符（检查描述长度上限）	官方 Methods 长度阈值说明
MIMIC-IV v3.1 / ED v2.2 / Note v2.2（上游版本）	官方 Methods 与 Parent Projects
2025 年 10 月 8 日（发布日期）	官方页 curl 到的发布日期
10.13026/stnm-qx35（1.0.2 的 DOI）	官方 Discovery 区块
273 次（项目浏览量）	官方 Project Views