MIMIC-IV-Ext-ECG-Glucose — 12 导联 ECG 与实验室血糖时间配对数据集

INFOBOX — MIMIC-IV-Ext-ECG-Glucose 一屏速览

维度	内容
本质	从 MIMIC-IV v3.1 + MIMIC-IV-ECG v1.0 派生的跨模态配对数据集（不做新采集）——实验室血糖 × 时间最近 12 导联 ECG
团队	Tezpur University（印度）计算机科学与工程系，Md Basit Azam & Sarangthem Singh
托管	PhysioNet（RRID:SCR_007345），2026-10-06 发布 v1.0.0
身份码	DOI v1.0.0 = 10.13026/nts2-vj76
规模	437,671 条配对记录 / 131,771 患者；376,648 个唯一 ECG；99,544 住院 / 30,435 ICU stay
配对窗口	血糖与 ECG 时间差 ≤ ±240 分钟，取绝对偏移最小者；中位偏移 55 分钟（IQR 17-127）
三维标注	药理干预（ICU 胰岛素/葡萄糖）｜ECG 信号质量（10 项 SQI）｜时间对齐（4 档）
复合 tier	IDEAL 4,364（1.0%）/ USABLE 116,106（26.5%）/ CAUTION 295,034（67.4%）/ EXCLUDE 22,167（5.1%）
表结构	101 列：镜像/人口学/住院 ICU/血糖/药理/动力学/ECG 链接/QTc+SQI/患者级统计/划分
血糖	mean 135.4 mg/dL；EUGLYCEMIC 83.8%、HYPER+SEVERE_HYPER 14.6%、HYPO+SEVERE_HYPO 1.6%
使命	为非侵入式血糖估计、血糖-心脏复极关联、数据质量感知训练提供带标签下游任务
获取	认证访问（Credentialed Access）：签 DUA 1.5.0 + CITI 培训；页面标注存在区域限制
库内互链	MIMIC-IV-ECG（rid 172）、MIMIC-IV 临床库（rid 4）、MIMIC-IV-Waveform（rid 65）、MIMIC-IV-Ext-PE（rid 618）

MIMIC-IV-Ext-ECG-Glucose 是一个"把心电图和血糖化验单按时间焊在一起"的数据集工程：它不采集任何新数据，而是把 MIMIC-IV 里散落的实验室血糖结果，逐条去 MIMIC-IV-ECG 里找时间上最近的一张 12 导联诊断心电图（时间差不超过 ±240 分钟），配成 437,671 对，再给每一对贴上三张"质检标签"——这次血糖测量是否处在胰岛素或葡萄糖给药的时间窗内、这张 ECG 的信号质量好不好、两者的时间对齐够不够紧。它回答的是一个长期缺数据支撑的问题：能不能只靠一张心电图估出血糖？ 要训练这样的模型，首先得有一批"知道血糖值、也知道同时刻心电图"的配对样本——这就是它。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——这是认证访问（Credentialed Access），要签 DUA 并完成 CITI 培训，且页面标注了区域限制，别当成公开直链。
2. 关心质量与建模：直奔 §4 三维标注与 §5 复合 tier——IDEAL 子集只有 1.0%，先想清楚你的建模目标该取哪一档。
3. 做 ECG 基础模型或血糖估计：直奔 §7 用法与目标泄漏警示——有一条硬规矩：所有从血糖值派生的列都不能当输入。

§0 导读：这个数据集解决什么问题

住院患者、尤其是危重症患者的血糖紊乱（dysglycaemia）——既包括低血糖也包括高血糖——独立地与 ICU 死亡率升高、机械通气时间延长和院内感染易感性相关。目前的临床监测靠间歇性有创采血：费力、有感染风险，而且时间上稀疏，两次采样之间的血糖波动常常被漏掉。

非侵入式血糖估计因此成为一个活跃研究方向，而心电图（ECG）是特别有吸引力的载体：急性血糖紊乱与糖尿病自主神经病变都会引起可测量的心脏电生理改变——心率、QT 间期延长、复极形态等。但要训练和验证"从 ECG 估血糖"的模型，卡点不在算法，在数据：缺一个大规模、时间对齐、还带临床标注的、能把 ECG 与同时刻实验室血糖连起来的公开资源。

现有数据的三种窘境正好对应本条目要填的三个洞：

1. 有 ECG 无代谢：大量公开 ECG 库（如 MIMIC-IV-ECG~80 万条、PTB-XL 等）只给波形与诊断标签，没有配对的化验值；
2. 有血糖无电生理：各种血糖时序数据集没有同步 ECG；
3. 太小：能同时给两者的旧数据集规模小到撑不起现代深度学习训练。

更棘手的是药理混杂：外源性胰岛素与静脉葡萄糖本身会"解耦"生理上的 ECG-血糖关系——给药后的血糖变化不再单纯反映身体的自主调控。没有任何公开资源处理过这一混杂。MIMIC-IV-Ext-ECG-Glucose 的独特设计正在于此：它不仅配对，还逐条标注了给药窗口，让研究者能把"被药理干预污染"的样本筛出去。

§0 读法三则：

1. 本条目是纯衍生数据集（derived/ext），一切数据都能追溯到 MIMIC-IV 与 MIMIC-IV-ECG 两个上游；它不是新采集、不是新队列，理解它的价值要放在"MIMIC 生态的二次加工"框架里（§8）。
2. 全文数字均出自 PhysioNet 项目页（Abstract / Methods / Data Description / Usage Notes 四段）；数据集没有配套同行评审论文，页面即一手来源，凡用户另见数字与此不一致，以页面为准（§9 存照）。
3. 检索时注意：官方全称很长，缩写"MIMIC-IV-Ext-ECG-Glucose"最稳；若搜到"MIMIC-IV-ECG-Glucose"少了"Ext"或与 ECG 库混淆，用 DOI 10.13026/nts2-vj76 锚定（§10 坑 1）。

§1 数据集速览：十问十答

Q1：它到底是什么？
一个 PhysioNet 上的衍生配对表：437,671 行 × 101 列，每行是一条"实验室血糖结果 + 时间上最近的 12 导联诊断 ECG"的配对记录。数据源是 MIMIC-IV v3.1（血糖与临床上下文）和 MIMIC-IV-ECG v1.0（ECG 波形与机器测量），用一段 Google BigQuery SQL 生成。

Q2："437,671 对 / 131,771 患者"怎么理解？
437,671 是记录数（血糖-ECG 配对数），131,771 是患者数。二者不是一回事：同一患者可贡献多条记录，同一张 ECG 也可被多条血糖结果共用（见 Q5）。

Q3：配对的时间窗有多宽？
血糖与 ECG 的时间差落在 ±240 分钟（正负 4 小时）内即可配对；若同一血糖有多张候选 ECG，取绝对偏移最小的那张。中位绝对偏移 55 分钟（IQR 17-127），说明大多数配对其实挺近。

Q4：ECG 是"在血糖之前"还是"之后"？
两者都有，定义为 signed offset = glucose_time − ecg_time：ECG 在血糖前 = 238,706 条（54.5%）；ECG 在血糖后 = 195,184 条（44.6%）；同一分钟（1 分钟分辨率 offset=0）= 3,781 条（0.9%）。做因果/预测建模时这个方向很关键（§7）。

Q5：为什么"唯一 ECG"只有 376,648 个，少于记录数？
因为一张 ECG 可以配多条血糖：一条 ECG 最多与 12 条血糖结果配对（22.0% 的记录共享其 ECG）。这是设计使然——窗口内同一患者的所有血糖都去竞争最近的那张 ECG。

Q6：那"三维质量标注"是哪三维？
（1）药理干预：这条血糖是否处在 ICU 胰岛素或静脉葡萄糖给药的时间窗内；（2）ECG 信号质量：由 10 项二值检查算出的信号质量指数 SQI；（3）时间对齐：从 TIGHT（≤30 分钟）到 EXTENDED（121-240 分钟）分四档。三者再合成一个复合可用性等级（§5）。

Q7：血糖值长什么样？
均值 135.4 mg/dL（SD 65.8），中位 116 mg/dL。按临床阈值分类：正常（EUGLYCEMIC, 70-180）占 83.8%，高血糖类（>180）合计约 14.6%，低血糖类（<70）合计约 1.6%——类别高度不平衡（§4.6）。

Q8：有官方划分吗？
有，且是患者级的确定性 80/10/10 划分：用 MOD(ABS(FARM_FINGERPRINT(subject_id)), 10)，0-7 归 TRAIN、8 归 VALIDATION、9 归 TEST。设计保证没有任何患者跨分区，避免患者泄漏。

Q9：怎么拿到数据？
认证访问（Credentialed Access）：必须是签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0 的认证用户，并完成 CITI “Data or Specimens Only Research” 培训。许可与 MIMIC-IV 同口径。注意页面还标注了区域限制（§6）。

Q10：它和 MIMIC-IV-ECG、MIMIC-IV 是什么关系？
下游衍生关系：MIMIC-IV 和 MIMIC-IV-ECG 是"原料"，本数据集是"用 SQL 配方加工出的成品"。引用本数据集时须同时引用两个上游（其 PhysioNet 页明确列出 Parent Projects）。区别详见 §8。

§2 数据构成与规格

2.1 文件清单

文件	内容	规格
mimiciv_ecg_glucose_aligned.csv	主配对表	437,671 行 × 101 列，RFC 4180，UTF-8
data_dictionary.csv	逐列字典（类型/单位/描述/来源表/注释/缺失率）	覆盖全部 101 列
mimiciv_ecg_glucose_pipeline.sql	生成主表的 BigQuery SQL	可修改窗口/药代窗口/质量阈值
README.md	总览、约定、推荐用法、局限	—

2.2 101 列的九组结构

组	列数	代表字段
Identifiers 标识符	5	subject_id, hadm_id, stay_id, labevent_id, ecg_study_id
Demographics 人口学	5	gender, age, anchor_year_group, race, insurance
Admission & ICU context 入院与 ICU 上下文	8	admission_type, first/last_careunit, icu_los_days, during_icu_stay, hours_since_admission/icu_admission, hospital_expire_flag
Glucose measurement 血糖测量	8	glucose_time, glucose_mg_dl, glucose_label, glycemic_class, lab_flag, ref_range_lower/upper, lab_priority
Pharmacological intervention 药理干预	8	insulin_active, fast_insulin_active, dextrose_active, dual_intervention_active, max_insulin_dose_units, max_dextrose_amount_ml, decoupling_risk_score, intervention_status
Glucose dynamics 血糖动力学	12	lag_glucose_mg_dl/time, lag_intervention_status, glucose_seq_in_stay, glucose_delta_mg_dl, inter_measurement_gap_min/hr, is_first_glucose_in_stay, gap_exceeds_threshold, delta_is_intervention_confounded, glucose_rate_mg_dl_per_hr, glucose_trajectory
ECG linkage & alignment 链接与对齐	7	ecg_time, ecg_file_name, waveform_path, temporal_relationship, alignment_quality, glucose_ecg_offset_minutes, abs_offset_minutes
ECG measurements, QTc & SQI	35	sqi_score, sqi_category, report_artifact_flag, 10 项 sqi_* 检查, heart_rate_bpm, hr_regime, rr_interval, qrs_duration_ms, qt_raw_ms, pr_interval_ms, jt_interval_ms, p/qrs/t_axis, 四式 qtc_*_ms, qtc_recommended_ms, qtc_formula_range_ms, 六项延长标志
Patient-level stats & usability 患者级统计与可用性	13	n_glucose_ecg_pairs, patient_mean/std/min/max_glucose, glucose_cv_percent, time_in/below/above_range_pct, glucose_z_score, glucose_minmax_norm, record_usability, split

2.3 关键人口学与临床规格

• 年龄（记录级）：均值 62.2 岁（SD 17.4）；这是 anchor age（MIMIC 去标识口径），>89 岁一律显示为 91——直接用 age 做年龄效应研究会踩去标识的坑。
• 性别：患者级男性 48.4%，记录级男性 51.9%（男性患者平均记录更多，故记录级占比更高）。
• 来源场景：急诊（ED）、住院（inpatient）与 ICU 三类遭遇都覆盖；ICU 期间记录 80,598 条（18.4%），即 81.6% 是非 ICU记录——这一比例对解读药理标注至关重要（§4.4）。
• 覆盖规模：99,544 次住院 / 30,435 次 ICU stay；唯一 ECG 研究 376,648 个。
• 单中心：全部来自 Beth Israel Deaconess Medical Center（BIDMC，波士顿），记录期 2008-2019。

2.4 血糖值的分布

分类（glycaemic_class）	阈值（mg/dL）	记录数	占比
SEVERE_HYPO 重度低血糖	<54	1,614	0.4%
HYPO 低血糖	54-69	5,414	1.2%
EUGLYCEMIC 正常	70-180	366,756	83.8%
HYPER 高血糖	181-250	39,329	9.0%
SEVERE_HYPER 重度高血糖	>250	24,558	5.6%

血糖提取自 hosp.labevents，限定值域 30-700 mg/dL 且 charttime 非空。输入门槛自带选择偏差：极端值（<30 或 >700）已被剔除，因此本数据集的血糖分布是"被裁剪过的"——不要用它估计极端血糖的流行病学频率。

2.5 时间对齐规格

档位（alignment_quality）	时间差范围	记录数
TIGHT	≤30 分钟	160,939
MODERATE	31-60 分钟	69,055
LOOSE	61-120 分钟	89,617
EXTENDED	121-240 分钟	118,060

方向（temporal_relationship）	含义	记录数	占比
ECG_BEFORE_GLUCOSE	ECG 早于血糖	238,706	54.5%
ECG_AFTER_GLUCOSE	ECG 晚于血糖	195,184	44.6%
SIMULTANEOUS	同一分钟	3,781	0.9%

窗口 ±240 分钟意味着配对间隔最远可达 4 小时——血糖在 4 小时里能变化很多，所以档位信息（TIGHT 到 EXTENDED）不是装饰，是必须建模或用进来的协变量。

§3 数据来源与派生方法

3.1 上游三元组

数据源	版本	用途	PhysioNet 入口
MIMIC-IV	v3.1	血糖 labevents、人口学、住院、ICU 上下文、给药记录	physionet.org/content/mimiciv/3.1/
MIMIC-IV-ECG	v1.0	12 导联诊断 ECG（波形 + 机器测量）	physionet.org/content/mimic-iv-ecg/1.0/
本项目	v1.0.0	SQL 派生配对表	physionet.org/content/mimic-iv-ext-ecg-glucose/

MIMIC-IV-ECG 提供约 80 万条诊断 10 秒 12 导联 ECG，来自近 16 万 MIMIC-IV 患者，2008-2019 年间由多厂商 ECG 车记录，附带机器生成的间期测量——这正是本数据集 ECG 侧的原料。

3.2 队列选择与血糖提取

血糖结果从 hosp.labevents 提取，仅两个 itemid：

• 50931：Glucose, Blood, Chemistry（中心实验室血清/血浆测定）；
• 50809：Glucose, Blood, Blood Gas（全血血气分析仪）；
• 查询还列了 52027，但在 MIMIC-IV v3.1 中返回零记录（一个"提了没用上"的 itemid，页内已注明）。

值域限 30-700 mg/dL，charttime 非空。床旁指尖血糖记录在 icu.chartevents，不含在内。每条结果 join 到患者（性别/锚定年龄/锚定年组）、经 hadm_id 关联住院、并在血糖时间落在 ICU stay 内时标注 during_icu_stay=TRUE。随后按阈值分五类（§2.4）。

一个易被忽略的细节：两条 assay（化学法与血气法）都标 “Glucose”，而输出文件没有 itemid 列——想区分测定方法的用户必须拿 labevent_id 回 MIMIC-IV labevents 反查。这导致 1,023 条"同患者同血糖时间戳"的记录（多为同一次采血被两种 assay 各测一次）——它们不是重复错误，是真实的双测定（§9 存照）。

3.3 时间对齐算法

对每条血糖结果，找出同一患者所有落在 ±240 分钟内的 ECG，保留绝对偏移最小的一张。signed offset 定义为 glucose_time − ecg_time。由此得到 §2.5 的三值方向与四档对齐。关键推论：这条"最近者胜"规则天然允许一张 ECG 服务多条血糖（最多 12 条），也导致了 ECG 与血糖方向的双峰分布（略偏"ECG 在前"）。

3.4 药理干预标注

胰岛素与静脉葡萄糖给药从 icu.inputevents 提取（statusdescription ≠ ‘Rewritten’，amount > 0），按 subject_id 匹配。若血糖时间戳落在某次给药的 [starttime − W, endtime + W] 区间内，则标记该条血糖，其中窗口 W：

• 120 分钟：速效与预混胰岛素（itemid 223258, 229299, 228959, 223259）；
• 240 分钟：基础胰岛素（itemid 223260, 223262）；
• 60 分钟：葡萄糖（itemid 220949, 220950, 228142, 220952, 220955, 220953）。

据此派生 intervention_status（§4.3）与 decoupling_risk_score（= 2×速效胰岛素 + 1×葡萄糖 + 1×双干预，观测值 0/1/2/4）。

3.5 血糖动力学

在 (subject_id, stay_id) 分区内按时间排序血糖，计算前值、间隔、带符号变化量。分区口径：ICU 记录以 ICU stay 为分区；非 ICU 记录用患者全部非 ICU 血糖序列——因此非 ICU 记录的"前值"可能来自更早的另一次就诊，有时相隔数年（页内明示的坑）。变化率（mg/dL/hr）仅在间隔落在 15 分钟至 6 小时时计算，否则为 NULL 且 gap_exceeds_threshold=TRUE。轨迹轨迹阈值取自 CGM 惯例（0.33 与 1 mg/dL/min）：RAPID_FALL（<−60）、MODERATE_FALL（−60~−20）、STABLE（±20）、MODERATE_RISE（20~60）、RAPID_RISE（>60）；UNKNOWN_FIRST 标记无前值者，UNKNOWN_GAP 标记间隔越界者。delta_is_intervention_confounded 在前一结果为 EXCLUDE 或 FLAG_HIGH_RISK 时为 TRUE。

3.6 生成工具链与资助

整条流水线以一段 BigQuery SQL（mimiciv_ecg_glucose_pipeline.sql）形式随数据发布，源表为 physionet-data.mimiciv_3_1_hosp、mimiciv_3_1_icu、physionet-data.mimiciv_ecg。用户可修改对齐窗口、药代窗口或质量阈值，或加入其他 MIMIC-IV 协变量。本数据集工作受 Google Cloud Research Credits program（award No. GCP19980904） 支持——注意这与 PhysioNet 平台本身的 NIH 资助（U24EB037545 / R01EB030362）是两回事。

§1.5 深度速览：把数字串成故事

1.5.1 一个配对的诞生：从化验单到训练样本

想象一位 67 岁的患者因胸痛进了急诊。抽血做了全套生化，其中一项是血糖——结果是 142 mg/dL（center 实验室 chemistry 法，itemid 50931）。在这次抽血的前后 4 小时内，他在急诊做了一张 12 导联诊断心电图。本数据集的算法会做这些事：

1. 从 hosp.labevents 捞到这条血糖（值在 30-700 之间，charttime 非空）；
2. 按 patient（subject_id）找到他在 ±240 分钟内的所有 ECG；
3. 挑出绝对时间差最小的那张（假设是抽血前 18 分钟做的）；
4. 记录 signed offset = glucose_time − ecg_time = +18 分钟 → 方向标为 ECG_BEFORE_GLUCOSE，档位标为 TIGHT（≤30 分钟）；
5. 检查这张 ECG 的机器测量：RR/QRS/QT/PR/JT 等 10 项是否落在合理区间，报告字段有没有 artifact/noise → 算出 SQI；
6. 检查他的 ICU 给药记录（如果这次就诊进了 ICU）：抽血时刻是否落在某次胰岛素或葡萄糖给药的时间窗内 → 标 intervention_status；
7. 汇总上面三项 → 复合 tier（IDEAL/USABLE/CAUTION/EXCLUDE）；
8. 算出他的血糖动力学（如果有更早的血糖）、患者级统计，并分配 split。

最终产出的，就是 CSV 里的一行。这条"化验单 → 训练样本"的转化链，被完整封存在 mimiciv_ecg_glucose_pipeline.sql 里——这是本数据集区别于普通"已清洗数据"的关键：加工逻辑是公开、可修改、可复现的。

1.5.2 规模的三重口径：别把三个数混成一个

关于这个数据集"多大"，有三个都正确但含义不同的数字：

口径	数字	含义	何时用
记录数（records）	437,671	血糖-ECG 配对数（CSV 行数）	统计样本量、训练集大小
患者数（patients）	131,771	去重后的 subject_id 数	评估队列规模、划分依据
唯一 ECG 研究数	376,648	被用到的不同 ECG	评估 ECG 侧样本量

437,671 > 376,648 的原因已见 §1 Q5：一张 ECG 可服务多条血糖。437,671 vs 131,771 的比值约 3.32，意味着平均每位患者贡献约 3.3 条记录——但中位数会低得多，因为少数高频住院患者贡献了大量记录。任何"以患者为单位"的统计都必须先做患者级聚合，否则会被高频患者主导。

1.5.3 场景构成：ICU 只是冰山一角

最容易被误读的一个数字是 ICU 记录仅占 18.4%（80,598 条）。很多人看到"ECG-血糖"会下意识以为这是 ICU 数据集——错了。81.6% 的记录来自非 ICU 场景（急诊、普通病房、门诊抽血）。这个比例有两个深远影响：

1. 药理标注严重不对称：给药记录只来自 ICU，所以非 ICU 记录的干预状态实为"未知"（§4.2）；
2. 上下文字段缺失不对称：race/insurance/admission_type/hospital_expire_flag 对 53.5% 未关联住院的记录缺失（§7.5）。

简言之，这个数据集的主体不是危重症，而是"住院期间做过心电图又测过血糖的人"——覆盖范围比 ICU 广泛得多，但这也正是它质量标注必须分维度、不能一刀切的原因。

1.5.4 年龄与性别：去标识与真实分布的双重滤镜

• 年龄均值 62.2 岁（SD 17.4）——偏老年，符合住院人群特征；但这是 anchor age，且 >89 岁一律记 91，所以 90+ 高龄群体的真实年龄被抹平（去标识的必然代价）。
• 男性占比：患者级 48.4%，记录级 51.9%——男性患者的平均记录数高于女性（因为记录级占比更高）。做性别分层分析时，两个口径给出不同的性别构成，需明示用的是哪个。

1.5.5 血糖分布：被裁剪的正态状与它的尾巴

均值 135.4、中位 116 mg/dL——均值高于中位，说明分布右偏（高血糖的拖尾）。这个偏态在分类里很直观：正常占八成三，而两个高血糖档（HYPER 9.0% + SEVERE_HYPER 5.6% = 14.6%）远多于两个低血糖档（1.2% + 0.4% = 1.6%）。高血糖是低血糖的约 9 倍。这个 9:1 的不对称，直接决定了"低血糖检测"任务才是本数据集最需要重采样/代价敏感学习的任务。

§1.6 与本库其他"跨模态"条目的范式对照

本库"多模态"标签下的条目形态各异，本条目属于其中较罕见的**"信号×生化"跨模态对齐**：

范式	库内示例	对齐维度	本条目是否同类
影像×文本	各类报告生成/视觉问答条目	语义对齐	否
影像×影像（多序列）	多模态影像条目	空间对齐	否
信号×生理事件	ECG 分类、睡眠分期	时间对齐	部分（共享"时间对齐"）
信号×生化检验	本条目	时间对齐（±240 分钟）	是（库内罕见）
影像×信号	少量心超×ECG	时间对齐	部分

本条目在范式上的稀缺性：把"连续/准连续的生理信号"与"离散的实验室化验值"配对，要求解决两个时标之间的稀疏、异步、双向偏移问题——这比影像-文本对齐多了一层"时间不确定性"的建模需求（±240 分钟窗口、中位偏移 55 分钟）。这是它作为"跨模态对齐样本"在方法论上的独特价值。

§2.6 列字典精读：101 列的字段语义逐组拆解

2.6.1 标识符组（5 列）——主键与连接键

字段	语义	用途
subject_id	患者唯一标识	患者级聚合、split 依据
hadm_id	住院标识（可为空）	关联住院上下文；53.5% 记录为空
stay_id	ICU stay 标识（非 ICU 记录为空）	界定 ICU 分区
labevent_id	血糖化验事件标识	回查 MIMIC-IV labevents 取 assay 类型
ecg_study_id	ECG 研究标识	回 MIMIC-IV-ECG 取波形

主键语义：(labevent_id, ecg_study_id) 的组合唯一标识一条配对。注意 labevent_id 直接指向血糖来源——这是区分 chemistry（50931）与 blood-gas（50809）的唯一钥匙，因为 CSV 本身不含 itemid 列。

2.6.2 血糖测量组（8 列）——标签侧

字段	语义
glucose_time	血糖采样时间（MIMIC 去标识时间）
glucose_mg_dl	血糖值（mg/dL，30-700 裁剪后）
glucose_label	血糖标签（文本）
glycemic_class	五分类（SEVERE_HYPO/HYPO/EUGLYCEMIC/HYPER/SEVERE_HYPER）← 目标派生，勿作输入
lab_flag	化验标志（← 目标派生）
ref_range_lower / ref_range_upper	参考范围上下限
lab_priority	化验优先级

关键提醒：glycemic_class 与 lab_flag 都在"目标泄漏清单"里（§7.2）——它们直接由 glucose_mg_dl 派生。

2.6.3 ECG 链接与对齐组（7 列）——对齐侧

字段	语义
ecg_time	ECG 采集时间
ecg_file_name	ECG 文件名
waveform_path	原始波形路径（→ MIMIC-IV-ECG 波形）
temporal_relationship	ECG_BEFORE / AFTER / SIMULTANEOUS
alignment_quality	TIGHT/MODERATE/LOOSE/EXTENDED
glucose_ecg_offset_minutes	带符号偏移（可正可负）
abs_offset_minutes	绝对偏移

这是"跨模态对齐"的心脏：7 列里 4 列直接描述时间关系。glucose_ecg_offset_minutes = glucose_time − ecg_time（§3.3），正负号携带因果方向信息。

2.6.4 ECG 测量、QTc 与 SQI 组（35 列）——特征侧

这是最大的一组（35 列），可再细分：

• SQI 相关：sqi_score（0-10）、sqi_category（GOOD/FAIR/POOR）、report_artifact_flag、10 项 sqi_* 二值检查；
• 心率与间期：heart_rate_bpm、hr_regime、rr_interval、qrs_duration_ms、qt_raw_ms、pr_interval_ms、jt_interval_ms；
• 心电轴：p_axis、qrs_axis、t_axis；
• 四式 QTc：qtc_bazett_ms、qtc_fridericia_ms、qtc_framingham_ms、qtc_hodges_ms、qtc_recommended_ms（=Fridericia）、qtc_formula_range_ms；
• 六项延长标志：基于性别无关 500 ms 阈值的延长判定。

建模建议：若做"从 ECG 机器测量估血糖"，这一组是输入特征（注意剔除占位码 29999/32767/65535，§7.5）；若做"四式 QTc 比较研究"，这一组是研究对象本身。

2.6.5 患者级统计与可用性组（13 列）——全部是目标派生，全部禁止作输入

字段	语义	是否目标派生
n_glucose_ecg_pairs	该患者配对数	计数（边界内）
patient_mean/std/min/max_glucose	患者级血糖统计	是（含未来信息）
glucose_cv_percent	变异系数	是
time_in/below/above_range_pct	范围内外时间占比	是
glucose_z_score	标准化分	是
glucose_minmax_norm	归一化值	是
record_usability	复合 tier	由质量维度派生
split	TRAIN/VALIDATION/TEST	划分标签

这一组是"陷阱密度最高"的一组：13 列里除 n_glucose_ecg_pairs、record_usability、split 外，其余 10 列几乎都是目标派生。做特征工程时，这一组应整组排除（除非明确知道用途是描述/分层）。

§2.7 数据质量自检清单（给数据工程师）

拿到 CSV 后，建议按此清单做一次自检：

1. 行数核对：应恰好 437,671 行（不含表头）；
2. 占位码扫描：对 ECG 测量列检查 |值|≥10000 的计数，预期约 70,272 条记录受影响；
3. RR=0 异常：检查 hr_regime 与 heart_rate_bpm 的冲突，预期 67 条；
4. split 泄漏：按 subject_id 分组确认无跨分区；
5. NULL 语义：确认 glucose_rate_mg_dl_per_hr 的 NULL 被当缺失而非 0；
6. 双 assay 去重决策：处理 1,023 条同患者同时间戳记录（是否保留双测）；
7. tier 过滤：按你的任务选 tier，注意 EXCLUDE 的去重计数（§10 坑 4）；
8. 目标泄漏列剔除：从特征集中移除 §7.2 清单全部列。

§2.8 数据来源地理与方法学背景

2.8.1 Beth Israel Deaconess Medical Center：单中心的含义

全部数据来自 BIDMC（波士顿）——哈佛医学院的教学医院之一，MIMIC 系列的原始单中心。这对使用者意味着：

1. 人群单一：美国东北部城市教学医院患者群体，种族/保险/共病谱有特定结构；
2. 实践单一：2008-2019 年间的血糖管理、ECG 采集流程、化验 assay 选择都是 BIDMC 的实践；
3. 无外部验证集：本数据集不含跨中心验证数据——任何声称"通用"的模型都需自行找外部数据验证。

这与库内 MIMIC-IV 家族其他条目共享同一根本约束（单中心），但本数据集因为涉及具体的化验-信号配对工艺，其单中心偏差还叠加了"该院化验与 ECG 排程耦合方式"的特异性。

2.8.2 12 导联诊断 ECG 与监护 ECG 的区别

必须澄清一个常见混淆：本数据集的 ECG 侧来自 MIMIC-IV-ECG（诊断 ECG），即标准的 10 秒、12 导联短期记录，不是 ICU 床旁的连续监护 ECG。

维度	诊断 ECG（本数据集）	监护 ECG（mimic-iv-waveform）
时长	10 秒	连续数小时-数天
导联	12 导联（标准放置）	通常 3-5 导联
采样	高保真、标准化	监护级、噪声大
用途	诊断、间期测量	实时监护、心律报警
本数据集	✓ 使用	✗ 未使用

为什么这对血糖估计重要：诊断 ECG 有标准的机器间期测量（QT/QRS/PR）——这些正是"血糖影响心脏电生理"可测量的载体；而监护 ECG 的测量质量参差，不适合直接做间期分析。想用连续波形做血糖估计的研究者需要另开 MIMIC-IV-Waveform（rid 65），那不在本数据集覆盖范围内。

2.8.3 血糖 assay 的技术差异：血清 vs 血气

两条血糖来源 assay 在临床上有实际差异：

• itemid 50931（Chemistry, 血清/血浆）：中心实验室测定，精度高、周转慢（分钟到小时级）；
• itemid 50809（Blood Gas, 全血）：血气分析仪测定，周转快（床旁或近床旁），常用于急重症。

两者可能对同一次采血给出略有差异的结果（基质不同），这正是 1,023 条"同患者同时间戳"记录的来源。做严格分析时，应考虑 assay 类型作为潜在混杂——但本 CSV 未含 itemid，必须回查。这是本数据集一个已知的、需要用户自行补全的元数据缺口（§10 坑相关）。

§2.9 覆盖范围与代表性问题

2.9.1 谁能进这个数据集？

纳入条件是"既有实验室血糖、又有 ±240 分钟内 ECG"的患者。这个双条件本身构成选择偏差：

• 有血糖的人：通常是病情需要监测血糖的（糖尿病、危重症、术前评估等）——不是所有住院患者的随机样本；
• 有 ECG 的人：通常是因胸痛、心律失常、术前、常规筛查等做了心电图的——同样非随机；
• 两者都要、且时间接近：进一步收窄到"在测血糖前后 4 小时内恰好做了心电图"的人。

结论：本数据集的 131,771 位患者不代表 BIDMC 全部住院人群，更不代表普通人群——他们是"临床流程恰好把血糖化验与 ECG 排在相近时间"的选择性子集。做流行病学推断时必须声明这一选择性。

2.9.2 时间覆盖：2008-2019 的实践变迁

12 年的记录期横跨了几个影响血糖管理的里程碑：

• 2009 NICE-SUGAR 试验（页内引用[1]）发表后，危重症"严格血糖控制"的激进策略受到反思，目标区间放宽；
• **CGM（连续血糖监测）**技术逐步普及（页内引用[3]），但本数据集记录期内医院的实验室血糖仍是间歇采样为主。

这意味着2008 年与 2019 年的血糖分布、给药习惯可能系统不同。若数据集中隐含时间趋势（MIMIC 的去标识保留了相对时间关系但偏移了绝对日期），跨期训练-测试会引入分布漂移。

§3.7 派生方法的可复现性深度剖析

3.7.1 SQL 流水线的三个可调旋钮

页内明确指出 SQL 可修改的四类参数，构成本数据集的"可复现性旋钮"：

1. 对齐窗口：±240 分钟可改（影响配对数与对齐档分布）；
2. 药代动力学窗口：速效 120 / 基础 240 / 葡萄糖 60 分钟可改（影响 intervention_status 分布）；页内已给出 90/150 分钟敏感性（0.77%/0.79%）；
3. 质量阈值：SQI 分档边界、占位码处理阈值可改；
4. 协变量：可加入其他 MIMIC-IV 协变量。

这四类旋钮的开放，是本数据集"方法论贡献"的核心：它不只是一个静态数据集，而是一个可调的加工配方。其他研究者可以基于同一配方做出"窗口更紧/更松"的变体，做稳健性对比。

3.7.2 从源表到成品的字段映射

输出列组	源表	关键变换
血糖测量	hosp.labevents	itemid 过滤 + 值域裁剪 + 五分类
人口学	hosp.patients / admissions	join + anchor age
ICU 上下文	icu.icustays	时间落入判定
药理干预	icu.inputevents	窗口匹配 + status 分级
ECG 测量	physionet-data.mimiciv_ecg	join by ecg_study_id
ECG 链接	MIMIC-IV-ECG 元数据	±240 分钟最近者胜
患者级统计	聚合	全记录聚合（含未来）

注意最后一行：患者级统计用全部记录聚合，这正是它含未来信息的机制（§7.2）。

3.7.3 时间对齐的算法复杂度视角

朴素实现是"每条血糖遍历该患者所有 ECG"——对贡献记录多的患者是 O(n_glucose × n_ecg)。SQL 实现依赖连接与窗口函数取最小偏移。对使用者的实际意义：如果你想复现或修改，需注意 MIMIC-IV-ECG 的表规模（约 80 万 ECG），全量连接的 BigQuery 成本不低。页内提供 SQL 正是为了让复现者不必从零写这个连接。

§4 三维质量标注：从原始配对到可用样本

4.1 为什么要标注质量

原始配对表有一个致命的朴素问题：把"血糖值"和"最近的 ECG"硬配在一起，不等于它们真的反映了同一时刻的生理状态。三个混杂源必须处理：

1. 药理混杂：胰岛素/葡萄糖给药后，血糖变化不再单纯反映自主调控——ECG-血糖的生理关系被"解耦"（decoupling）；
2. 信号质量：一张满是伪迹、导联脱落、无法判读的 ECG，其机器测量值不可信；
3. 时间错位：间隔 4 小时的配对，血糖可能已翻天覆地。

三维标注就是对每条记录回答"你在多大程度上可信"。这不是可选的装饰——数据集的核心卖点之一正是它把质量显式化、可过滤化。

4.2 维度一：药理干预标注

intervention_status	判定条件	记录数	占比
EXCLUDE	胰岛素与葡萄糖双双活跃	21,290	4.9%
FLAG_HIGH_RISK	速效胰岛素活跃且无葡萄糖	4,725	1.1%
FLAG_MODERATE_RISK	仅基础胰岛素活跃，或仅葡萄糖活跃	26,112	6.0%
CLEAN	其余（窗口内无给药记录）	385,544	88.1%

decoupling_risk_score = 2×速效胰岛素 + 1×葡萄糖 + 1×双干预，观测值为 0、1、2、4——一个把混杂强度数值化的复合风险分。

这里藏着本数据集最大的语义陷阱（§10 坑 3）：给药记录只来自 ICU（icu.inputevents）。对 81.6% 的非 ICU 记录来说，CLEAN 并不代表"没有用药"，只代表"没有被标注"。皮下注射的胰岛素、口服降糖药、肠内/肠外营养统统没被记录。页内原文明说：“CLEAN records outside an ICU stay should be treated as unannotated.”（非 ICU 的 CLEAN 记录应视为未标注。）另有 1,295 条非 ICU 记录因落在相邻 ICU stay 的给药窗口内而被 flag。

敏感性分析：把速效胰岛素窗口从 120 分钟改为 90 或 150 分钟，分别重分类 0.77% 与 0.79% 的记录——窗口选择的稳健性尚可。

4.3 维度二：ECG 信号质量指数（SQI）

SQI 由 10 项二值检查构成，全部基于 ECG 的机器测量值：

#	检查	合理范围
1	RR 间期	300-2000 ms
2	QRS 时限	60-200 ms
3	QT 间期	200-600 ms
4	PR 间期	120-300 ms
5	JT 间期	150-400 ms
6	P 波起始早于 QRS 起始	时序检查
7	T 波结束晚于 QRS 结束	时序检查
8	P 轴	−90° ~ +90°
9	QRS 轴	−180° ~ +180°（有效值检查）
10	T 轴	−180° ~ +180°（有效值检查）

此外 report_artifact_flag 在机器报告字段（report_0~report_17）含 artefact / noise / poor quality / lead off / cannot interpret / uninterpretable / baseline wander 任一时置位。

SQI = max(0, 十项检查之和 − 3 × 伪迹标志)，范围 0-10。分档：

sqi_category	范围	记录数	占比
GOOD	≥8	372,024	85.0%
FAIR	5-7	64,675	14.8%
POOR	≤4	972	0.2%

关键诚实声明（页内）：所有 ECG 特征都是多厂商 ECG 车的机器派生测量，没有任何波形级质量评估；SQI 阈值是启发式的、未经专家标注验证；QRS 与 T 轴检查只验证数值是否有效，不判断其临床合理性。换言之，SQI 是"机器测量看起来合不合理"的代理指标，不是"这张心电图临床质量好不好"的金标准。

4.4 维度三：时间对齐

四档对齐（TIGHT/MODERATE/LOOSE/EXTENDED）与三值方向（ECG_BEFORE/AFTER/SIMULTANEOUS）已在 §2.5 给出。这一维度直接决定建模可行性：越紧的窗口，ECG 与血糖越接近"同一生理时刻"。

4.5 QTc 计算：四式并列 + 推荐值

ECG 侧的 QTc 用了四种经典校正公式，全部从 qt_raw_ms（t_end − qrs_onset）与 RR 间期算出：

• Bazett（qtc_bazett_ms）；
• Fridericia（qtc_fridericia_ms）；
• Framingham（qtc_framingham_ms）；
• Hodges（qtc_hodges_ms）；
• qtc_recommended_ms = Fridericia 值（推荐口径）；
• qtc_formula_range_ms = 四式最大值 − 最小值（公式间分歧的度量）。

延长标志用性别无关的 500 ms 阈值。特殊处理：心率 <50 bpm 且公式间 range >200 ms 的记录被判为 RR 测量不合理，直接置 EXCLUDE（n=492）——因为心动过缓时 QTc 公式的误差会被放大。

4.6 类别不平衡与去标识约束

血糖类别高度不平衡：低血糖（<70 mg/dL）仅占 1.6%（HYPO + SEVERE_HYPO），而正常占 83.8%。对"检测低血糖"这类任务，正样本极稀缺。加之值域被裁剪（30-700），本数据集的血糖分布不反映真实临床分布，只反映"能被配对且值在合理范围"的样本分布。

去标识约束还有两条硬伤：年龄 >89 一律显示为 91；记录期为 2008-2019，这 12 年间血糖管理实践已显著变化（如 NICE-SUGAR 试验后对严格血糖控制的反思），跨期泛化需谨慎。

§5 复合可用性 tier：四档过滤链

三维标注最终合并为一个复合等级 record_usability，按特定顺序应用判据：

tier	判据	记录数	占比
EXCLUDE	intervention_status=EXCLUDE 或 SQI=POOR 或 心动过缓 QTc 判据	22,167	5.1%
CAUTION	FLAG_HIGH_RISK / FAIR SQI / 混杂 delta / gap 越界	295,034	67.4%
IDEAL	ECG_BEFORE_GLUCOSE + TIGHT/MODERATE + CLEAN + GOOD + 有效前值	4,364	1.0%
USABLE	其余	116,106	26.5%

EXCLUDE 的 22,167（5.1%）如何拆解（页内原文）：按 intervention_status EXCLUDE / SQI POOR / 心动过缓 顺序应用，三项有重叠，去重前后分别贡献 21,290 + 870 + 7——原始三数直接相加会重复计数，这是检索者最容易犯的加法错误（§10 坑 4）。

这张表要读出三层含义：

1. IDEAL 只有 1.0%——最"干净"的子集极为稀缺。想做严格的"从 ECG 估血糖"研究，4,364 条是你能拿到的金标准规模，这提醒你：单靠本数据集撑起大规模训练，主要靠 USABLE/CAUTION 档，IDEAL 只适合评测或精调。
2. CAUTION 占三分之二——绝大多数记录是"有保留可用"的，降级原因各异（FAIR SQI、混杂 delta、gap 越界等），用之前必须按你的任务挑维度。
3. EXCLUDE 仅 5.1%——绝大部分记录不是"不能用"，而是"需要知情"。这是数据集"把选择权交给用户"的设计哲学。

§6 获取与许可：认证访问的门怎么进

6.1 访问门槛

项	内容
访问政策	Credentialed Access（认证访问）：“Only credentialed users who sign the DUA can access the files.”
License	PhysioNet Credentialed Health Data License 1.5.0
DUA	PhysioNet Credentialed Health Data Use Agreement 1.5.0
强制培训	CITI “Data or Specimens Only Research”
与上游关系	页面明确"released under the same credentialed access terms as MIMIC-IV"（与 MIMIC-IV 同口径）
区域限制	页面标注 “Data Not Available — Data is not available in your region due to legal or policy restrictions.”

6.2 三重门：培训 → DUA → 认证

进入本数据集的路径与 MIMIC-IV 完全一致，是一条受控的信任链：

1. 完成 CITI 培训：通过 CITI 项目取得 “Data or Specimens Only Research” 证书；
2. 签署 DUA：在 PhysioNet 上完成认证并签署 Credentialed Health Data Use Agreement 1.5.0；
3. 下载：认证通过后方可访问文件。

这意味着你无法像拿公开数据集那样 load_dataset 一秒钟搞定，也不能在未经授权的前提下二次分发。对工程项目而言，要把"申请—审批"当作不确定周期处理。

6.3 区域限制（重要存照）

PhysioNet 页在抓取时点（2026-10-09）显示 “Data is not available in your region due to legal or policy restrictions.”。这说明访问还受地区法律/政策约束——具体受限地域范围页面未明示。若你的部署环境跨区域，务必先确认所在地区的可用性，不要假设"已经认证=一定能下"。

6.4 AI-Ready 评估

以库内 AI-Ready 检查单过一遍本条目：

• 机器可读元数据：PhysioNet 页提供完整 Abstract/Methods/Data Description/Usage Notes，data_dictionary.csv 逐列定义——良好。
• 公开直链：认证墙——AI-Ready 最大失分项。数据不能直接进入自动化管线，需要人工审批环节。
• 许可明确性：License 1.5.0 + DUA 1.5.0 双明确，且与 MIMIC-IV 同口径（对已在 MIMIC 生态授权内的研究者是"零新增成本"）。
• 可复现性：SQL 流水线随数据发布是本条目的亮点——理论上可复现整条加工链（前提是能访问上游）。
• 文档自洽：页内数据高度自洽，未见数字漂移（与 PANDA-PLUS 型条目不同）；主要"文档缺口"是没有同行评审论文。

综合：AI-Ready 等级"中"——元数据与可复现管线质量高，被认证访问与区域限制拖低。它的特殊性在于与 MIMIC-IV 同口径：对已在 MIMIC 授权内的团队，获取成本几乎为零；对生态外的新用户，则是完整的三重门。

6.5 与库内可获取性光谱的对照

档位	库内参照	本条目对应
注册墙（最严）	LMC2（rid 531）	—
请求制	PANDA-PLUS 掩码本体	—
认证访问	MIMIC 家族（rid 4/172/65/618 等）	本条目
平台托管	Zenodo 型	—
公开直链	HF/Zenodo 直链型	—

特色在于认证访问档内的一致性：本条目与它的上游 MIMIC-IV、MIMIC-IV-ECG、MIMIC-IV-Ext-PE 同处一档、同一 DUA、同一培训要求。对检索者的实际含义："能不能下"的判断在这条链上是一致的——如果你已经能下 MIMIC-IV，你就能下本数据集（区域限制除外）。

§4.7 药理混杂：为什么它值得专门标注

4.7.1 "解耦"的生理学

本数据集反复强调的概念是 decoupling（解耦）：正常情况下，血糖变化反映"进食-胰岛素-胰高血糖素"的自主调控网络，而这个网络与心脏电生理（QT、自律神经张力）有关联。但外源性胰岛素或静脉葡萄糖一旦介入，血糖变化就变成了"药物驱动"而非"生理驱动"——此时 ECG 与血糖的统计相关不再反映身体自身的耦合机制。

对"从 ECG 估血糖"而言，这是致命的：如果训练集里大量样本是"输了葡萄糖所以血糖高"，模型可能学到的是"葡萄糖输注相关的 ECG 模式"而非"高血糖本身的 ECG 特征"——学到的是流程伪迹，不是生理信号。

4.7.2 三维分级如何服务于建模目标

intervention_status 的四级不是"好坏"排序，而是知情分层：

status	对建模的含义
CLEAN	窗口内无 ICU 给药记录（非 ICU 时=未标注）
FLAG_MODERATE_RISK	有慢性剂量（基础胰岛素或葡萄糖）——可能已稳态
FLAG_HIGH_RISK	速效胰岛素活跃——急性、强解耦
EXCLUDE	胰岛素+葡萄糖双活跃——最混乱，直接剔除

decoupling_risk_score 把这一分层数值化（0/1/2/4），让研究者可以按风险分连续过滤或加权。

4.7.3 药代窗口的局限（页内自曝）

页内坦承三个局限：

1. 窗口是人群级固定值，忽略剂量、给药途径、个体药代——同是 120 分钟，对肾功能不同的人意义不同；
2. 基础胰岛素窗口不足：甘精胰岛素（glargine）和 NPH 的作用曲线可长达 12-24 小时，240 分钟窗口抓不全；
3. 非 ICU 盲区：皮下胰岛素、口服降糖药、肠内/肠外营养完全没记录——这是最大的语义缺口。

复用者的对策：把 intervention_status 当"ICU 内给药暴露"的可靠指标，而在非 ICU 记录中把它当"数据缺失"处理。若你的研究必须控制全部降糖治疗，本数据集不足以支撑——需回 MIMIC-IV 的 prescriptions/emar 表另行补全。

§5.6 复合 tier 的成因分解：四档从何而来

5.6.1 降级路径图

把每条记录想象成穿过一串"质检闸门"：

全部记录 437,671
  │
  ├─ intervention_status=EXCLUDE? ────────→ EXCLUDE (含于 22,167)
  ├─ SQI=POOR? ───────────────────────────→ EXCLUDE (含于 22,167)
  ├─ 心动过缓 QTc 判据? ───────────────────→ EXCLUDE (含于 22,167)
  │      [去重后 EXCLUDE = 22,167]
  │
  剩余 415,504
  │
  ├─ FLAG_HIGH_RISK / FAIR SQI / 混杂 delta / gap 越界? → CAUTION 295,034
  │
  剩余 120,470
  │
  ├─ ECG_BEFORE + TIGHT/MODERATE + CLEAN + GOOD + 有效前值? → IDEAL 4,364
  │
  其余 → USABLE 116,106

读法：EXCLUDE 与 CAUTION 是"减法"（剔除/降级），IDEAL 是"交集"（同时满足五个条件），USABLE 是"兜底"。

5.6.2 IDEAL 为何如此稀少（1.0%）

IDEAL 要求五个条件同时成立：

1. temporal_relationship = ECG_BEFORE_GLUCOSE（约 54.5% 满足）；
2. alignment_quality ∈ {TIGHT, MODERATE}（约 51% 满足）；
3. intervention_status = CLEAN（约 88% 满足，但非 ICU 的 CLEAN 是"未标注"）；
4. sqi_category = GOOD（约 85% 满足）；
5. 有有效的前值（即不是该分区首条血糖）。

即使各条件近乎独立，1.0% 的联合比例也说明条件间存在正相关收紧（例如 ICU 记录 SQI 可能更高但干预更活跃、非 ICU 记录干预少但前值跨度大）。这个高度选择性的"金标准"子集，正是它只适合做评测/精调的定量原因。

5.6.3 CAUTION 的成因多样性

CAUTION 占 67.4%（295,034 条），是最大的一档，成因包括：FLAG_HIGH_RISK、FAIR SQI、delta 混杂、gap 越界等。多样性是它的麻烦：同为 CAUTION，一条可能是"信号质量 FAIR 但时间很紧"，另一条可能是"信号很好但间隔 5 小时"——降级原因不同，对下游任务的影响天差地别。用 CAUTION 子集时，不能整体接受或整体拒绝，必须按降级维度分类处理。

§5.7 tier 与建模目标的匹配矩阵

建模目标	推荐 tier	关键理由
严格 ECG→血糖回归	IDEAL	五条件保证最小混杂，但样本仅 4,364
大规模 ECG→血糖回归	IDEAL + USABLE（+ 按需 CAUTION）	扩样本，须记录 tier 分布
低血糖检测	IDEAL/USABLE + 重采样	正样本 1.6%，必须处理不平衡
血糖-复极关联	USABLE（含 CAUTION 的 FAIR SQI 慎用）	关注 T 轴/QTc，信号质量至关重要
数据质量感知训练	全档（tier 即标签）	把 tier 作为质量信号本身
药理暴露关联（ICU）	during_icu_stay=TRUE 且 CLEAN vs FLAG_*	需 ICU 给药记录支撑
ECG 基础模型 probe	IDEAL（评测）+ 全档（预训练）	评测要干净，预训练要大

一句话原则：越靠近"精确估计血糖"，越要往 IDEAL 走；越靠近"评估模型鲁棒性或做基础模型预训练"，越应保留质量分层的全谱。

§7 用法与建模指南：目标泄漏的硬规矩

7.1 官方推荐的保守子集

PhysioNet 页给出的推荐用法逐条如下（原文转述）：

• 使用提供的 split 列——患者级划分，无患者跨分区；
• 移除 EXCLUDE 记录；
• 保守子集（ECG 估血糖建模）：record_usability IN ('IDEAL','USABLE') AND temporal_relationship='ECG_BEFORE_GLUCOSE' AND intervention_status='CLEAN'；
• 需要药理标注时加 during_icu_stay=TRUE；
• 把 glucose_rate_mg_dl_per_hr 的 NULL 当作缺失，而非 0。

注意子集条件里 temporal_relationship='ECG_BEFORE_GLUCOSE' 的意义：它要求 ECG 早于血糖——这符合"用心电图预测未来血糖"的因果方向，避免用"事后"的 ECG 去"预测"已经测到的血糖。

7.2 目标泄漏：不能用作输入的列清单

这是本数据集最重要的使用规矩，页内用整段专门警告：

由目标（血糖值）派生的列——glycemic_class、lab_flag、glucose_delta_mg_dl、glucose_rate_mg_dl_per_hr、glucose_trajectory、glucose_z_score、glucose_minmax_norm，以及患者级统计（patient_mean_glucose、patient_std_glucose、patient_min_glucose、patient_max_glucose、glucose_cv_percent、time_in_range_pct、time_below_range_pct、time_above_range_pct）——全部由预测目标计算而来，含当前与未来记录信息，禁止作为血糖预测模型的输入。

患者级统计使用患者全部记录（包括当前和未来记录）——这意味着哪怕你只做描述性统计，也要意识到"patient_mean_glucose"这类字段隐含了未来信息。它们只能用于描述、分层，或从严格更早的记录重算历史特征。

7.3 三种典型任务设计

任务	输入	标签	建议子集
血糖值回归	ECG 机器测量（HR/QRS/QT/间期/轴）	glucose_mg_dl	IDEAL/USABLE + CLEAN
血糖分类	同上	glycemic_class（尤重低血糖检出）	注意 1.6% 正样本的不平衡
原始波形建模	waveform_path 指向的原始 MIMIC-IV-ECG 波形	glucose_mg_dl	需另有波形访问权限

第三种任务最有野心：waveform_path 列让你绕过机器测量、直接用原始 12 导联波形训练深度模型——这是"端到端 ECG 估血糖"的入口，但也意味着你要能访问 MIMIC-IV-ECG 的波形文件。

7.4 复用方向清单（页内列举）

• 从 ECG 派生特征（或原始波形）估计血糖值或血糖分类；
• 血糖状态与心脏复极的关联研究（QT/QTc、T 波轴）——利用四式 QTc 与 T 轴字段；
• 跨心率区间的 QTc 校正公式比较——四式并列 + hr_regime 恰好支持这一研究；
• ICU 内胰岛素与静脉葡萄糖暴露与 ECG 测量的关联研究；
• 数据质量感知训练策略评估（分层过滤 / 加权）——SQI 与 tier 就是现成的质量信号；
• 作为 ECG 基础模型的带标签下游任务（foundation model 的 probe 任务）。

7.5 建模时必须知情的技术陷阱

1. 占位码污染：机器测量字段含 MIMIC-IV-ECG 的"未测量"占位码 29999 / 32767 / 65535（而非空白），由此派生的间期也无效（例如 pr_interval_ms = −29799）。70,272 条记录含至少一个此类值，集中在 p_axis 与 pr_interval_ms；其中 1,524 条仍是 IDEAL/USABLE。建议把 |值| ≥ 10000 一律当缺失处理。
2. RR=0 的 67 条异常：心率与 QTc 为 NULL，但 hr_regime 却标为 TACHYCARDIA——字段间不自洽，用 hr_regime 时需过滤。
3. 缺失住院数据：race、insurance、admission_type、hospital_expire_flag 对 53.5% 未关联住院的记录（如 ED 就诊、门诊抽血）缺失——把这些当特征会引入结构性的缺失模式。
4. 肝素/NULL 语义：glucose_rate_mg_dl_per_hr 的 NULL 表示"间隔不在 15 分钟-6 小时"（不可算），不是"变化率为 0"。
5. 非 ICU 前值的时间跨度：非 ICU 记录的 lag 值可能来自数年前的另一次就诊，且 lag_glucose_mg_dl/glucose_delta_mg_dl 在间隔超过 6 小时时仍然有值——做时序特征时须自己按 gap 过滤。

§8 生态与谱系：MIMIC 衍生数据集家族中的位置

8.1 上游二元关系：它是"二次加工品"

MIMIC-IV-Ext-ECG-Glucose 的定位可以用一句话概括：它是 MIMIC 生态里的"跨模态配方产品"。上游两个数据集各自独立、各有专长，本数据集的价值就在于把它们在时间维度上缝起来：

上游	提供什么	本数据集如何消费
MIMIC-IV v3.1（rid 4）	血糖 labevents、人口学、住院/ICU 上下文、ICU 给药记录	提供标签侧（glucose）与全部临床上下文
MIMIC-IV-ECG v1.0（rid 172）	12 导联诊断 ECG 波形 + 机器测量	提供特征侧（ECG）与全部 ECG 测量列

8.2 与库内 MIMIC 家族的逐一辨析

库内 MIMIC 相关条目已达 29 条（status=1），极易混淆。本条目与它们的分野：

库内条目（rid）	主题	与本条目的区别
mimic-iv-clinical-database（4）	MIMIC-IV 临床库本体	上游，无 ECG，无跨模态配对
mimic-iv-ecg（172）	MIMIC-IV-ECG 诊断 ECG 库	上游，有 ECG 但无血糖/代谢配对
mimic-iv-waveform（65）	MIMIC-IV 波形库	ICU 波形，非诊断 12 导联、无血糖配对
mimic-iv-ed（116/567）	ED 数据集	ER 遭遇主题，无 ECG×生化配对
mimic-iv-note（47）	临床文本笔记	文本模态，与信号/化验无关
mimic-iv-ext-pe（618）	MIMIC-IV-Ext-PE（肺栓塞）	同为"Ext"衍生，但主题是 PE 诊断，非跨模态配对
mimic-cxr（16）/ mimic-cxr-jpg（617）	胸片影像	影像模态，非信号
mimic3wdb(586)/mimic4wdb(588)/mimic3wdb-matched(587)	波形数据库	连续波形，非配对任务
mimic-br（156）	巴西分中心 MIMIC	多中心扩展，非同任务
mimic-iii-ext-ppg（928）	MIMIC-III Ext PPG	同为"信号×生理"衍生，但信号是 PPG、上游是 MIMIC-III
mimic-ext-cxr-qba(926)/mimic-cxr-ext-ils(616)	胸片衍生	影像模态，非跨模态配对

核心区别一句话：在库内全部 MIMIC 衍生条目里，本条目是唯一把"生理信号（12 导联 ECG）"与"实验室生化指标（血糖）"按时间对齐配成监督学习对的数据集，属"多模态"标签下的**跨模态对齐（cross-modal alignment）**样本。其他条目要么单模态、要么是影像-文本、要么是 PE/文本等非配对任务。

8.3 与库内 ECG 家族的对照

库内 ECG 条目（rid）	角色	与本条目差异
ptb-xl（70）	经典公开 12 导联 ECG（带诊断标签）	无配对化验值
mit-bih-arrhythmia（69）	心律失常 ECG 信号库	2 导联、无生化配对
ecg-image-database（959）	ECG 图像数据库	图像模态
leipzig-heart-center-ecg（910）	莱比锡心脏中心 ECG	无血糖配对
ludb（793）	长期 ECG 数据库	长程、非诊断 12 导联
openecg（802）	开放 ECG 项目	无配对生化
apnea-ecg（658）	呼吸暂停 ECG	睡眠主题、无血糖配对

定位：本条目在库内 ECG 家族中独树一帜地把 ECG 用作"血糖的非侵入式代理"，而不是做心律失常/诊断分类。这使它与所有其他 ECG 条目在任务定位上正交。

8.4 在非侵入式血糖估计文献中的位置

页内的参考文献勾勒了这一领域的学术脉络：Klonoff（2005）提出连续血糖监测（CGM）路线图；Heller（2002）指出低血糖时的心电图异常与"床上死亡综合征"（dead in bed syndrome）的关联；Chiu 等（2023, Biosensors）用个性化机器学习从动态 ECG 筛查血糖异常（dysglycemia）——这是本数据集最直接的方法学先声。本数据集正是为了给这类研究补上"大规模、时间对齐、带药理标注"的训练底座。

§9 存照与待核

9.1 双口径/多处数字存照

1. 命名口径：官方英文全称固定为 “MIMIC-IV-Ext-ECG-Glucose: Temporally Aligned 12-Lead ECG and Laboratory Blood Glucose Pairs with Quality and Pharmacological Annotations”；检索缩写用 “MIMIC-IV-Ext-ECG-Glucose”。
2. “唯一 ECG 研究数” vs “记录数”：376,648 vs 437,671——非 1:1。单张 ECG 最多服务 12 条血糖（22.0% 记录共享其 ECG）。切勿把两者当同一计数引用。
3. 血糖来源双 assay：chemistry itemid 50931 与 blood-gas itemid 50809 均标 “Glucose”，文件无 itemid 列——需 assay 类型者须经 labevent_id 回 MIMIC-IV labevents 反查。1,023 条记录为同患者同血糖时间戳（多为双 assay 各测一次）。
4. EXCLUDE 计数内部叠加：干预 21,290 + SQI POOR 870 + 心动过缓 7 = 22,167（5.1%），三判据有重叠，勿直接相加原始巨数。
5. 1,295 条非 ICU 记录因邻近 ICU 给药窗口被 flag——再次印证 CLEAN 在非 ICU 中的"未标注"语义。
6. 占位码：29999/32767/65535 为 MIMIC-IV-ECG 未测量码；70,272 条含至少一个，其中 1,524 条仍为 IDEAL/USABLE；67 条 RR=0 者心率与 QTc 为 NULL 却标 TACHYCARDIA。
7. 缺失住院数据：race/insurance/admission_type/hospital_expire_flag 对 53.5% 未关联住院的记录缺失。

9.2 遗留疑点

• 无配套同行评审论文——本条目以 PhysioNet 项目页为唯一一手来源，无独立基准分数可对标；若后续出现配套论文，数字可能更新。
• 通讯作者联系信息需登录 PhysioNet 方可查看（页面明示 “You must be logged in to view the contact information”）。
• 区域限制的具体地域范围未在页内明示——仅政策提示，实际可用性需按地区自行核实。
• 两位作者同属 Tezpur University 计算机科学与工程系（Azam 属 “Computer Science and Engineering”、Singh 属 “Computer Science & Engineering”，为同一系不同写法），页内未注明二者关系（如师生）。
• 项目视图数 15（Current Version 15 / All Versions 15，抓取时点 2026-10-09）为浏览指标，非引用计数；数据集尚无他引数据。
• **上游 MIMIC-IV-ECG 的"约 80 万条 / 近 16 万患者"**为页内转述的约数，精确数需查 MIMIC-IV-ECG 条目（rid 172）。

9.3 版本链

MIMIC-IV v3.1 + MIMIC-IV-ECG v1.0 → MIMIC-IV-Ext-ECG-Glucose v1.0.0（2026-10-06，唯一版本，Initial release）。DOI v1.0.0 = 10.13026/nts2-vj76，latest = 10.13026/rxgc-at27（当前同一版本）。

§10 避坑清单：八个已踩过的坑

坑 1：“Ext” 不能省。官方名是 MIMIC-IV-Ext-ECG-Glucose（含 “Ext” 表示 Extend/派生）。检索时若漏掉 “Ext” 或误写成 “MIMIC-IV-ECG-Glucose”，会与上游 MIMIC-IV-ECG（rid 172）混淆；用 DOI 10.13026/nts2-vj76 锚定最稳妥。

坑 2：这是认证访问，不是公开直链，且有区域限制。它属于 Credentialed Access，需签 DUA 1.5.0 + CITI 培训；页面还标注了"你所在区域不可用"的政策限制。不要把它写进"一键下载"清单。

坑 3：非 ICU 的 CLEAN ≠ 没用药。给药标注只来自 icu.inputevents；对 81.6% 的非 ICU 记录，CLEAN 只表示"未标注"。想用"无药理混杂"子集时，必须叠加 during_icu_stay=TRUE，否则会把大量实际上可能用过药（皮下胰岛素/口服药）的样本当成干净样本。

坑 4：EXCLUDE 的 22,167 是三判据去重后的数。干预 EXCLUDE（21,290）、SQI POOR（870）、心动过缓（7）有重叠，直接相加会重复计数。引用占比 5.1% 即可，别自己算加法。

坑 5：占位码 29999/32767/65535 不是数值。它们是 MIMIC-IV-ECG 的"未测量"码，混在机器测量字段里（70,272 条记录中招，含 1,524 条 IDEAL/USABLE）。|值|≥10000 一律当缺失，否则会训练出被 3 万级假值污染的模型。

坑 6：目标泄漏列清单必须背下来。glycemic_class、lab_flag、glucose_delta/rate/trajectory/z_score/minmax_norm 及患者级统计（patient_*、time_in/below/above_range_pct、glucose_cv_percent）全部派生自血糖目标，含未来信息，绝不能当模型输入。

坑 7：一张 ECG 服务多条血糖，同一个患者可能重复出现。376,648 个唯一 ECG 支撑 437,671 条记录；单 ECG 最多配 12 条血糖；1,023 条为同患者同时间戳双 assay 记录。做"独立样本"假设的统计检验时须注意记录级相关性。

坑 8：血糖是被裁剪的，低血糖极稀缺。值域限 30-700 mg/dL，且低血糖（<70）仅占 1.6%。不要用本数据集估计真实血糖分布或低血糖流行病学频率；做低血糖检测任务时须显式处理类别不平衡。

§11 DAIMS 数据资产成熟度评估

以 DAIMS（Data Asset Maturity & Impact Scoring）框架评估本条目：

维度	评分	依据
可发现性（Discoverability）	中	PhysioNet 托管 + 完整 DOI（10.13026/nts2-vj76）+ 标准引用格式；但发布仅数日、无配套论文，外部索引尚浅
可访问性（Accessibility）	低-中	Credentialed Access 三重门（培训→DUA→认证）+ 区域限制；对 MIMIC 授权内用户零新增成本，对生态外用户成本高
元数据质量（Metadata）	高	页内九段文档齐全 + data_dictionary.csv 逐列定义 + Summary 表结构化
可复现性（Reproducibility）	高	SQL 流水线随数据发布，加工链可复现（前提：上游访问）
数据质量（Quality）	高	三维质量标注 + 复合 tier + 敏感性分析；自曝全部已知局限（占位码/CLEAN 语义/双 assay）
互操作性（Interoperability）	中-高	CSV + RFC 4180 + UTF-8 通用；列名规范；但无 FHIR/OMOP 映射
影响力（Impact）	待观察	2026-10-06 刚发布，项目视图 15、无他引数据，尚无法评估
可持续性（Sustainability）	高	依托 PhysioNet（MIT LCP 维护，RRID:SCR_007345），基础设施成熟稳定

综合定位：这是一份文档与质量控制成熟、但可发现性/影响力尚待时间检验的年轻数据集。它最大的结构优势是与 MIMIC 生态同口径——对有 MIMIC 授权的团队而言，获取成本极低；最大风险是无配套论文导致的引用/对标缺口（无 leaderboard、无基线分数）。

§12 与库内条目的互链点

12.1 直接上游（必链）

• mimic-iv-ecg（rid 172）：ECG 侧直接上游，v1.0；本条目消费其波形与机器测量。
• mimic-iv-clinical-database（rid 4）：血糖与临床上下文直接上游，v3.1；提供标签侧。

12.2 家族对照（建议链）

• mimic-iv-waveform（rid 65）：波形资源对照（本条目经 waveform_path 指向原始波形）。
• mimic-iv-ext-pe（rid 618）：同属 MIMIC-IV “Ext” 衍生谱系（PE 主题），可作"官方 Ext 家谱"对照。
• mimic-iv-ed（rid 116/567）：ED 遭遇上下文来源。
• mimic-iv-note（rid 47）、mimic-br（rid 156）、mimic3wdb（rid 586）、mimic4wdb（rid 588）：同族 MIMIC 衍生对照。
• mimic-iii-ext-ppg（rid 928）：同为"信号×生理衍生"的表亲（PPG 侧）。

12.3 ECG 谱系对照（建议链）

• ptb-xl（rid 70）、mit-bih-arrhythmia（rid 69）、ecg-image-database（rid 959）、leipzig-heart-center-ecg（rid 910）、ludb（rid 793）、openecg（rid 802）、apnea-ecg（rid 658）：ECG 资源谱系——本条目是其中唯一以"ECG 估血糖"为任务的跨模态配对数据。

12.4 检索路径建议

• 精确检索词：“MIMIC-IV-Ext-ECG-Glucose”（务必含 Ext）；或用 DOI “10.13026/nts2-vj76”。
• 若目标是"从 ECG 估血糖"的监督数据：本条目（认证访问）→ 同时申请上游 MIMIC-IV-ECG（rid 172）与 MIMIC-IV（rid 4）。
• 若目标是"ECG 分类/诊断"：转 ptb-xl（rid 70）、mimic-iv-ecg（rid 172）等。
• 若目标是"ECG 波形×其他生理信号"：参考 mimic-iv-waveform（rid 65）、mimic-iii-ext-ppg（rid 928）。

§13 总结

13.1 三句话总结

1. 它是什么：PhysioNet 上一个由 MIMIC-IV v3.1 与 MIMIC-IV-ECG v1.0 派生的跨模态配对数据集——437,671 对"实验室血糖 × 时间最近 12 导联 ECG"记录、131,771 患者，逐条三维质量标注（药理干预 / 信号质量 SQI / 时间对齐），专为"从 ECG 估血糖"及血糖-心脏复极关联研究设计。
2. 它的独特价值：填上了"大规模、时间对齐、带药理标注的 ECG-血糖配对资源匮乏"这一空白；不止配时间，还把胰岛素/葡萄糖给药窗口显式标注（解决药理混杂）、把 ECG 信号质量与时间对齐数值化（可过滤），并提供随数据发布的 SQL 流水线（可复现）。
3. 它的代价与门槛：认证访问（签 DUA 1.5.0 + CITI 培训，页面标注区域限制）；无配套同行评审论文（无基线分数）；IDEAL 子集仅 1.0%（精标样本稀缺）；药理学标注只覆盖 ICU（非 ICU 的 CLEAN 实为"未标注"）；有目标泄漏列清单必须遵守。

13.2 一句话定位

MIMIC-IV-Ext-ECG-Glucose 是 MIMIC 生态里第一张"心电图-血糖"的跨模态监督数据底座：它把"能不能只用一张心电图读出你的血糖"这个临床猜想，从"缺数据"推进到"有 43 万对带质检标签的样本可用"——代价是一整套认证访问的门，以及一份必须背诵的目标泄漏清单。

13.3 给三类读者的一句话

• 给 ECG 基础模型研究者：这是现成的、带临床标签的下游 probe 任务——但先想清楚你的 probe 会不会把人家的目标泄漏列喂进去。
• 给非侵入式血糖估计团队：IDEAL 只有 4,364 条，别指望它当主训练集；它的真正身份是评测集与质量分层模板。
• 给数据工程团队：SQL 流水线随数据发布，是对"可复现衍生数据集"的示范——如果你的机构在 MIMIC 授权内，获取成本几乎为零，值得纳入管线。

§14 深度补充专章：实操、临床背景与核验

本章汇总正文未及展开的实操细节、临床与方法学背景、数据核验建议与进阶避坑，供深入使用者参阅。

§14.1 认证访问的实操细节与常见疑问

6.6.1 与 MIMIC-IV 授权的复用

本数据集页面明确它与 MIMIC-IV 同口径（same credentialed access terms）。这对已有 MIMIC 授权的团队意味着：

情形	额外成本
已签署 MIMIC-IV DUA + 完成 CITI	近乎为零（同一套认证体系）
仅有 PhysioNet 账号未认证	需完成全流程认证
生态外全新用户	三重门（培训→DUA→认证）+ 区域限制核查

关键实务点：DUA 1.5.0 通常对"使用范围、二次分发、结果发布"有约束。因为本数据集是 MIMIC-IV 的衍生品，其许可条款继承自 MIMIC-IV——你不能因为它是"新数据集"就假设有比 MIMIC-IV 更宽松的条款。

6.6.2 引用规范：必须双引上游

由于本数据集是派生的，规范引用应包含三层：

1. 本数据集：Azam, M. B., & Singh, S. (2026). MIMIC-IV-Ext-ECG-Glucose… (version 1.0.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/nts2-vj76
2. MIMIC-IV v3.1：doi:10.13026/kpb9-mt58
3. MIMIC-IV-ECG v1.0：doi:10.13026/4nqg-sb35
4. （外加）PhysioNet 平台标准引用（Pollard et al., 2026, Nature Health）

页内明确：“Please cite them when using this project”（指两个上游）——漏引上游是不规范的。

6.6.3 区域限制的实操风险

页面在抓取时点显示数据"在你所在区域不可用"。这对自动化管线是硬约束：即便认证通过，脚本化下载也可能因区域被拒。规划时建议：

1. 先在目标部署区域手动验证一次可下载性；
2. 若区域受限，评估是否有合规的镜像/代理方案（须符合 DUA 与当地法律，不得擅自绕过）；
3. 把区域可达性作为项目风险项登记。

§14.2 ECG 估血糖的临床与方法学背景

7.6.1 为什么 ECG 可能携带血糖信息

页内引用的文献链给出了机制假设：

• 急性血糖紊乱（尤其是低血糖）会引起可测量的心电改变——Heller（2002）讨论过低血糖时的心电图异常与"dead in bed syndrome"（睡眠中猝死综合征）的关联；
• 糖尿病自主神经病变会改变心率变异性与复极——这是慢性高血糖对心脏电生理的长期影响；
• QT 间期延长在血糖紊乱时被观察到——本数据集提供四式 QTc 便于系统分析。

核心科学问题：ECG 与血糖的相关是因果（血糖直接改变电生理）还是共同上游（如交感激活同时影响两者）？本数据集不能直接回答因果，但提供了分层（药理标注）来部分排除"给药驱动"的伪相关。

7.6.2 Chiu 2023 的先声与本数据集的补位

页内引用[5]（Chiu et al., Biosensors 2023）用个性化机器学习从动态 ECG 筛查血糖异常——这是最接近的先声工作。其局限正是本数据集要补的：

维度	Chiu 2023（先声）	本数据集（补位）
规模	单中心小样本	437,671 对 / 131,771 患者
对齐	动态 ECG	诊断 ECG × 实验室血糖，±240 分钟
药理控制	未明确	三维药理标注
公开性	模型/方法论文	公开（认证）数据资源

7.6.3 CGM 对比：本数据集的"稀疏"本质

页内引用[3]（Klonoff 2005）勾勒了 CGM 的路线图。本数据集不是 CGM——它是间歇实验室血糖，页内明说这是其根本局限：相邻血糖中位间隔 57.3 小时（整体）、2.6 小时（ICU 内），仅 14.7% 记录可得变化率。

这意味着：本数据集适合"单点血糖估计"（用一张 ECG 估一个时刻的血糖），不适合"连续血糖轨迹追踪"——除非你聚焦 ICU 子集（间隔 2.6 小时尚可）。

§14.3 MIMIC 生态的"衍生数据集"模式

8.5.1 什么是 “Ext”（Extend）数据集

库内出现的 MIMIC-IV-Ext-PE（rid 618）与本条目都以 “Ext” 命名，代表一种模式：研究者基于 MIMIC 官方数据，用公开 SQL 派生出面向特定任务的加工数据集。其共性：

1. 不做新采集——全部来自官方 MIMIC；
2. 加工逻辑公开——通常随数据发布 SQL；
3. 许可继承——与 MIMIC-IV 同口径；
4. 任务导向——为特定下游任务（PE 诊断、血糖估计）裁剪字段。

本条目在这一模式中的独特性：它是跨模态的（ECG × 血糖），而多数 Ext 数据集是单模态加深（如 PE 数据集加深诊断字段）。跨模态派生需要额外解决"两个上游数据集的实体对齐"问题——本条目用 subject_id + 时间窗解决。

8.5.2 与 MIMIC-IV-ECG（rid 172）的血缘

本条目可被视为 MIMIC-IV-ECG 的**“任务特化子集 + 血糖标注”**：

• 继承：ECG 波形与全部机器测量列；
• 新增：血糖标签、药理标注、SQI、对齐档、复合 tier、患者级统计、split；
• 缩减：只保留与血糖配对相关的 ECG（376,648 / ~800,000，约 47%）。

含义：想要 MIMIC-IV-ECG 的全量 ECG，去 rid 172；想要与血糖配对的 ECG 子集，来本条目。二者互补不替代。

8.5.3 与 MIMIC-IV 临床库（rid 4）的血缘

本条目继承 MIMIC-IV 的血糖 + 上下文，但大幅裁剪：只保留有 ECG 配对的血糖记录。若你需要全部血糖记录（含无 ECG 的），去 rid 4；本条目是"有 ECG 陪伴的血糖"子集。

§14.4 数据完整性核验建议

面对一个新发布的、无配套论文的数据集，建议做以下独立核验：

1. 数字自洽性：records（437,671）= TRAIN+VAL+TEST（349,976+44,718+42,977=437,671）✓——这条等式成立是首要一致性检验；
2. 去 EXCLUDE 后自洽：332,241+42,505+40,758=415,504=437,671−22,167 ✓；
3. 百分比加和：glycemic_class 各占比 0.4+1.2+83.8+9.0+5.6=100.0 ✓；
4. 对齐档加和：TIGHT+MODERATE+LOOSE+EXTENDED=160,939+69,055+89,617+118,060=437,671 ✓；
5. 方向加和：238,706+195,184+3,781=437,671 ✓；
6. tier 加和：22,167+295,034+4,364+116,106=437,671 ✓。

这些等式全部成立，是本数据集内部自洽的有力证据（对比 PANDA-PLUS 条目存在的正文-表格数字漂移，本条目在数字一致性上表现更好）。建议使用者在正式研究前自行复算这几条等式。

§14.5 上游数据的可达性依赖

本数据集的使用依赖链：

PhysioNet 认证（CITI + DUA 1.5.0）
   ├─→ 本数据集 CSV（认证 + 区域限制）
   └─→ 若需原始波形：MIMIC-IV-ECG（rid 172，同认证）
   └─→ 若需 assay 类型：MIMIC-IV labevents（rid 4，同认证）
   └─→ 若需完整用药：MIMIC-IV prescriptions/emar（rid 4，同认证）

实务提示：因为 waveform_path 指向原始波形、labevent_id 需要回查 assay、药理盲区需要回查 prescriptions——在实践中你几乎必然要同时获得 MIMIC-IV 与 MIMIC-IV-ECG 的授权。好在三者同一认证体系，一次认证全覆盖。

§14.6 避坑补遗：三个进阶坑

坑 9：split 是患者级，但记录级统计别当独立样本。虽然 split 保证了患者不跨分区，但同一分区内同一患者的多条记录（平均 3.3 条）仍相关。做记录级 bootstrap 或显著性检验时，须用患者级聚类，否则高估有效样本量。

坑 10：TRAIN 里也含 EXCLUDE 记录。split 列分配给全部记录（含 EXCLUDE）——页内明确"After removing EXCLUDE records, the counts are…“。所以想用"干净训练集”，必须同时过滤 split 与 EXCLUDE，别以为 TRAIN 就是干净的。

坑 11：hr_regime 与 heart_rate_bpm 可能冲突。67 条 RR=0 记录 heart_rate_bpm 为 NULL 却标 TACHYCARDIA——任何依赖 hr_regime 的分层分析都要先剔除这 67 条，或改用 heart_rate_bpm 现算。

§14.7 数据资产定位的横向对比

把本条目放进库内三个参照系：

对比对象	相似点	关键差异
PANDA-PLUS（rid 560）	都是"二次加工"数据集	PANDA-PLUS 是重标注（同模态升级）；本条目是跨模态配对（ECG×血糖），且本条目数字自洽性更好
MIMIC-IV-ECG（rid 172）	共享 ECG 本体	MIMIC-IV-ECG 无代谢标签；本条目是其"血糖任务特化子集"
PTB-XL（rid 70）	都是诊断 12 导联 ECG	PTB-XL 无配对化验；本条目专为"ECG→血糖"设计

§14.8 一图看懂：本数据集的"输入-加工-输出"

     输入（原料）                          加工（SQL 配方）                        输出（成品）
┌──────────────────────┐          ┌──────────────────────────┐        ┌─────────────────────────┐
│ MIMIC-IV v3.1        │          │ 1. 提取血糖               │        │ mimiciv_ecg_glucose_     │
│  · labevents 血糖     │─┐        │    (50931 / 50809)        │        │ aligned.csv             │
│  · patients/admissions│ ├───→    │ 2. ±240min 最近 ECG 对齐   │───→    │ 437,671 行 × 101 列      │
│  · icu.inputevents    │ │        │ 3. 药理窗口标注           │        │                         │
│ MIMIC-IV-ECG v1.0    │─┘        │ 4. SQI 十项检查           │        │ + data_dictionary.csv   │
│  · 12 导联诊断 ECG    │          │ 5. QTc 四式               │        │ + pipeline.sql          │
│  · 机器测量           │          │ 6. 复合 tier / split      │        │ + README.md             │
└──────────────────────┘          └──────────────────────────┘        └─────────────────────────┘

这张图是本条目的精神内核：一套公开的、可调的、可复现的"从两个上游数据集到跨模态监督样本"的加工配方。

§14.9 给不同经验的读者

如果你是第一次接触"ECG 估血糖"

先读 §7.6.1（为什么 ECG 可能携带血糖信息）→ §4.7.1（为什么药理混杂是核心难点）→ §7.2（目标泄漏清单）。理解这三个就能避开新手最大的三个坑。本数据集的价值不是"数据多"，而是"把混杂控制显式化"。

如果你做过 MIMIC 相关研究

直奔 §8.2（与库内 29 条 MIMIC 条目的逐一辨析）和 §6.6.1（授权复用成本）。对本条目最该记住的是它与你熟悉的 MIMIC-IV-ECG 的区别：本条目是血糖任务特化子集，不是全量 ECG。

如果你是数据工程/MLOps

关注 §6.6（获取实操）、§2.7（质量自检清单）、§3.7（SQL 可复现性）、§9.5（上游可达性依赖）。本条目是"如何发布一个可复现衍生数据集"的良好范例。

如果你是临床研究者

关注 §2.9（选择偏差）、§4.6（类别不平衡）、§7.6（临床背景与文献链）。提醒：本数据集的人群是"血糖化验与 ECG 排程恰好重合"的选择性住院群体，不能直接外推到普通人群。

§14.10 结语：一个"质量分层"范式的示范

MIMIC-IV-Ext-ECG-Glucose 最值得被记住的，可能不是"437,671 对"这个规模数字，而是它处理"数据可用性"的范式：

它没有假装所有配对都一样好，而是把质量拆成三个可测量的维度（药理/信号/时间），逐条打分，再合成一个四档等级——把"这条数据能不能用"这个通常由研究者主观判断的问题，变成了一个可查询、可过滤、可复现的字段。

这个范式对任何"真实世界数据配对"任务都有借鉴意义：理想数据稀缺时，与其丢弃脏数据，不如把脏的维度显式标注出来，把选择权交给下游。 本数据集的 IDEAL 子集只有 1.0%——但它没有因此删掉其余 99%，而是让 26.5% 的 USABLE 和 67.4% 的 CAUTION 也能被有知情地使用。这是一种成熟的数据资产观：诚实标注局限，比掩盖局限更有价值。

§15 附录：术语表与速查表

15.1 核心术语中英对照

中文	英文	本数据集语境
血糖紊乱	dysglycaemia	兼指低血糖与高血糖的状态，页内 Abstract 主题词
血糖正常	euglycaemia / EUGLYCEMIC	70-180 mg/dL
低血糖	hypoglycaemia / HYPO	54-69 mg/dL（<54 为 SEVERE_HYPO）
高血糖	hyperglycaemia / HYPER	181-250 mg/dL（>250 为 SEVERE_HYPER）
解耦	decoupling	外源胰岛素/葡萄糖使 ECG-血糖生理关系被药物驱动取代
信号质量指数	Signal Quality Index（SQI）	10 项二值检查合并的质量分（0-10）
时间对齐	temporal alignment	血糖与 ECG 的时间匹配（±240 分钟）
药代动力学窗口	pharmacokinetic window	给药前后用于标记血糖的时间区间
目标泄漏	target leakage	由预测目标派生的列混入输入
复合可用性	composite usability tier	IDEAL/USABLE/CAUTION/EXCLUDE 四档
唯一 ECG 研究	unique ECG study	被使用的不同 ECG（376,648）
锚定年龄	anchor age	MIMIC 去标识年龄（>89 记为 91）

15.2 关键数字速查表

指标	数值
记录数（配对数）	437,671
患者数	131,771
唯一 ECG 研究数	376,648
列数	101
住院 / ICU stay	99,544 / 30,435
ICU 期间记录占比	18.4%（80,598）
年龄均值（SD）	62.2（17.4）岁
男性占比（患者/记录）	48.4% / 51.9%
血糖均值 / 中位	135.4 / 116 mg/dL
血糖正常占比	83.8%（366,756）
低血糖合计占比	1.6%（HYPO 5,414 + SEVERE_HYPO 1,614）
高血糖合计占比	14.6%（HYPER 39,329 + SEVERE_HYPER 24,558）
ECG 在前占比	54.5%（238,706）
中位绝对偏移	55 分钟（IQR 17-127）
TIGHT 档占比	36.8%（160,939）
IDEAL 占比	1.0%（4,364）
USABLE 占比	26.5%（116,106）
CAUTION 占比	67.4%（295,034）
EXCLUDE 占比	5.1%（22,167）
CLEAN 占比	88.1%（385,544）
SQI GOOD 占比	85.0%（372,024）
占位码影响记录	70,272（含 1,524 条 IDEAL/USABLE）
RR=0 异常记录	67
双 assay 同时间戳记录	1,023
TRAIN / VAL / TEST（记录）	349,976 / 44,718 / 42,977
TRAIN / VAL / TEST（患者）	105,435 / 13,217 / 13,119
DOI（v1.0.0）	10.13026/nts2-vj76
发布日期	2026-10-06

15.3 常见误读与正确表述对照

误读	正确表述
“这是个 ICU 数据集”	81.6% 记录来自非 ICU（ED/住院/门诊）
“437,671 张心电图”	437,671 条配对，仅 376,648 张唯一 ECG
“CLEAN 就是没用过药”	CLEAN 在非 ICU 记录中意味着"未标注"，不代表无用药
“一张 ECG 配一条血糖”	一张 ECG 最多可配 12 条血糖
“EXCLUDE = 21,290+870+7”	去重后为 22,167，三判据有重叠
“作者论文里给了基线分数”	无配套论文，无 leaderboard/基线
“数据能直接下载”	认证访问，需 DUA 1.5.0 + CITI 培训，且有区域限制
“占位码 29999 是个大数值”	它是"未测量"标记，应视为缺失

15.4 一句话问答集（进阶 12 问）

Q1：为什么对齐窗口是 ±240 分钟而不是更紧？
更紧会大幅减少配对数（血糖与 ECG 临床排程本就异步）；±240 分钟是覆盖与质量的折中，且用 TIGHT/LOOSE/EXTENDED 档位保留了细粒度信息供下游自行收紧。

Q2：为什么用"最近者胜"而非"全部配对"？
避免同一血糖被多张 ECG 重复表示导致的样本膨胀与伪相关；同时保留了"单 ECG 服务多血糖"的合理复用。

Q3：SQI 为什么用"10 项检查减 3 倍伪迹标志"？
这是启发式（页内明示未经专家验证）。伪迹标志权重 3 意味着"报告里有伪迹"会显著拉低质量分，反映伪迹对测量的破坏性。

Q4：QTc 为什么推荐 Fridericia 而非 Bazett？
页内设定 qtc_recommended_ms = Fridericia 值。Bazett 在快心率时过度校正、慢心率时不足，Fridericia 是中庸选择；但页内同时给四式，鼓励用户自行比较。

Q5：为什么心动过缓会触发 EXCLUDE？
心率 <50 且四式 range >200 ms 时，RR 测量被认为不可靠——慢心率下 QTc 公式分歧极大，此时数据不可用于复极研究。

Q6：患者级统计为什么含未来信息？
因为它们用患者全部记录聚合（为描述整个患者的血糖画像），所以对"预测某次血糖"而言是泄漏；只能用于描述/分层。

Q7：为什么 split 用 FARM_FINGERPRINT 而非随机？
确定性哈希保证可复现——同样的 subject_id 永远分到同一分区，避免重跑时划分漂移。

Q8：为什么药理标注只来自 ICU？
因为 MIMIC-IV 的精确给药记录（inputevents，含剂量与时间）主要在 ICU；非 ICU 的用药在 prescriptions/emar 中更零散、更难与血糖时间对齐。

Q9：本数据集能训练 ECG 基础模型吗？
可以，作为带标签的下游任务（probe）；但预训练需另找大规模 ECG（如 MIMIC-IV-ECG 全量 ~80 万）。

Q10：低血糖样本只有 1.6%，怎么办？
重采样、代价敏感损失、或专注 ICU 子集（给药标注更全）；但注意低血糖检出对临床最有价值，样本稀缺正是挑战所在。

Q11：能把它当流行病学数据用吗？
不能直接外推——它是"有血糖又有 ECG"的选择性住院子集，且血糖被裁剪到 30-700 mg/dL，不代表真实人群分布。

Q12：与 MIMIC-IV-ECG 到底什么关系？
本数据集是 MIMIC-IV-ECG 的"血糖任务特化子集 + 血糖标注 + 质量分层"；想要全量 ECG 去 rid 172，想要血糖配对来本条目。

15.5 阅读路径地图

你的身份	推荐路径
快速了解	§0 导语 → INFOBOX 速览 → §1 十问十答
准备使用数据	§6 获取许可 → §14.1 实操 → §2.7 自检清单
建模研究者	§7 用法与目标泄漏 → §5 tier → §3.7 可复现性
ECG 领域研究者	§14.2 临床背景 → §8 谱系 → §7.6
数据工程师	§3 派生方法 → §14.4 核验 → §14.5 依赖链
关注数据质量	§4 三维标注 → §5 tier 分解 → §14.6 进阶坑

15.6 存照索引

正文涉及的关键"存照/待核"条目集中于 §9，此处给出索引便于检索：

1. 命名口径（§9.1-1）
2. 唯一 ECG vs 记录数（§9.1-2）
3. 双 assay（§9.1-3）
4. EXCLUDE 计数叠加（§9.1-4）
5. 非 ICU flag（§9.1-5）
6. 占位码（§9.1-6）
7. 缺失住院数据（§9.1-7）
8. 无配套论文（§9.2）
9. 通讯信息需登录（§9.2）
10. 区域限制范围未明（§9.2）

---

本条目依据 PhysioNet 项目页（https://physionet.org/content/mimic-iv-ext-ecg-glucose/，抓取时点 2026-10-09）编写。数据集无配套同行评审论文，页内 Abstract/Methods/Data Description/Usage Notes 为唯一一手来源。所有统计数字以页内 Summary 表为准。

---

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：

• cinc-2015 — 共享标签：生理信号 / 心电信号 / 电子健康记录 / 重症监护 / 时序数据
• mover — 共享标签：生理信号 / 心电信号 / 电子健康记录 / 重症监护 / 时序数据
• mimic-iv-clinical-database — 共享标签：电子健康记录 / 重症监护 / 多模态 / 时序数据
• sicdb — 共享标签：生理信号 / 电子健康记录 / 重症监护 / 时序数据
• pulsedb — 共享标签：生理信号 / 心电信号 / 电子健康记录 / 重症监护
• pics — 共享标签：生理信号 / 心电信号 / 重症监护 / 时序数据
• mimic-iv-waveform-legacy — 共享标签：生理信号 / 重症监护 / 时序数据
• mimic-iv-ecg — 共享标签：生理信号 / 心电信号 / 重症监护 / 多模态
• dandi-archive — 共享标签：生理信号 / 电子健康记录 / 多模态
• symile-mimic — 共享标签：心电信号 / 电子健康记录 / 多模态

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。