MIMIC-IV-Ext-CLIF — 十四张表统一重症口径

重症监护领域最不缺的是数据，最缺的是同一个口径。美国每年有超过五百万人经历危重症，也就是需要生命支持干预的急性器官衰竭；这些人在电子病历里留下的记录比任何专科都密集——生命体征几分钟一条，呼吸机参数随每次调整而变，血管活性药物的泵速按分钟改写。但要把十家医院的数据放到一起分析，真正的障碍从来不是"数据量大不好传"，而是同一件事在十套系统里有十种记法：有的医院把去甲肾上腺素的泵速记在连续输液表里，有的记在医嘱表；有的把格拉斯哥昏迷评分的三个分项分开存，有的只存总分；有的给气管插管患者的语言反应留空，有的填成一串文本。要把这些对齐，需要一套共同语言，以及愿意为它付出几个月工程量的团队。

共同语言已经有了，叫 CLIF（Common Longitudinal ICU data Format，通用纵向重症监护数据格式），由十余家美国学术医疗中心的重症医师与数据科学家组成的联盟共同维护，用一套最小重症监护数据元素（mCIDE，minimum Common ICU Data Elements）把重症数据压成统一的关系型结构。它已经在真实的多中心联邦研究里跑通——联盟侧覆盖 939K 以上患者、67 家医院、13 家机构，代码在各站点本地运行、数据不出院。问题在于：想用 CLIF 写分析代码，你得先是联盟成员，且手上有本机构的电子病历数据。对联盟之外的研究者来说，这套格式只能读、不能练，更不可能在上面复现任何一篇联盟论文。

MIMIC-IV-Ext-CLIF 就是为拆这堵墙而做的。它由芝加哥大学牵头的十九位作者与 CLIF Consortium 共同署名，2026 年 3 月 23 日发布在 PhysioNet 上，版本 1.1.0，把免申请可及的去标识化 MIMIC-IV v3.1 全量转换成了 CLIF 2.1.0 的 14 张表，外加一张未作插补的格拉斯哥昏迷评分补充表，全部以 Parquet 分发。它的价值不在增加数据量——数据就是 MIMIC-IV 那批；价值在于让任何人在拿到 MIMIC-IV 凭证之后，就能用与联盟完全一致的表名、列名和受控词表写分析代码，而这段代码理论上可以直接搬到联盟任意一家成员机构上跑。一屏速览见下表。

维度	内容
全名	MIMIC-IV-Ext-CLIF: MIMIC-IV in the Common Longitudinal ICU data Format (CLIF)
发布平台	PhysioNet，由 MIT 计算生理实验室（MIT LCP）托管
署名作者	Zewei Liao 等十九位作者 + CLIF Consortium，牵头单位为芝加哥大学
上游母库	MIMIC-IV v3.1（DOI 10.13026/kpb9-mt58），贝斯以色列女执事医疗中心
首次发布	2026 年 3 月 23 日，版本 1.1.0；仓库侧最新为 v1.2.0（2026-03-24）
目标数据模型	CLIF 2.1.0，配套 mCIDE 受控词表
表数	14 张 CLIF 表 + 1 张补充表，共 15 个 Parquet 文件
文件格式	Apache Parquet，单表无分片；仓库说明 CLIF 输出约 1 GB
上游规模	MIMIC-IV v3.0 口径：364,627 名唯一患者、546,028 次住院、94,458 次 ICU 入住
时间跨度	上游覆盖 2008—2022 年，日期被随机平移到 2100—2200 年
联盟规模	CLIF 侧 939K+ 患者、67 家医院、13 家机构
主键与关联	patient_id 与 hospitalization_id 串联全部纵向事件表
ETL 流程	查询、映射、编程、校验四步；Hamilton 有向无环图 + pandera 模式校验
许可与准入	PhysioNet Credentialed Health Data License 1.5.0，需 CITI 培训并签 DUA
典型用途	跨机构代码开发与验证、CLIF ETL 参考实现、联盟研究结论的公开复现

§1 它要解决的具体麻烦

1.1 三堵墙：拿不到、写不出、搬不动

第一堵墙是数据可及性。MIMIC-IV 已经是全世界最开放的重症数据库之一，但"开放"指的是完成伦理培训、签署数据使用协议、通过资质审核之后开放；在审核通过之前，你无法确认它是否装得下你的课题。CLIF 的门槛更高一档：它压根不是一份可下载的数据，而是一套规格加一个成员网络，你必须带着自己机构的电子病历加入，才谈得上"有 CLIF 数据"。

第二堵墙出现在拿到数据之后。MIMIC-IV 的原生结构是三十来张关系表，hosp 与 icu 两个模块各有一套主键：化验项目散落在 d_labitems 字典里，生命体征的 itemid 藏在 chartevents 里，医嘱、执行与计费分表存放，呼吸机参数要从 chartevents 的若干 itemid 里反向拼出来。任何一次建模真正耗时的第一步，都是把这套关系结构摊平成"某个病人在某个时刻发生了什么"。

第三堵墙最难翻。这段代码换个库就作废，换个人就重写，跨论文几乎无法复用。更麻烦的是，它恰恰是最容易出错、最不容易被发现出错的部分——你把去甲肾上腺素的最大泵速算错了半个数量级，模型照样能收敛，只是结论方向变了。多中心研究之所以罕见，不是因为医院不愿意合作，而是因为每家医院都在重复造这一层，且各家造出来的层彼此不通。

于是这个领域出现了一个反直觉的局面：数据总量在飞速增长，可用的多中心证据却增长得很慢。一家医院花三个月做出来的重症队列定义，搬到另一家医院要重做三个月，做出来的结果还无法逐项对齐，最后只能写成"我们在两个中心分别观察到……“，而不是"我们在两个中心的合并队列中观察到……”。CLIF 想解决的是这个层面的问题，而 MIMIC-IV-Ext-CLIF 想解决的，是"这套解法本身也没法练手"的问题。

1.2 四条常见的错误期待

第一条，期待它是一份"更大的数据"。它的数据量等于 MIMIC-IV，不多一行。它增加的是结构化程度，不是样本量；想靠它突破单中心样本上限是不可能的。

第二条，期待它是"MIMIC-IV 的等价替代"。它是有损转换：CLIF 的 14 张表只承载 mCIDE 定义的最小元素集，MIMIC-IV 里大量 itemid 被判为 NO MAPPING 或 NOT AVAILABLE。做项目前先确认你要的那个变量有没有进表。

第三条，期待它是"完整版 CLIF"。它是 MIMIC-IV 能支撑的那部分 CLIF。CLIF 2.1.0 数据字典里的若干表（如微生物培养、体外膜肺氧合等）在 PhysioNet 这一版里没有或仍是草稿状态。

第四条，期待它免申请。它随母库一起走凭证制：需要 CITI「Data or Specimens Only Research」培训、PhysioNet 资质审核与 1.5.0 版数据使用协议。演示库系列那种"下载即可开始"的体验不适用于它。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
用联盟口径写多中心分析代码	14 张表与 mCIDE 词表，与联盟站点同构	够，这是它的核心用途
复现 CLIF 联盟已发表结论	同结构公开数据，代码可直接套用	够，但样本来自单中心，不等于原结论
学写自己机构的 CLIF ETL	公开仓库给出查询—映射—编程—校验全流程	够，仓库按 MIT 许可开放
拿到 MIMIC-IV 的全部原始细节	只保留映射到 mCIDE 的元素	不够，需回母库
做跨中心泛化的实证结论	单中心，仅 BIDMC 一家	不够，仅能做代码可移植性验证
做影像或自由文本研究	当前 CLIF 为结构化表，多模态在规划中	不够
不需要凭证的快速原型	全表需凭证	不够，改用演示库系列
追溯某个数值的原始 MIMIC 来源	双列设计保留 *_name 原始标签	够，这是它比多数转换版更可取的地方

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
你是联盟成员，想在提交代码前先本地调通	表结构与站点完全一致，可直接做开发集	先用它跑通，再到本站点数据上复跑一遍
你正在为本院写 CLIF ETL，不知映射该怎么判	公开映射表逐条给出裁定标签与评审人	按你的数据源对照映射表，重点看 UNSURE 项
你不在联盟内，但想复现一篇 CLIF 论文	提供同构公开数据	复现后明确标注样本来源差异
你做的课题需要呼吸机参数逐小时序列	respiratory_support 为宽表，设置与观测同记录	先确认模式分类口径，再看设备字段
你要做连续性肾脏替代治疗相关研究	crrt_therapy 表已单列	注意该表在 v1.2.0 修正过流量单位
你只想看看 CLIF 长什么样	表名与列名即规格	先读数据字典，再拉最小几张锚定表

1.5 一句话判断

它不是一份新数据，而是一把"同规格的尺子"：把 MIMIC-IV 量成联盟通用的形状，让你在没有本院数据的情况下，也能写出明天可以搬到任何一家成员机构上跑的代码。

1.6 不适合谁：四条边界

不适合当更大的训练集用。 数据与母库等规模，且经过有损筛选。想靠它扩大样本量的项目，应该直接回到 MIMIC-IV，或去找多中心数据。

不适合做严格的跨中心结论。 上游是波士顿一家学术医院的 ICU 与急诊人群，人群构成、诊疗习惯与设备品牌都是单中心特征。用它可以证明代码可移植，不能证明结论可泛化。

不适合做微生物、影像或文本研究。 当前 CLIF 2.1.0 的结构化表里没有这几类内容；上游 MIMIC-IV 有影像与文本模块，但不在本转换范围内。

不适合跳过上游文档直接用。 它继承了 MIMIC-IV 的全部去标识化特性——日期按患者随机平移到 2100—2200 年，超过 89 岁的年龄统一记为 91，出院一年后的死亡被截尾。不看母库文档就做时序分析，会得出无意义的结果。

不适合当作唯一的事实来源。 遇到与母库口径冲突的地方，它的立场是"按 CLIF 规格重新表达"，而不是"重新认定事实"。把两者对立起来找谁对谁错是浪费时间；正确的做法是记录差异、说明用了哪一版口径，并在敏感性分析里换另一边再跑一次。这一点在格拉斯哥昏迷评分上最明显：插补版与原始版各有各的适用场景，争论哪个"才是真的"没有意义，有意义的是把两个版本都跑一遍，看结论是否翻转。

§2 数据构成与规格

2.1 十四张表加一张补充表的分工

15 个 Parquet 文件平铺在根目录，文件名统一以 clif_ 开头。按临床信息类型可分为六组：锚定表、临床监测、呼吸支持、药物执行、专科干预、行政记录。

文件	分组	形态	承载内容
clif_patient.parquet	锚定	每患者一行	不随住院变动的人口学信息，含 death_dttm
clif_hospitalization.parquet	锚定	每次住院一行	入院与出院详情、入院类型、出院去向
clif_adt.parquet	锚定	起止区间	患者在院内各科区之间的流转
clif_vitals.parquet	监测	长表	一行一个生命体征观测
clif_labs.parquet	监测	长表	一行一个化验结果，含三个时间字段
clif_patient_assessments.parquet	监测	长表	神经、镇静、疼痛、戒断等评估值
clif_patient_assessments_raw_gcs.parquet	补充	长表	未插补的格拉斯哥昏迷评分原始值
clif_position.parquet	监测	长表	一次体位改变一行，为俯卧位研究而设
clif_respiratory_support.parquet	呼吸	宽表	呼吸支持设备、模式、设置与观测参数
clif_medication_admin_continuous.parquet	用药	长表	按速率持续输注的药物，如升压药与镇静
clif_medication_admin_intermittent.parquet	用药	长表	按固定剂量在离散时点给药，如抗生素
clif_crrt_therapy.parquet	专科	宽表	连续性肾脏替代治疗的模式与运行参数
clif_code_status.parquet	行政	事件	抢救意愿相关的医嘱状态
clif_hospital_diagnosis.parquet	行政	长表	本次住院的全部诊断编码
clif_patient_procedures.parquet	行政	长表	实际完成的操作编码

三张锚定表是入口：patient 管人，hospitalization 管次，adt 管位置。其余纵向事件表都通过 patient_id 与 hospitalization_id 挂回这两级。

2.2 双列名约定：标准化与可追溯并存

这是本数据集最值得记住的一条设计。对每一个被映射的元素，转换同时保留两列：*_name 保存 MIMIC 自己的原始标签，*_category 保存标准化后的 mCIDE 类别。官方给的例子是 MIMIC 的 itemid 220045（Heart Rate）映射为 vital_category = "heart_rate"，同时 vital_name 保留 “Heart Rate”。

约定	含义	用途	注意
*_category	CLIF 受控词表中的类别	跨机构对齐、写通用代码	只能取 mCIDE 许可值
*_name	MIMIC 原始标签	追溯来源、定位母库字段	不保证跨机构一致
*_dttm	日期时间字段	时间对齐	已被上游随机平移
patient_id	患者键	串联全部表	等价于 MIMIC 的 subject_id
hospitalization_id	住院键	串联单次住院内的事件	等价于 MIMIC 的 hadm_id
hospital_id	站点标识	多中心合并时区分来源	本数据集中填为 ‘mimic’

双列设计付出的代价是列数变多、体积变大；换来的好处是任何一次口径质疑都能在不重跑 ETL 的前提下定位到母库字段。

对化验表还有一层额外的约束：数据字典为每一类化验规定了参考单位，站点必须在 ETL 阶段把原始值换算到参考单位，其他单位的取值必须先转换才能入库。这条规则是跨机构可比的前提，也是"为什么这个数值看起来和我算的不一样"最常见的原因——不是算错，是单位已经被统一过。

2.3 字段形态：长表、宽表与起止表

CLIF 的表不是同一种形状，混用会直接导致取数错误。

形态	定义	本数据集中的表	常见误用
长表	一行一个观测	vitals、labs、patient_assessments、position、hospital_diagnosis、patient_procedures、两种用药表	当成"一人一行"去聚合，行数被低估
宽表	一行一个时间点的多参数快照	respiratory_support、crrt_therapy	当作长表去 melt，参数间关系被拆散
起止表	一行一个时间区间	adt	只用起始时间做切窗，患者被重复计数
锚定表	一行一个实体	patient、hospitalization	与事件表用错连接键，产生笛卡尔积

呼吸支持与 CRRT 之所以设计成宽表，是因为这两类治疗的参数必须成对读取才有意义：只看潮气量不知道呼气末正压，只看血流速不知道置换液速率。把它们拆成长表，等于把临床语义丢掉。

adt 的起止区间形态也有明确用途：它回答的是"这个时刻患者在哪个科区"，而不是"患者去过哪些科区"。做院内感染、ICU 再入院或科区间转运的研究时，正确写法是拿事件时间落在哪一段区间来判断归属，而不是把 adt 按患者聚合。两种写法给出的答案会明显不同，且后者不会报错。

2.4 主键与关联路径

关系	连接键	说明
patient → hospitalization	patient_id	一名患者可有多次住院
hospitalization → 全部事件表	hospitalization_id	单次住院内的所有事件
adt → 事件表	hospitalization_id + 时间区间	判断某事件发生在哪个科区
medication_admin_* → 表内关联	用药医嘱标识	外键可连回其他用药表
跨站点合并	hospital_id	本数据集固定为 ‘mimic’

adt 表里额外填了 hospital_id = 'mimic' 与 hospital_type = 'academic'，这是在 v1.0.0 中加入的。它让这张表在与真实多中心数据合并时不需要额外补列。

2.5 与上游 MIMIC-IV 的字段差异

上游字段/结构	CLIF 侧对应	差异性质
chartevents + d_items 中的生命体征	vitals 长表	从 itemid 字典式存储改为受控类别
labevents 的 charttime / storetime	lab_collect_dttm / lab_result_dttm	另补 lab_order_dttm，值与采集时间相同
chartevents 中的 GCS 分项	patient_assessments（插补版）	另有未插补的补充表
emar / emar_detail	两张用药表	按持续与间歇拆成两张，各自独立
procedureevents	crrt_therapy、patient_procedures	按是否属专科治疗分流
diagnoses_icd	hospital_diagnosis	ICD 编码保留无点格式
transfers	adt	改为起止区间形态
patients 的 dod	patient 表中的 death_dttm	v1.0.0 起纳入院外死亡日期

2.6 一条记录的完整解剖

以生命体征表为例。它是长表，一行一次观测，标准化类别在 vital_category，原始标签在 vital_name，数值在 vital_value，时间在 vital_dttm。读取与校验的最小写法如下：

import pandas as pd

#-- 凭证用户需先按 §5.2 把文件下载到本地再读
vit = pd.read_parquet("clif_vitals.parquet")

#-- 先看列清单，确认 *_name 与 *_category 是否成对出现
print(vit.columns.tolist())

#-- 跨机构分析一律用 *_category；追溯来源时才用 *_name
cats = vit["vital_category"].dropna().unique()
print(cats[:10], vit["vital_category"].isna().sum())

#-- 与住院表连接时务必用 hospitalization_id，不要用 patient_id
hosp = pd.read_parquet("clif_hospitalization.parquet")
j = vit.merge(hosp, on="hospitalization_id", how="inner", suffixes=("", "_h"))
print(j.shape)

注意最后一行的连接方向：如果误用 patient_id 连接，一名患者的多次住院事件会彼此相乘，行数成倍膨胀而没有任何报错。isna().sum() 这类完整性检查应当在每次连接后立刻做一次。

§3 它是谁的数据

3.1 贡献者与机构

署名共十九位作者加一个团体作者 CLIF Consortium。机构分布以芝加哥大学为主，另有 Rush University Medical Center（两位）、Rush University、Yale University、University of Pennsylvania School of Nursing、Oregon Health & Science University、Emory University School of Medicine、Northwestern University Feinberg School of Medicine（呼吸与危重症科）、Johns Hopkins University、University of Minnesota。这个名单本身就是 CLIF 联盟构成的一个横截面——它是多机构的联合产物，而不是某一家的副产品。

资助与利益披露在页面上有明确说明：Lyons 受 NIH/NCI K08CA270383 支持，Rojas 受 NIH/NIDA R01DA051464 与 Robert Wood Johnson 基金会支持并曾从 Truveta 收取咨询费，Buell 受机构培训 grant（NIH/NHLBI T32 HL007605）支持，Bhavani 受 NIH/NIGMS K23GM144867 支持，Gao 受 NIH/NHLBI K23HL169815 与 Parker B. Francis 机会奖等支持，Hochberg 受 NIH/NHLBI K23HL169743 支持，Ingraham 受 NIH/NHLBI K23HL166783 支持，Barker 受 NIH/NHLBI T32 HL007749 支持，Parker 受 NIH K08HL150291、R01LM014263 与 Greenwall 基金会支持。作者声明无利益冲突。

3.2 时间线

时间	事件
2025 年 3 月	CLIF 规格论文发表于 Intensive Care Medicine（51 卷 3 期 556—569 页）
2025 年 5 月 1 日	CLIF-MIMIC v0.1.0，对应 MIMIC-IV 3.1 与 CLIF 2.0.0
2025 年 5 月 13 日	v0.2.0 测试版，首次引入 crrt_therapy 与 ecmo_mcs
2025 年 10 月 27 日	v1.0.0，切换到 CLIF 2.1.0，新增四张表与多个字段
2026 年 2 月 13 日	v1.1.0，改进 labs 覆盖并新增未插补 GCS 补充表
2026 年 3 月 23 日	v1.1.0 在 PhysioNet 正式发布（DOI 10.13026/j481-g420）
2026 年 3 月 24 日	仓库侧 v1.2.0，新增 ecmo_mcs、input、output

PhysioNet 上目前只有一个版本，即 1.1.0。仓库侧的 v1.2.0 尚未同步到 PhysioNet，页面本身也提示：若同步有延迟，以仓库 CHANGELOG 为准。

3.3 采集场景

上游数据来自波士顿贝斯以色列女执事医疗中心。采集范围是 2008—2022 年间入住急诊或任一重症监护病房的患者； hosp 模块主要记录住院期间的数据（labevents 也含门诊与急诊化验），icu 模块来自临床信息系统 MetaVision（iMDSoft）。去标识化按 HIPAA 要求移除标识符，用随机密码替换为整数标识，结构化数据经查找表与白名单过滤，自由文本经去标识算法处理，日期按患者随机平移到 2100—2200 年之间的未来区间。

因此有两件事必须记住：同一患者内部的时间关系是正确的，不同患者之间的时间不可比；每位患者只有一个 anchor_year，配合 anchor_year_group（2008—2010、2011—2013、2014—2016、2017—2019、2020—2022 五档）才能推断大致的真实年份。CLIF 侧的时间字段继承了这个平移，并没有把它还原。

还有两条边界会直接影响重症研究的设计。一是年龄：上游把 anchor_year 时超过 89 岁的患者年龄统一记为 91，所以"高龄"这一分层在本数据集里是一个被压平的桶，不能用来做连续年龄或高龄内部的细分。二是死亡时间：上游同时收录医院记录与州记录，两者冲突时以医院记录为准，而出院一年之后的死亡会被截尾，也就是说每位患者的最长随访恰好是最后一次出院后一年。做长期结局研究时，这个截断必须写进方法学。

3.4 派生链条

数据一共过了四层。第一层是床旁设备与医院信息系统，第二层是 MetaVision 与 hosp 源系统，第三层是 MIMIC-IV v3.1 的去标识化关系表，第四层是 CLIF-MIMIC 的 ETL。每一层都引入一次语义收窄：设备层的原始采样被聚合成护理记录，源系统的自由文本被编码为字典项，MIMIC-IV 的字典项又被收窄为 mCIDE 类别。使用者看到的是第四层，遇到"为什么这个值没有"的问题时，答案可能在任意一层。

§4 它最独特的东西

4.1 稀缺性：规格的公开样本

多中心数据标准有个共同困境：规格是公开的，数据不是。OMOP CDM、FHIR、MEDS 都面临同样的局面——你能读到完整文档，却很难找到一份"按这份文档做出来、且能随便下载"的真实数据用来练手。CLIF 原本更深一层：它连规格文档的示例数据都只在成员站点内部流转。

MIMIC-IV-Ext-CLIF 打破的正是这一点。它把世界上最开放的重症数据库做成了这份规格的公开实现，于是"先用公开样本写代码、再搬到本院数据"这条路径第一次在 CLIF 上成立。这是它与其他所有 MIMIC 派生集的根区别：别的派生集是为某个研究问题做的，它是为一套规格做的。

4.2 差异化证据：与三种常见统一模型的对照

维度	CLIF（本数据集）	MEDS	OMOP CDM	FHIR
组织方式	按临床域分表的关系型 schema	三列必填的事件流	按域分表的通用医疗模型	资源与消息
目标	重症监护多中心研究	机器学习管线可复用	全医疗域研究可复用	数据交换互操作
词表	mCIDE 受控类别	沿用来源编码	标准概念体系	编码系统绑定
时间粒度	保留原始事件时间	事件时间	多为日期	随资源而定
原始标签	双列保留	保留 code	映射到标准概念	依实现

关键差异在"目标"一行。MEDS 与 OMOP 追求的是通用与最小假设，因此把具体临床语义尽量往后推；CLIF 追求的是重症场景下的语义对齐，因此愿意为呼吸支持、CRRT、体位这类重症专属概念单独建表。前者更通用，后者在重症问题上更锋利。

4.3 具体案例：三件别处要自己造的事

第一件，呼吸支持。想要"某小时是否接受有创机械通气、潮气量多少、呼气末正压多少"，在 MIMIC-IV 里要从 chartevents 的多个 itemid 里反向拼，还要处理"Trach mask "这种带尾随空格的字符串。CLIF 的 respiratory_support 是宽表，设备、模式、设置与观测值同处一行，官方还专门修过一个因尾随空格导致气管切开时间被推迟的问题。

第二件，连续性肾脏替代治疗。CRRT 的模式、血流速、置换液速率在 MIMIC-IV 里散落在不同 itemid 上，且不同设备品牌的字段名不同。crrt_therapy 表把 modality 与运行参数合到一块，v1.2.0 还把 blood_flow_rate 的单位改回 mL/min 以贴合数据字典。

第三件，持续用药与间歇用药的区分。升压药与镇静是按速率持续输注的，抗生素是按固定剂量在离散时点给的，两者在源系统里常常混在同一张执行表里。CLIF 把它们拆成两张表，v1.0.0 的修订说明里明确写了：分表之后，原先被误标为持续的间歇给药被重新归位，同时两张表都新增了给药途径与执行动作的 *_name 与 *_category 字段。

第四件，体位。俯卧位通气是急性呼吸窘迫综合征的核心干预之一，但在源系统里"患者被翻成俯卧位"这件事通常只是一条护理记录，混在成千上万条 chartevents 里。CLIF 单独建了 position 表，一次体位改变一行，官方在字典里写明这张表的设计目的就是支撑俯卧位相关研究。这类"为某个具体临床问题单独建表"的做法，是 CLIF 与通用数据模型最直观的分野：通用模型会把它塞进一张通用的观察表里，CLIF 给它一张自己的表。

4.4 映射的两层机制

映射不是一次性脚本，而是两层。第一层是机器候选：用大小写不敏感的关键词匹配去扫 MIMIC 的表与字段，同时参考官方文档与社区讨论，并为候选元素自动生成统计摘要（数值型给最小值、均值、中位数、最大值，分类型给类别与计数）。第二层是人工裁定：每个候选元素由一到三位医师科学家与一到两位数据科学家评审，给出六种标签之一。

裁定标签	含义	后果
TO MAP, AS IS	无需变换直接映射	进入目标表
TO MAP, CONVERT UOM	需要单位换算后映射	进入目标表并换算
NO MAPPING	没有合适的 CLIF 对应项	不进入
MAPPED ELSEWHERE	已在别的表或字段承载	不重复进入
UNSURE	需额外临床或技术评审	挂起
NOT AVAILABLE	CLIF 元素在 MIMIC-IV 中不存在或不足	留空

这张表的重要性在于：它把"为什么某个变量不见了"变成可查的问题。映射表公开可查，逐条记录了评审状态、评审人与后续动作，不需要编程能力就能核对。

4.5 边界条件

第一，规格版本与数据版本要一起看。CLIF 2.1.0 的数据字典是权威解释，PhysioNet 页面只给概览；两处如有出入，以数据字典为准。

第二，仓库比 PhysioNet 更新。仓库侧 v1.2.0 已新增三张表，PhysioNet 仍是 v1.1.0。做项目前先决定跟哪一边，并在论文里写清版本号。

第三，mCIDE 仍在演进。联盟正在进行 mCIDE v3.0 的扩容征集，且已预告 CLIF v3.0 将纳入影像与临床文本。当前这一版是结构化表，不是终态。

§5 怎么拿到

5.1 官方入口与准入条件

带版本号的官方页是 https://physionet.org/content/mimic-iv-ext-clif/1.1.0/。访问策略写明：只有完成凭证审核并签署数据使用协议的用户才能取文件。需要三步——CITI「Data or Specimens Only Research」培训、PhysioNet 资质审核、签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0。许可为 PhysioNet Credentialed Health Data License 1.5.0。ETL 仓库的代码本身按 MIT 许可开放，与数据许可分离。

需要注意的是，页面在某些地区会返回"Data is not available in your region"。这与凭证无关，是区域法律与政策限制。

5.2 目录结构

15 个 Parquet 文件平铺在根目录，没有子目录、没有分片：

mimic-iv-ext-clif/
├── README.md
├── clif_patient.parquet
├── clif_hospitalization.parquet
├── clif_adt.parquet
├── clif_vitals.parquet
├── clif_labs.parquet
├── clif_respiratory_support.parquet
├── clif_patient_assessments.parquet
├── clif_patient_assessments_raw_gcs.parquet
├── clif_medication_admin_continuous.parquet
├── clif_medication_admin_intermittent.parquet
├── clif_position.parquet
├── clif_crrt_therapy.parquet
├── clif_code_status.parquet
├── clif_hospital_diagnosis.parquet
└── clif_patient_procedures.parquet

仓库 README 给出的各表典型体积：labs 约 457 MB、vitals 约 265 MB、patient_assessments 约 143 MB、medication_admin_continuous 约 84 MB、patient_assessments_raw_gcs 约 54 MB、medication_admin_intermittent 约 48 MB、adt 约 33 MB、respiratory_support 约 29 MB、position 约 24 MB、hospital_diagnosis 约 20 MB、hospitalization 约 16 MB、patient_procedures 约 8.2 MB、crrt_therapy 约 4.3 MB、patient 约 3 MB、code_status 约 1.1 MB，合计在 1 GB 量级。这一组数字是仓库给出的典型值，不是 PhysioNet 页面上的法定值，引用时请注明出处。

若打算自己重跑 ETL，仓库给出的磁盘与运行时要求是：MIMIC-IV 3.1 的压缩 CSV 约 30 GB，转成的 Parquet 约 15 GB，CLIF 输出约 1 GB；Python 3.10.5 以上，推荐用 uv 管理依赖。

5.3 批量下载

#-- 凭证用户批量下载；-np 防止爬到父目录，-c 支持断点续传
wget -r -N -c -np --user <你的PhysioNet用户名> --ask-password \
  https://physionet.org/files/mimic-iv-ext-clif/1.1.0/

#-- 只取某几张表时直接列文件名，避免拉满 1 GB
wget -c --user <你的PhysioNet用户名> --ask-password \
  https://physionet.org/files/mimic-iv-ext-clif/1.1.0/clif_adt.parquet

#-- 校验：比对本地文件与官方清列的字节数
ls -l clif_*.parquet

5.4 组装成分析用表

以"住院期间是否接受有创通气"为例，需要 adt、respiratory_support 与 hospitalization 三张表协作：

import pandas as pd

#-- 三张锚定/事件表
hosp = pd.read_parquet("clif_hospitalization.parquet")
adt = pd.read_parquet("clif_adt.parquet")
rs = pd.read_parquet("clif_respiratory_support.parquet")

#-- 先把住院起点与终点对齐到每条呼吸支持记录
rs = rs.merge(
    hosp[["hospitalization_id", "admission_dttm", "discharge_dttm"]],
    on="hospitalization_id", how="left",
)

#-- 展平呼吸支持的时间戳，按住院聚合；注意宽表不要 melt 成单列
start = pd.to_datetime(rs["start_dttm"], errors="coerce")
print(start.isna().sum(), rs["device_category"].dropna().unique()[:8])

#-- adt 是起止区间表，判断事件落在哪个科区要用区间包含，不是等号
loc = adt[["hospitalization_id", "start_dttm", "end_dttm", "location_name"]]
print(loc.head())

第一步合并后必须检查 admission_dttm 是否为空——若为空说明连接键用错。第三步的区间判断是 adt 表最常见的错误来源：用等号匹配科区会把整段住院期间的多次转科全部漏掉。

5.5 术语映射的组装

分析代码应当建立在 *_category 上，遇到需要核对的情况再回 *_name。典型流程是：先在 CLIF 数据字典的许可值列表里确认目标类别名，再在映射表里找到对应的 MIMIC 元素，最后回到母库核对原始取值。反向的做法——先在本数据集里找熟悉的 MIMIC 标签，再猜它的类别名——在类别名与标签字面不一致时会出错。

实际工作中还有三种容易踩的情形。第一种是"一对多"：一个 MIMIC 元素可能同时对应多个 CLIF 类别，映射表会标出来，硬编码一对一时会丢一半数据。第二种是"多对一"：多个 MIMIC itemid 收敛到同一个类别，这是刻意的合并，不要在同一时间点上把它们当成重复记录去删。第三种是"单位换算"：被标为 CONVERT UOM 的元素在进表时已经换算过，如果下游又按原始单位做了一次换算，数值会错一个量级。

映射表还有个实用价值：它记录了每次评审的评审人与状态。当你对某个变量的取舍有疑问时，可以直接定位到当初是谁、基于什么理由做的裁定，这比在代码里翻 commit 记录要快得多。

5.6 文件结构的五个坑

第一个坑，把 15 个文件当成 15 张等价的表。其中 clif_patient_assessments_raw_gcs 是补充表，与 clif_patient_assessments 同 schema 但只装未插补的原始 GCS，不能与后者简单拼接后去重。

第二个坑，忽略长表与宽表的区别。labs 与 vitals 是长表，respiratory_support 与 crrt_therapy 是宽表；用同一套 groupby 逻辑处理会静默地丢信息。

第三个坑，把 lab_order_dttm 当成真正的开单时间。它与 lab_collect_dttm 取值相同，官方明确说明这是为了避免整列为空而做的填充。

第四个坑，用 patient_id 做事件级连接。正确的分层是 patient_id 连 hospitalization，hospitalization_id 连事件。

第五个坑，引用体积数字时不注明出处。各表体积来自仓库 README 的典型值，会随版本变化；论文里应写清版本号与取数日期。

§6 与库内数据集的关系

6.1 关系图谱

上游是 MIMIC-IV v3.1，是本数据集唯一的母库，页面上把它标为 Parent Projects 并要求一并引用。同规格侧有 CLIF 联盟词条（rid 709），讲的是格式与联盟本身，不含这份数据——两者是"规格"与"规格的公开实例"的关系，检索时容易混淆，但用途完全不同。同"统一数据模型"这一主题的邻居有三条：MEDS 版演示库（1633）、OMOP 版演示库（1635）、FHIR 版（1529）。同"把 MIMIC 事件化"这一主题的邻居有 22MCTS（1373）与 CEKG（1647）。同前缀但面向不同研究问题的有 1647、1643、1640、1638。

6.2 检索路径

想找母库，走 MIMIC-IV 词条（4 或 592）。想找格式与联盟，走 CLIF 词条（709）。想找免凭证的入门样本，走演示库系列（1629 是母演示库，1633 与 1635 是两种标准模型的转换版）。想找不需要凭证就能跑通管线的路径，1633 与 1635 都比本数据集门槛低。想找流程挖掘视角的事件日志，走 1647。

6.3 分工判据：一张对照表

数据集	rid	统一的对象	门槛	与本数据集的分工
mimic-iv-clinical-database	4	无（原生结构）	凭证	本数据集的唯一上游，字段最全
clif	709	格式与联盟本身	开放	讲规格，不含数据；本数据集是它的公开实现
mimic-iv-demo-meds	1633	事件流的列结构	免凭证	100 人、三列事件流，用于跑通管线，不承载临床语义
mimic-iv-demo-omop	1635	通用医疗概念模型	免凭证	100 人、标准概念表，通用但不重症专属
mimic-iv-demo	1629	无（原生结构）	免凭证	母库的小样，用来判断要不要申请
mimic-iv-fhir	1529	交换互操作	凭证	面向交换，非面向分析
mimic-iv-ext-22mcts	1373	时间序列的抽取	凭证	22 万级事件序列，重在时间建模
mimic-iv-ext-cekg	1647	流程挖掘的事件日志	凭证	重活动与流程，本数据集重临床语义对齐
mimic-iv-ext-cds	1643	决策支持场景	凭证	面向急诊决策任务
mimic-iv-ext-cdm	1640	诊断推理任务	凭证	面向自主诊断任务

§7 质量评估与局限性

7.0 前置校正：几处口径要先统一

第一处，版本号。PhysioNet 上是 1.1.0，仓库最新是 v1.2.0。两者表集合不同：v1.2.0 多出 ecmo_mcs（测试版）、input 与 output（部分实现）。写论文时必须说明用的是哪一边。

第二处，CLIF 版本。页面写"截至最新的 CLIF 2.1.0 版本共 14 张表"，而联盟侧已在征集 mCIDE v3.0 并预告 CLIF v3.0 将纳入影像与文本。2.1.0 是过程版本，不是终态。

第三处，“部分"标注。发布状态表里，MIMIC-IV 3.1 对 CLIF 2.1.0 的对应状态标注为"部分（已发布的表稳定）”。也就是说未发布的表不是"缺数据"，而是"尚未实现"。

7.1 五维评分

维度	评价	依据
结构一致性	强	pandera 逐表校验类型、可空性与许可类别
流程可复现	强	四步 ETL 全公开，映射表逐条留痕
语义可追溯	强	双列设计保留 MIMIC 原始标签
人群多样性	弱	上游为单中心，波士顿一家学术医院
数据完整性	中	有损转换，未映射元素被明确标注

7.2 映射的两层机制带来的不确定性

第一层是机器候选，靠关键词匹配。它的风险是漏——同一个概念在 MIMIC 里可能用完全不同的字面写法，关键词扫不到就不会成为候选，也就永远不会进入人工评审。第二层是人工裁定，每组一到三位医师科学家加一到两位数据科学家。它的风险是主观——同一元素换一组评审人可能给出不同标签，尤其是 UNSURE 那一类。

官方的应对是留痕：映射表公开、逐条记录评审人与状态、变更时重跑管线即生效（映射表的 CSV 导出是"唯一事实来源"，改标签不需要改代码）。这不能消除不确定性，但让不确定性可以被审计。

还有一层不确定性来自源数据本身的写法。官方在修订说明里给过一个具体例子：源字符串里的尾随空格曾导致"Trach mask "没有被识别为气管切开，修正之后，气管切开的时间被提前，tracheostomy 标记的行因此增多且更早。这类问题的特点是它不会报错、不会置空，只会让事件发生的时间悄悄偏移；发现它靠的是对临床过程的熟悉，不是靠数据质量工具。

7.3 可枚举的偏差清单

偏差	具体表现	影响
种族族裔归并	同一患者多次住院记录不同取值时，取出现频次最高的"有信息"值，平局取最近一次	跨族裔分层分析的分组口径由该规则决定
种族族裔低估	上游把种族与族裔合并为一个字段，亚裔西班牙裔等被记为"多种族/族裔"	官方称每类边缘情形约影响 0.1% 的患者人群
化验开单时间	lab_order_dttm 与 lab_collect_dttm 取值相同	不能用它算"开单到出结果"的时长
给药途径	途径信息散落在五个源字段，个别药物需靠药名推断	两种药物（Insulin-Humalog、Naloxone）被统一映射到静脉途径
GCS 插补	主表用上游概念脚本，缺失分量向前回填 6 小时，无值则取最佳分，插管患者总分置 15	主表 GCS 偏乐观，应使用补充表做敏感性分析
插管患者语言反应	记为 “No Response-ETT”，补充表中数值为 NULL、文本保留	官方说明这一情形占全部 gcs_verbal 取值的 36%
诊断是否入院时已存在	poa_present 全为空	无法区分入院前与住院期间发生的诊断
主要诊断	取自上游 seq_num，上游对 seq_num 的告诫同样适用	主要诊断不等于临床主诉
入院类型	admission_type_category 的映射被官方标注为一致性存疑、可能变更	按入院类型分层需谨慎
ICD 格式	保留无点格式（N170 而非 N17.0）	与标准字典匹配前需补点

7.4 外部验证情况

验证分三层。第一层是模式层：用 pandera 对每张转换后的表校验数据类型、可空性与 mCIDE 许可类别。第二层是生态工具层：用 CLIF TableOne 与 CLIF Lighthouse 对照联盟统一的质量基准做更复杂的检查。第三层是单元测试层：对复杂变换（如用药执行表的时间戳展平）单独写测试。

此外，这份数据已经在四个真实项目里用过：肺保护性通气依从性的异质性、十家医疗系统 ICU 再入院的流行病学、机械通气患者早期活动机会窗口的识别、呼吸机相关肺炎短期风险机器学习模型的外部验证。每个项目都有独立代码仓库。

7.5 为什么这些局限会持续存在

根子在"从单中心有损源数据出发"这件事本身。上游没有的，转换造不出来：上游不区分入院时已存在的诊断，poa_present 就只能全空；上游只有两个化验时间，第三个时间字段就只能是复制品。上游有的，也不一定装得下：mCIDE 定义的是最小元素集，装不下的部分要么被判为 NO MAPPING，要么等下一版规格再纳入。这两类缺口都不会因为工程投入增加而消失，只会在上游扩充或规格升级时缓解。

第三类缺口更难处理，来自"单中心源数据无法验证多中心假设"。举例说，CLIF 假定每家医院都能给出呼吸支持设备的类别与模式，但 MIMIC-IV 里只有一套设备的记录习惯，转换方无从判断别的医院会不会把同一种模式记成另一个名字。因此本数据集通过 pandera 校验，只证明它符合规格的形，不证明它对任何第二家医院也成立。这个区别在写作时很容易被一句话抹平，而恰恰是评审会追问的地方。

第四类缺口是时间性的。规格在演进，mCIDE 在扩容，CLIF v3.0 已经预告要纳入影像与临床文本。今天按 2.1.0 写的代码，明天可能要面对新增表与改名字段。因此把版本号写进论文与方法学，不是形式主义，而是这份数据能被别人复现的前提。

§8 生态位与历史

8.1 沿革：从联盟到规格到公开实现

CLIF 的起点是一个具体问题：多中心重症研究做不起来，不是因为医院不愿意，而是因为每家的数据结构不同、且数据不能出院。联盟的做法是先定最小元素集（mCIDE），再定关系型 schema，再让各站点在本地做 ETL，最后只交换代码与汇总结果。这个模式在联邦研究中跑通，覆盖的患者规模达到十万级，用于死亡率预测的验证、临床亚型识别等任务。它的吸引力在于绕开了最敏感的那道环节：数据不需要离开医院，离开的只有代码。对伦理审查与数据治理来说，这比"把各家数据集中到一个湖里"要容易接受得多。

代价是规格必须足够硬。代码要在没见过的站点上跑出可比较的结果，就要求表名、字段名、许可值、单位全部一致，任何一处留给站点自由发挥，汇总时就会出现无法归因的差异。这就是为什么 mCIDE 是"最小元素集"而不是"建议字段"：它宁可少收一些变量，也要保证收进来的那部分在每家医院是同一个意思。

规格成熟之后，第二个问题浮现：规格只对联盟成员有用。MIMIC-IV-Ext-CLIF 是这个问题的答案——把规格落到一份人人可及的数据上。时间线上可以看到这条路径：2025 年 5 月的第一版对应 CLIF 2.0.0，2025 年 10 月的 v1.0.0 切到 2.1.0 并新增四张表，2026 年 2 月改进化验覆盖并补 GCS 原始表，2026 年 3 月 23 日在 PhysioNet 正式发布。

8.2 与 CLIF 联盟及工具的关系

组成部分	角色	与本数据集的关系
CLIF Consortium	制定 mCIDE 与 schema	规格来源，也是署名团体作者
CLIF 数据字典 2.1.0	逐表逐字段的权威解释	本数据集结构的最终依据
CLIF-MIMIC 仓库	ETL 实现	生成本数据集的代码，MIT 许可
MIMIC-to-CLIF 映射表	逐条映射裁定	本数据集字段取舍的可查依据
CLIF TableOne	描述统计工具	质量校验工具之一
CLIF Lighthouse	数据质量看板	对照联盟基准的校验工具
ISSUESLOG	已知问题清单	局限性的权威出处

8.3 生态位

它在两个方向上都处在"唯一"的位置。向下，它是 MIMIC-IV 派生集里唯一以"外部规格"而非"研究问题"为目标的一个——其余派生集都是为了解决某个具体问题而切数据。向上，它是 CLIF 生态里唯一可公开下载的数据实例——其余实例都在成员站点的防火墙后面。

这个位置决定了它的价值也决定了它的边界：它能让代码可移植，不能让结论可泛化。

8.4 谁在用

三类人在用。第一类是联盟成员，用它做代码开发集与原型验证。第二类是非成员的独立研究者，用它接触 CLIF 格式、复现联盟论文。第三类是正在建设本院 CLIF ETL 的工程团队，把它当参考实现，尤其参照呼吸支持、用药与 CRRT 这三类复杂映射的处理方式。官方列出的四个已使用项目分属第一类与第二类。

第四类使用者是教学场景。多中心重症研究的方法学课程长期缺一样东西：一份结构与真实多中心数据完全一致、却又可以随便拷给学生的数据。此前只能靠讲义描述规格，学生写完代码无处可验；有了这份数据，规格、代码与结果三者第一次能在同一台机器上闭环。这类用法不会被写进论文致谢，但对规格的扩散速度影响不小。

§9 使用指引

9.1 三种角色的路径

角色	建议路径	重点章节
联盟成员，要本地调通代码	拉全量 15 张表，按数据字典核对列名，跑通后到本院数据复跑	§2.1、§2.3、§5.4
非成员研究者，要复现结论	先读对应项目仓库，再按项目所需的最小表集合取数	§1.3、§6.2、§7.3
本院 ETL 建设者	对照映射表逐表看裁定标签，重点看 UNSURE 与 NO MAPPING	§4.4、§5.5、§8.2

9.2 最短流程

第一步，完成 CITI 培训并通过 PhysioNet 资质审核、签署 1.5.0 版数据使用协议。第二步，从带版本号的官方页下载需要的 Parquet 文件。第三步，读 CLIF 2.1.0 数据字典中对应表的字段定义。第四步，用 *_category 写分析代码，用 *_name 做追溯。第五步，跑 pandera 或同类模式校验确认输出结构未被改动。第六步，按官方给出的引用格式同时引用本数据集与母库 MIMIC-IV。

9.3 引用方式

@article{PhysioNet-mimic-iv-ext-clif-1.1.0,
  author = {Liao, Zewei and Guleria, Shan and Smith, Kevin and Baccile, Rachel
            and Chhikara, Kaveri and Therese, Dema and Chaudhari, Vaishvik
            and Burkhart, Michael Craig and Beaulieu-Jones, Brett and Jain, Snigdha
            and Connell, Kathryn and Buell, Kevin and Rojas, Juan and Lyons, Patrick
            and Bhavani, Siva and Gao, Catherine A and Hochberg, Chad
            and Ingraham, Nick and Parker, William and Consortium, CLIF},
  title = {{MIMIC-IV-Ext-CLIF: MIMIC-IV in the Common Longitudinal ICU data Format (CLIF)}},
  journal = {{PhysioNet}},
  year = {2026},
  month = mar,
  note = {Version 1.1.0},
  doi = {10.13026/j481-g420},
  url = {https://doi.org/10.13026/j481-g420}
}

引用时应同时给出母库：Johnson A, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data 10, 1 (2023)。官方还要求附带 PhysioNet 平台引用：Pollard T, et al. PhysioNet as a global platform for biomedical research. Nature Health (2026)。DOI 有两个：v1.1.0 的 10.13026/j481-g420 与 latest 的 10.13026/86jk-m086，写论文时用前者以锁定版本。

§10 AI 使用声明

项目	说明
文本生成	全文由人工智能辅助撰写，结构与事实由人工核对
数字来源	全部取自 PhysioNet 官方项目页（带版本号）、CLIF-MIMIC 仓库 README/CHANGELOG/ISSUESLOG、CLIF 官网与数据字典页面
文件核验	未直读文件内容；所在区域返回"Data is not available in your region"，无法下载或列目录
不一致说明	PhysioNet 为 v1.1.0、仓库为 v1.2.0，两处表集合不同，已在 §7.0 说明；race 归并规则在页面与 ISSUESLOG 中表述一致
论文信息	CLIF 规格论文：Rojas JC 等，Intensive Care Med 2025;51(3):556—569，DOI 10.1007/s00134-025-07848-7；MIMIC-IV 论文：Sci Data 10, 1 (2023)，DOI 10.1038/s41597-022-01899-x；本数据集 DOI 10.13026/j481-g420
未核验内容	15 张表的确切行数、列数与文件精确字节数；未映射元素的完整清单；CLIF 2.1.0 数据字典中尚未在本数据集实现的表的未来时间表
图像	封面图像由文生图模型按 frontmatter 中的提示词生成，不含真实患者信息
免责	本文为数据集说明，不构成诊疗建议；使用前请阅读官方页面与数据使用协议

常见误读（避坑清单）

说法	实际	证据
它是新的、更大的重症数据库	数据等于 MIMIC-IV v3.1，不增加样本	官方 Abstract 称其为 MIMIC-IV v3.1 的派生数据集
它免申请可下载	需 CITI 培训、资质审核与 1.5.0 版 DUA	页面 Access 区块写明仅凭证用户可访问文件
CLIF 是某个医学量表或评分的缩写	CLIF 是 Common Longitudinal ICU data Format，一套数据格式	官方全名与 Abstract 首句
14 张表就是全部文件	另有 clif_patient_assessments_raw_gcs 补充表，共 15 个 Parquet	页面 Data Description 的目录树
lab_order_dttm 是真实开单时间	它与 lab_collect_dttm 取值相同，是填充值	页面 Known issues 与 ISSUESLOG 的 labs 小节
主表 GCS 就是原始记录	主表为上游概念脚本的插补版本，原始值在补充表	ISSUESLOG 的 Imputed vs. raw GCS scores
用 patient_id 连事件表没问题	会产生多次住院的笛卡尔积	页面说明事件表以 hospitalization_id 关联
所有 MIMIC-IV 变量都能在 CLIF 里找到	mCIDE 是最小元素集，未映射项被标为 NO MAPPING 或 NOT AVAILABLE	映射裁定标签表
结论可跨中心泛化	上游单中心，仅能验证代码可移植性	上游 MIMIC-IV 来自波士顿一家医院
它与 MEDS 版是同一件事的两个版本	MEDS 是模型无关的事件流，CLIF 是重症专属的关系型 schema	两者上游、门槛、组织方式均不同

FAQ

Q1：它需要凭证吗？和 MIMIC-IV 演示库的 MEDS 版比，哪个更适合入门？

需要。它随母库走 PhysioNet 凭证制 1.5.0，要完成 CITI「Data or Specimens Only Research」培训、通过资质审核并签署数据使用协议。如果你的目标是"先确认管线能跑通"，MEDS 版演示库（rid 1633）更合适：100 名患者、免凭证、5.7 MB，几分钟就能跑完一轮。如果你的目标是"按联盟规格写能搬到真实多中心数据上的代码"，那只能用本数据集，因为演示库系列没有 CLIF 版本。入门建议是先用 MEDS 版打通管线，再申请本数据集做规格对齐。

Q2：它和 CLIF 词条（rid 709）是不是重复？

不是同一实体。rid 709 讲的是 CLIF 这套格式本身与它的联盟——规格来源、mCIDE 词表、联邦研究的组织方式、Apache-2.0 的参考实现。本数据集是这套格式的一个具体数据实例，由 MIMIC-IV v3.1 转换而来，落在 PhysioNet 上，走凭证制。二者的关系类似"规格文档"与"按规格做出来的公开样本"：想读懂表名与字段含义去 709，想拿到能跑的数据用本数据集。

Q3：为什么表里少了我熟悉的 MIMIC-IV 变量？

因为它装的是 mCIDE 定义的最小元素集，不是 MIMIC-IV 的全集。每个候选元素都要经过一到三位医师科学家与一到两位数据科学家的裁定，可能被判为 NO MAPPING（没有合适的 CLIF 对应项）、MAPPED ELSEWHERE（已在别处承载）或 NOT AVAILABLE（CLIF 元素在上游不存在或不足）。逐条裁定记录在公开的映射表里，可以直接查。

这里要分清两种"少了"。一种是有但没装：上游有这个 itemid，评审认为它不属于最小元素集，因此判为 NO MAPPING，这种情况下回母库就能拿到。另一种是真的没有：上游压根不采集，比如是否入院时已存在的诊断标记，这时 CLIF 侧只能留空，回母库也拿不到。区分二者的方法是看映射表里的裁定标签，而不是看表里有没有这一列。如果需要该变量且属于前者，回母库取；属于后者，只能等上游扩充或换数据源。

Q4：GCS 该用主表还是补充表？

取决于你要回答什么问题。主表 clif_patient_assessments 用的是上游官方概念脚本的结果：缺失分量向前回填 6 小时，无历史值则取该分量的最佳分，插管患者总分置 15，因此整体偏乐观。补充表 clif_patient_assessments_raw_gcs 是按 chartevents 原样取的，插管患者的语言反应记为 NULL、原文本保留，且官方明确不计算总分以避免掩盖插补性质。做镇静深度或神经功能相关研究时，建议以补充表为主、主表做敏感性分析。

Q5：PhysioNet 上是 1.1.0，仓库写着 v1.2.0，我该跟哪个？

看你要什么。PhysioNet 的 1.1.0 是经过平台发布流程的版本，有固定 DOI（10.13026/j481-g420），适合写在论文里以保证可复现。仓库的 v1.2.0 多出 ecmo_mcs（测试版）、input 与 output（均标注为部分实现，仅支撑净尿量计算），并修正了 CRRT 血流速单位等细节。如果你需要这几张新表且能接受测试版状态，可以自行按仓库重跑；否则用 1.1.0 并在文中写清版本号。页面本身也提示同步可能有延迟，以仓库 CHANGELOG 为准。

术语表

术语	解释
CLIF	Common Longitudinal ICU data Format，通用纵向重症监护数据格式，跨机构开源的重症数据结构标准
mCIDE	minimum Common ICU Data Elements，最小重症监护数据元素集，CLIF 的受控词表
联邦研究	代码下发到各站点本地运行、原始数据不出院、只汇总结果的多中心研究组织方式
长表	一行一个观测的表形态，如 vitals 与 labs
宽表	一行一个时间点、多参数并列的形态，如 respiratory_support
起止表	一行一个时间区间的形态，如 adt
锚定表	一行一个实体的表，如 patient 与 hospitalization
ETL	Extract-Transform-Load，抽取—转换—加载的数据管线
Hamilton	用有向无环图组织数据转换的 Python 框架，本项目的管线按此模式构建
pandera	Python 数据框模式校验库，用于校验转换后各表的类型与许可值
GCS	Glasgow Coma Scale，格拉斯哥昏迷评分，含睁眼、语言、运动三个分量
CRRT	Continuous Renal Replacement Therapy，连续性肾脏替代治疗
ADT	Admission-Discharge-Transfer，入院—出院—转科记录
Parquet	列式存储文件格式，本数据集的分发格式
DUA	Data Use Agreement，数据使用协议
anchor_year	上游为每位患者分配的随机基准年，落在 2100—2200 年之间

附录 A：核心数字核对表

数字	出处
版本 1.1.0	PhysioNet 项目页标题与 Discovery 区块
发布日期 2026 年 3 月 23 日	项目页 Published 字段与 schema.org datePublished
DOI 10.13026/j481-g420（v1.1.0）	项目页 Discovery 区块 DOI (v1.1.0)
DOI 10.13026/86jk-m086（latest）	项目页 Discovery 区块 DOI (latest)
14 张 CLIF 表	项目页 Abstract 与 Data Description
15 个 Parquet 文件（含 1 张补充表）	项目页 Data Description 的目录树
CLIF 版本 2.1.0	项目页 Release Notes 的 MIMIC version / CLIF version 对照表
上游 MIMIC-IV v3.1	项目页 Parent Projects 与 Release Notes
364,627 名唯一患者	MIMIC-IV v3.1 项目页 Patient composition（v3.0 口径）
546,028 次住院	MIMIC-IV v3.1 项目页 hosp 模块说明（v3.0 口径）
94,458 次 ICU 入住 / 65,366 人	MIMIC-IV v3.1 项目页 icu 模块说明（v3.0 口径）
时间跨度 2008—2022 年	MIMIC-IV v3.1 项目页 Acquisition 段落
日期平移至 2100—2200 年	MIMIC-IV v3.1 项目页 Deidentify 段落
年龄上限 89 记为 91	MIMIC-IV v3.1 项目页 anchor_age 说明
联盟 939K+ 患者 / 67 家医院 / 13 家机构	CLIF 官网首页统计条
联盟由超过 10 家美国学术医疗中心组成	项目页 Abstract 与 Background
联邦研究覆盖超过 100,000 名 ICU 患者	项目页 Background
每年超过五百万美国人经历危重症	项目页 Background
许可 PhysioNet Credentialed Health Data License 1.5.0	项目页 Access 区块
需 CITI Data or Specimens Only Research 培训	项目页 Required training
labs 表约 457 MB、vitals 表约 265 MB	CLIF-MIMIC 仓库 README 的 Output 表
CLIF 输出约 1 GB	CLIF-MIMIC 仓库 README 的 Prerequisites
MIMIC-IV CSV 约 30 GB、Parquet 约 15 GB	CLIF-MIMIC 仓库 README 的 Prerequisites
Python 3.10.5 以上	CLIF-MIMIC 仓库 README 徽标与说明
仓库 v1.2.0（2026-03-24）	CLIF-MIMIC 仓库 CHANGELOG
v1.0.0（2025-10-27）新增四张表	CLIF-MIMIC 仓库 CHANGELOG
边缘种族族裔情形各约影响 0.1% 患者人群	CLIF-MIMIC 仓库 ISSUESLOG 的 patient 表小节
插管患者 gcs_verbal 占全部取值 36%	CLIF-MIMIC 仓库 ISSUESLOG 的 Imputed vs. raw GCS 小节
项目浏览 533 次	PhysioNet 项目页 Project Views