四十七万问句喂给病历 — MIMIC-IV-Ext-Instr 指令集

把一张检验结果表翻译成一个人类问句，需要多少人工？如果答案是「每条都要人写」，那么大规模指令微调在病历领域就永远做不起来——一个能改变模型行为的指令集至少要十万量级的样本，而愿意手写医疗问答的临床人员是按小时计费的，且写出来的句子句式高度雷同。自由文本这一侧的处境其实已经不难：给模型一份出院小结，让它出题、让它作答，问句来源和答案来源都在同一段文字里，链条很短，因此过去几年出现的临床指令数据大多长在这一侧。真正难的是关系表——某次血气分析的哪三项指标在入院第几百小时出现异常、某种药物在住院第几天被停用，这些事实没有现成的自然语言问句，也没有现成的自然语言答案，要造训练语料，必须先有人把表结构翻成问句模板，再有人写脚本把真值从表里取出来。

MIMIC-IV-Ext-Instr 指令集走的正是后一条路。它从 MIMIC-IV v2.2 的关系表与 MIMIC-IV-Note v2.2 的出院小结出发，用一百多个手写模板配手写取数脚本造出 356,968 条表格问答，再用 GPT-3.5 把这些问答改写得更像人话；另外直接让 GPT-3.5 读出院小结，生成 113,107 条需要推理的问答。两个文件相加 470,075 条，于 2025 年 9 月 9 日以 1.0.0 版本发布在 PhysioNet 上，访问级别与 MIMIC-IV 同级。

它的自我定位说得很克制。官方页面把「缺乏专家验证」直接写进局限性一节，并声明主要目标是扩大电子病历指令样本的规模，而不是提供专家审校的标注。这句话决定了它的用法：它是一份语料性质的指令数据，不是评测金标准。一屏速览见下表。

维度	内容
全名	MIMIC-IV-Ext-Instr: A Dataset of 450K+ EHR-Grounded Instruction-Following Examples
发布方	PhysioNet 托管；作者团队来自伊利诺伊大学厄巴纳-香槟分校、DataTecnica 与美国国立卫生研究院
首次发布	2025 年 9 月 9 日，版本 1.0.0
最近改动	1.0.0 为初始发布，尚无修订版本
问答对总数	470,075 条（356,968 条表格问答 + 113,107 条推理问答，两文件条目数相加）
文件数	8 个：2 个 JSONL 问答文件、5 个 CSV 队列文件、1 个测试子集 JSONL
患者队列规模	训练 38,299 人、验证 4,782 人、测试 4,309 人
原始来源	MIMIC-IV v2.2（关系表）与 MIMIC-IV-Note v2.2（出院小结）
表格问答生成方式	一百多个手写模板 + 手写 Python 取数脚本提真值 + GPT-3.5 改写
推理问答生成方式	GPT-3.5 直接读出院小结生成，附人工编写的少样本示例
生成平台	符合 HIPAA 要求的 Azure 平台上的 GPT-3.5
字段结构	表格问答 4 字段、推理问答 3 字段、队列 CSV 9 列
文件格式	JSONL（每行一个 JSON 对象）与 CSV
许可	PhysioNet Credentialed Health Data License 1.5.0
获取门槛	凭证化认证 + 签署数据使用协议 + 完成 CITI 培训
典型用途	临床大语言模型指令微调、电子病历问答、结构化表格查询、出院小结推理

§1 它要解决的具体麻烦

1.1 指令微调缺的不是通用语料，是接地的语料

通用指令微调（instruction tuning）的配方是成千上万条「指令—回答」对：模型学会的不只是知识，更是「看到人类这句话，该怎么回应」这件事本身。通用领域的配方早就跑通了，问题出在把配方搬到病历上时，原料缺了一味——患者上下文。

病历数据有两个特点让原料变得稀缺。第一，它是分层的：人口学信息、诊断、检验、用药、医嘱散落在不同关系表里，一条问答往往要跨表才能成立。第二，它受隐私约束：MIMIC 系列虽然是去标识化公开数据，但访问仍需凭证化认证，这意味着数据不能随便搬到外部标注平台上处理，生成流程必须在合规环境里完成。

过去几年的做法，是在这条约束里做退让。一部分工作只碰自由文本，因为从临床记录造问答的链条短、成本低：问句从文本里来，答案也在同一段文本里，不需要跨表取数，也不需要处理单位与时间基准。代价是这类数据天然偏向叙述性内容，而真正难查、又最常被问到的那些事实——这次住院做过几次血气、某个指标最差到多少——恰恰住在关系表里。另一部分工作做结构化问句，但停在事实抽取或 Text-to-SQL 这类形式化任务上，问句由规则拼出，与真实临床提问方式相去甚远；它们考的是模型能不能把自然问句翻译成可执行语句，而不是模型能不能读懂病历。

官方页面把这条脉络点得很清楚：已有的结构化问答数据集规模只有几千到几万条，「不足以支撑有效的大语言模型指令微调」。几千条够做评测，不够改变模型行为；几万条够做微调实验，不够让模型真的学会一套新领域的说话方式。

MIMIC-IV-Ext-Instr 的切口就是这个空档——把规模做上去，同时让问句在自然语言层面成立。它给出的答案很朴素：把表结构先翻成模板，用脚本保证答案对，再用模型把话说顺，三件事分工明确，于是规模不再是瓶颈。

1.2 三条常见的错误期待

第一条，期待它是专家审校的高质量标注集。 官方页面的局限性一节写得毫不含糊：本工作一个显著局限是数据集构建与模型输出评估两端都缺乏专家验证，作者自己建议需要更严格评测或安全关键用途时，改用规模更小但经过临床医生验证的数据集。把它当金标准用，方向就错了。

第二条，期待它自带推理过程。 每个样本只有问句与答案两个文本字段。表格问答的答案由脚本从关系表里取出，推理问答的答案由 GPT-3.5 生成，两者都不附带推演步骤。想用思维链训练，得自己补。

第三条，期待它是一份可以直接对外服务的问答库。 问句里嵌着具体的时间点与检验项目名，例如官方示例里的「第 650.05 小时」，这些坐标只对 MIMIC-IV 内部成立；答案则被压成一句简短的话，只保留了被问到的那几项。它是一份训练语料，不是可迁移的知识库——把它的问答当成医疗知识直接对外答复，等于把 MIMIC-IV 的局部坐标当成通用医学事实。

这三条期待有一个共同的根源：人们习惯按「标注数据集」的框架理解它。但它的生产方式是生成，不是标注；产出是语料，不是标签。把框架换过来，后面很多判断会自动归位。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
让通用模型学会读结构化电子病历	三十五万余条表格问答，问句覆盖人口学、诊断、治疗史、检验结果	够，这是它的主力用途
让模型在出院小结上做推理	十一万余条推理问答，涉及病程演变、并发症预判、随访建议	可做，但答案本身未经专家验证
训练后再做严格评测	只有 100 名患者的测试子集	不够，评测规模需自建或换用其他数据集
拿到 MIMIC-IV 原始表	只有问句与答案文本	不够，原始关系表需另行申请 MIMIC-IV
中文临床问答能力	全部英文	不够，需自行翻译或训练后迁移
Text-to-SQL 或纯事实抽取	问句为自然语言，答案已成文本	不合适，有更对口的专用基准
规模化的指令语料	四十七万余条，两个子集分工明确	够，这是它相对同类最硬的一条
研究模板生成链条本身	模板、提示词与取数脚本全部公开	够，可以照着在别的数据上复现一遍
学习某类疾病的临床知识	只有零散问句，无系统性组织	不够，这不是教材

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
你手上有一个通用开源模型，想让它读懂重症病历	提供成规模的、带患者坐标的指令样本	按官方的两阶段顺序微调：先表格子集，再推理子集
你在做电子病历助理，缺冷启动语料	表格子集可以直接当检索问答的训练数据	先用 cohort 的切分做一致划分，不要混用三份队列文件
你在研究合成数据的质量边界	同一个库内存在两种生成来源，天然可比	把脚本取真值子集与 GPT 生成子集分开训、分开评，比较差异
你想复现 2024 年那篇论文的结果	发布版的文件与论文公开版同源，且附带配套代码仓库	注意论文口径是 400K+，发布版是 450K+，报告时用发布版数字
你在教医学信息学，需要一个规模化生成案例	模板、提示词与代码都公开，可完整复现生成流程	直接指向官方列出的代码仓库，不必转载数据本身
你没有 MIMIC-IV 访问权限	先申请 MIMIC-IV 与 MIMIC-IV-Note，本库为派生项目	在申请时说明用途，审批链条按 PhysioNet 流程走
你在评估要不要投入算力微调	规模够大，但门槛也高，先算清楚凭证审批时间	先用表格子集做小规模试训，验证收益再全量

1.5 一句话判断

它不适合当评测的金标准，而适合当把通用语言模型拽进病历语境的那份规模化语料：先教会它把表读准，再让它在出院小结上学会往前推一步。

1.6 不适合谁：四条边界

不适合拿来做模型打分。 官方提供的测试子集只有 100 名患者，规模是按「省下 GPT 评测开销」设定的，不是按统计功效设定的。需要结论稳定时，得另找评测集。

不适合拿来做临床决策依据。 问句与答案都由机器生成，官方明确要求在其上训练的模型在部署前必须就性能与可解释性做仔细评估，并强调目标是支持而非妨碍医疗决策。

不适合拿来当专家知识的载体。 生成链条里没有人做审校，临床细节被误述或漏掉的风险由官方直接承认。

不适合在合规环境之外流通。 许可与数据使用协议都禁止与他人共享访问权，把它转存到公开模型社区是明确违约。

§2 数据构成与规格

2.1 八个文件的分工

整个数据集平铺在版本根目录下，没有子目录。文件分两类：两个大的问答文件装全部样本，五个 CSV 队列文件描述切分，外加一对配套的小子集。

文件	格式	规模	作用
qa_event.jsonl	JSONL	356,968 条问答	表格对齐子集，问句来自 MIMIC-IV 结构化表
qa_note.jsonl	JSONL	113,107 条问答	临床推理子集，问句来自出院小结
cohort.csv	CSV	全队列	训练、验证、测试合起来的患者列表
cohort_train.csv	CSV	38,299 名患者	训练切分
cohort_val.csv	CSV	4,782 名患者	验证切分
cohort_test.csv	CSV	4,309 名患者	测试切分
cohort_test_subset.csv	CSV	100 名患者	从测试切分里再抽的小子集
qa_test_subset.jsonl	JSONL	与上一行配套	这 100 名患者对应的问答对

五个 CSV 的列结构完全一致，只有行数不同。三个切分文件的人数相加为 47,390 人（38,299 + 4,782 + 4,309），这个数字是按官方给出的三个切分规模相加得到的，不是官方直接写出的整数。

文件的组织方式透露了设计取向。它没有按事件类型或按科室分目录，也没有把问句与答案拆成两个文件，而是把所有样本塞进两个大 JSONL，再用 CSV 单独描述队列。这种「一个大文件 + 若干切分清单」的结构对训练很友好：读取时顺序扫描即可，切分靠连接键完成，不需要在文件系统层面做筛选。代价是要取某个子集，必须在内存里过一遍全量。

另一个值得注意的取舍是测试子集的存在方式。官方说明，因为用 GPT 评测模型回答的计算开销大，于是从测试集里抽出 100 名患者，单独提供 cohort_test_subset.csv 与 qa_test_subset.jsonl。这一对文件的存在，等于把「训练规模」与「评测规模」明确拆开：训练用全量，评测用这一百人。

2.2 表格问答文件的字段字典

qa_event.jsonl 每行一个 JSON 对象，四个键：

字段	含义	取值形态	使用注意
hadm_id	住院就诊标识	MIMIC-IV 的住院编号	与队列 CSV 连接的唯一键
q	问句	英文自然语言	已被 GPT-3.5 改写过一轮
a	答案	英文自然语言	由手写脚本从对应关系表取出
event_type	事件类型	表名标识	指明问句源自 MIMIC-IV 的哪张表

event_type 是这个文件独有的字段，也是按事件类型做子集切分的唯一入口。官方页面没有列出该字段的完整取值清单，因此具体有哪些事件类型、各占多少，属于未核验内容，只能等拿到文件后自行枚举。

这个字段的价值在于它把「问句说了什么」的信息保留了下来。没有它，三十五万条问句只是一堆文本，无法按临床数据类型分组；有了它，至少可以先把检验类、用药类、人口学类的问句分开，各自训练或各自评估。这是本数据集中最有结构性信息的一个字段，也只有四十七万条样本里的一部分拥有它。

反过来看，推理子集没有这个字段，是因为它的来源不是结构化表而是自由文本，本来就无所谓事件类型。这不是遗漏，而是两个子集在数据血缘上的差异被如实记录了下来。

2.3 推理问答文件的字段字典

qa_note.jsonl 每行三个键，比上一个文件少一个 event_type：

字段	含义	取值形态	使用注意
hadm_id	住院就诊标识	MIMIC-IV 的住院编号	与队列 CSV 连接
q	问句	英文自然语言	由 GPT-3.5 生成，附人工编写的少样本示例约束
a	答案	英文自然语言	同样由 GPT-3.5 生成，不是脚本取值

两个问答文件在字段名上高度一致，这使得合并读取很省事；也正因为一致，合并之后要保留来源标记，否则无法区分一个有脚本真值的样本和一个纯生成的样本。

2.4 队列 CSV 的九列字典

列名	含义	单位或形态
subject_id	患者标识	MIMIC-IV 患者编号
hadm_id	住院就诊标识	MIMIC-IV 住院编号
stay_id	重症监护停留标识	MIMIC-IV 的 ICU 停留编号
hadm_intime	入院日期时间	时间戳
hadm_outtime	出院日期时间	时间戳
hadm_los	住院时长	小时
stay_intime	入 ICU 日期时间	时间戳
stay_outtime	出 ICU 日期时间	时间戳
stay_los	ICU 停留时长	小时
len_selected	事件总数	计数

需要留意的是，官方对上述九项的文字表述是九项列名清单，其中 len_selected 被描述为「事件总数」，与 hadm_los、stay_los 一起构成样本复杂度的一个粗略刻度。

2.5 一条问答的完整解剖

官方页面给出了表格子集生成链条上的一对原文例子。模板形态是：

which {measurement_name} performed on the {specimen_name} were abnormal {time_period}?

模板里的三个槽由患者的真实数据填充后，得到模板句：

Q: Which Blood Gas measurement on the Blood specimen were abnormal at the 650.05 hour?
A: Calculated Total CO2, pCO2, pO2.

这一问一答在事实层面是准确的——答案由与该模板配对的手写 Python 脚本从对应表取出，不需要模型参与。但模板句本身僵硬，直接拿去训练，模型学到的会是句式而非理解。于是再用 GPT-3.5 改写，保持语义不变：

Q: Show me the abnormal blood gas measurements at the 650.05 hours?
A: The calculated total CO2, pCO2, pO2 were abnormal.

这条链上有个容易被忽略的细节：改写只动问句与答案的表述，不动时间与取值本身。650.05 小时这个坐标被完整保留下来，所以问句看上去口语化了，却仍然带着明显的机器痕迹——真实医生不会用小数小时的精度提问。这类痕迹会泄露给训练出的模型，也是判断一条样本来自模板的最直接线索。

2.6 主键映射：三个编号的层级

MIMIC-IV 的编号体系是三级的，理解它才能正确划分数据。subject_id 是一个人，hadm_id 是这个人的一次住院，stay_id 是这次住院里的一段重症监护停留。同一个人可以有多次住院，一次住院可以有多次 ICU 停留。

subject_id ── 一名患者
    ├── hadm_id 甲 ── 第一次住院
    │       ├── stay_id 1 ── 第一段 ICU 停留
    │       └── stay_id 2 ── 第二段 ICU 停留
    └── hadm_id 乙 ── 第二次住院

两个问答文件都只用 hadm_id 定位，队列 CSV 同时给出三个编号。这带来一个直接后果：以 hadm_id 做切分时，同一个人可能同时出现在训练侧与测试侧，因为他的两次住院被分到了两边。官方给出的三个切分文件是按「患者」计数的（38,299 名患者），但具体以哪一级编号作为切分键，官方页面没有说明。做严格泛化评测时，稳妥做法是从 subject_id 重新分组。

泄漏的机制值得拆开讲。以 hadm_id 切分时，同一名患者的两次住院一旦分到两侧，共享的不只是这个人，还有他的基础疾病谱、长期用药、体质特征，以及大概率是同一批医生书写的记录。模型只要学会「这一型患者该怎么答」，就能在测试侧白拿分，而这个能力换到另一家医院就失效了。以 stay_id 切分则更糟：同一次住院的两段 ICU 停留几乎共享全部上下文，连时间点都对得上。

反过来，以 subject_id 切分会减少可用样本，因为必须把同一个人所有住院的全部问答挪到同一侧。这是规模与严谨之间的交换。本数据集官方切分文件没有声明用了哪一级编号，所以做严格评测时，应该自己从 subject_id 重新分组，而不是默认沿用官方切分。

还有一处细节：队列 CSV 里的 len_selected 记录了该次住院纳入的事件总数。它既可以用来判断样本的信息密度，也可以用来检查切分是否失衡——两个切分在事件总量上的差异，比患者数的差异更能反映实际训练量。

§3 它是谁的数据

3.1 贡献者

五位作者署名，跨三个机构：

作者	机构	角色分工（依官方署名与致谢）
Zhenbang Wu	UIUC、DataTecnica、NIH	第一作者，配套代码仓库维护者
Anant Dadu	DataTecnica、NIH	共同作者
Mike Nalls	NIH CARD、DataTecnica	共同作者
Faraz Faghri	NIH、DataTecnica	共同作者
Jimeng Sun	UIUC	通讯作者

致谢部分列出的资助方包括美国国家科学基金会的三项资助（编号 SCH-2205289、SCH-2014438、IIS-2034479），以及美国国立卫生研究院下属国家老龄化研究所与国家神经疾病及卒中研究所的校内研究项目（项目编号 ZIAAG000534）。作者声明无利益冲突。

署名结构值得留意：五人分属高校、非营利数据机构与政府研究机构，这是一个典型的跨机构组合——高校负责方法与模型，数据机构负责数据工程与合规流程，国立卫生研究院提供临床与医学语境。这类组合在受隐私约束的医疗数据项目里几乎是标配，因为单靠任何一方都凑不齐方法、算力与合规准入三件事。

3.2 时间线

时间	事件
2024 年	关联论文在 NeurIPS 2024 的 Datasets and Benchmarks Track 发表，文中数据集名为 MIMIC-Instr，规模表述为 400K+
2025 年 9 月 9 日	以 MIMIC-IV-Ext-Instr 之名发布于 PhysioNet，版本 1.0.0，规模表述为 450K+
2025 年 9 月至今	仅有 1.0.0 一个版本，无修订记录

3.3 采集场景

这里的「采集」有两层，必须分开讲。

第一层是患者数据的采集。所有患者上下文都来自 MIMIC-IV v2.2 与 MIMIC-IV-Note v2.2，这两个都是去标识化的公开重症监护数据，原始场景是真实重症监护病房。官方页面把两者列为父项目，并要求在使用本数据集时一并引用。

第二层是问答的「采集」，实际上是在合规环境里的合成生成。官方在伦理一节说明：GPT-3.5 通过符合 HIPAA 要求的 Azure 平台调用，全部数据生成与模型训练都在安全环境内完成。这一条既是合规声明，也解释了为什么本数据集不能像普通文本语料那样被搬到任意平台加工。

3.4 来源层次

数据经过了三层转化，每一层都会丢掉一些东西：

层次	内容	保留什么	丢掉什么
第一层	真实重症监护临床记录	完整的原始诊疗细节	原始身份信息（去标识化时移除）
第二层	MIMIC-IV v2.2 关系表与 MIMIC-IV-Note v2.2 出院小结	结构化字段与文本叙述	表与表之间的隐式上下文
第三层	本数据集的问答对	问句、答案、住院编号、事件类型	除问句提到的之外的一切原始记录细节

第三层的丢弃是有意为之：把整份病历压成一问一答，才能塞进语言模型的训练流程。代价是一旦想核验某条问答，必须回到第二层去查，而第二层不在本数据集里。

这个三层结构还有一个后果，常被忽略：第三层的每一条样本都只保留了「被问到的那一点」，因此整个数据集在信息上是稀疏的。四十七万条问答听起来很多，但它们共同覆盖的患者信息量，远小于那份 MIMIC-IV 本身。规模大指的是样本数量，不是信息覆盖面——这两件事在本数据集里被明显拉开了。

§4 它最独特的东西

4.1 稀缺性：把结构化表变成自然语言问句这件事，规模化了

读自然语言是语言模型擅长的事，读关系表不是。MIMIC-IV 的关系表是几十张互相关联的表，字段命名、单位、时间基准都不统一，直接把表喂给模型，效果远不如先把它讲成一段话。

本数据集的独特之处，在于它把「讲成一段话」这件事做了三十五万余次，而且每次的真值都由脚本从表里取，不靠模型猜。这让它在「结构化电子病历问答」这个细分位置上几乎是被默认引用的那一个——不是因为它做得最精细，而是因为它是第一个把规模做上去的。

规模在这里不只是数字，而是一条硬门槛。几千条的指令数据能做的是评测：拿它检验模型会不会某种任务。几万条能做的是微调实验：证明某一方法在这个任务上有效。十万条以上才能做第三件事——让模型真的把这套表达方式内化，变成默认行为。官方页面给出的判断正是如此：当时的结构化电子病历问答数据集规模在几千到几万之间，不足以满足指令微调的需要。

把规模做上去的代价，是必须让生成过程自动化，而自动化必然引入模板与模型。本数据集的处理方式是把这两件事分开：模板负责问句的骨架与答案的正确性，模型负责表述的自然度。这不如全人工精细，但它是能在合规环境里跑完的路径。

4.2 差异化证据：与相邻数据集的分工

数据集	问句来源	答案来源	任务形态	本数据集的位置
emrQA	规则模板	抽取式	事实抽取式问答	本数据集问句经改写，答案已成句
EHRSQL	人工与模板	数据库执行	Text-to-SQL	本数据集不产出 SQL，产出自然语言答案
EHRNoteQA	出院小结	模型生成	自由文本问答	本数据集额外覆盖了结构化表那一半
MedAlign	临床医生	临床医生	指令跟随	本数据集规模更大但无专家验证

这张表的核心信息是分工而非优劣。需要专家验证的评测，官方自己指向 MedAlign；需要规模化训练语料，本数据集是现成选项。

4.3 具体案例：改写前后透露的信息

回到 2.5 节那对例子。改写前的模板句里，问句以 which 开头、答案以逗号分隔的名词短语呈现；改写后变成 Show me ... 这样的口语指令，答案变成完整句子。语义一致，风格差异明显。

这个差异揭示了两件事。其一，改写是为了打破模板的确定性——如果三十五万条问句都是同一批句式，模型会学会匹配句式而不是理解内容。其二，改写没有触及问句里的坐标与取值，也就是只改了「怎么说」，没改「说什么」，因此数据的信息边界没有被扩大，只是表述被磨平了。

推理子集走的则是另一条路：问句与答案都由 GPT-3.5 生成，没有脚本真值兜底。官方说明他们在提示里手工编写了少样本示例，示范高质量问答长什么样，用来约束生成质量。

4.4 标注粒度：本数据集其实没有标注

严格说，这里没有「标注」这个环节，只有「生成」。两个子集的生成来源不同，可信度结构也完全不同：

子集	问句来源	答案来源	可信度结构
表格对齐子集	手写模板 + 患者数据填充	手写 Python 脚本从关系表取值	答案有据可查，问句经过改写
临床推理子集	GPT-3.5 生成	GPT-3.5 生成	两端都由模型产出，无外部真值

这个区别在使用时很关键：表格子集可以当作弱监督的可靠数据用，推理子集只能当作风格与任务的示范用。把两者混在一起评估模型，等于把两个不同质量的来源当成同一个东西。

4.5 边界条件：它覆盖的患者范围

本数据集的患者范围由 MIMIC-IV 决定，官方页面没有单独列出纳入与排除规则，因此这些规则与 MIMIC-IV v2.2 本身的队列定义一致。可确认的边界有三条：

边界	内容
数据来源	仅来自 MIMIC-IV v2.2 与其配套的自由文本模块，单一来源机构体系
语言	全部英文
患者类型	队列文件含 ICU 停留标识，指向重症监护人群

也就是说，它不能代表门诊、不能代表非英语医疗环境、不能代表其他医院系统的表结构。用它训练出的模型，学到的一部分是 MIMIC-IV 的表结构习惯。

最后一条尤其容易被低估。模板是针对 MIMIC-IV 的具体表写的，问句里出现的检验项目名称、标本类型名称、时间表达方式，都是这套表的命名习惯。如果换一家医院，同一项检验可能叫另一个名字，时间可能按日期而不是按小时记，那么在 MIMIC-IV 上学到的问法就对不上了。这提醒一件事：用它训练出的模型，迁移能力的第一道障碍不是医学知识，而是表名。

对使用者的实际含义是清楚的。如果你手上的病历来自别的医疗系统，本数据集更适合当预训练语料，用来让模型先熟悉「读病历」这件事的形式；真正落地时，仍然需要在目标系统的表结构上重新生成一遍问句——而这件事，官方公开的模板与代码正是为此准备的。

§5 怎么拿到

5.1 目录结构

八个文件全部平铺在版本根目录，没有子目录，也没有 README 之类的说明文件——说明全部写在页面上，这一点与很多现代数据集不同，它把文档交给了发布页面而不是随包分发。使用时建议把页面上的字段与队列说明抄一份到本地，因为文件本身不带任何自述信息：打开一个 JSONL，除了字段名，你不会看到任何解释。

下载时的目标结构如下：

mimic-iv-ext-instr/1.0.0/
├── qa_event.jsonl           #-- 356,968 条表格问答
├── qa_note.jsonl            #-- 113,107 条推理问答
├── cohort.csv               #-- 全队列
├── cohort_train.csv         #-- 38,299 名患者
├── cohort_val.csv           #-- 4,782 名患者
├── cohort_test.csv          #-- 4,309 名患者
├── cohort_test_subset.csv   #-- 100 名患者
└── qa_test_subset.jsonl     #-- 上述 100 人的问答对

5.2 凭证化访问流程

本数据集不是开放下载。官方访问区列明的条件有三条，缺一不可：

条件	内容
访问政策	只有签署数据使用协议的凭证化用户可以访问文件
许可	PhysioNet Credentialed Health Data License 1.5.0
必修培训	CITI 「Data or Specimens Only Research」课程

流程上是先注册 PhysioNet 账号、完成 CITI 培训并提交证明、再对 MIMIC-IV 与 MIMIC-IV-Note 两个父项目分别申请（本数据集是派生项目，父项目的授权是前置条件），最后对本数据集本身申请访问。申请时需要说明使用目的。

这个链条里最容易卡住的是父项目这一环。很多人只看到本数据集的页面，直接申请它，结果被卡在父项目授权上。正确顺序是先拿下 MIMIC-IV 与 MIMIC-IV-Note，因为它们才是承载患者数据的那一层，本数据集只是从它们派生出的文本。反过来说，如果你已经在用 MIMIC-IV 做别的项目，那么追加本数据集的申请几乎没有额外成本。

CITI 培训这一项也常被低估。它要求的是「Data or Specimens Only Research」这一门课程，不是通用的人类研究培训；修错课程不会被认可。培训证明需要先上传到 PhysioNet 账号，再进入申请环节。整个链条走下来，时间主要花在审批等待而不是材料准备上，因此打算在某个项目里用它，最好提前把申请发出去。

5.3 批量下载

凭证化项目的下载需要带身份凭据。PhysioNet 提供的标准做法是用账户的用户名与密码走 wget：

#-- 整站递归下载，保留时间戳，断点续传，不进父目录
wget -r -N -c -np --user <USERNAME> --password <PASSWORD> \
     https://physionet.org/files/mimic-iv-ext-instr/1.0.0/

#-- 只取两个问答文件与全队列表
wget -r -N -c -np --user <USERNAME> --password <PASSWORD> \
     -A "qa_*.jsonl,cohort.csv" \
     https://physionet.org/files/mimic-iv-ext-instr/1.0.0/

下载下来的文件是明文 JSONL 与 CSV，没有压缩归档，也没有分片。

5.4 流式读取

问答文件是每行一个 JSON 对象的格式，不需要整体载入内存。逐行读取是推荐姿势，尤其在处理三十五万条那个文件时：

import json

#-- 逐行流式读取，不把整个文件读进内存
def iter_jsonl(path):
    with open(path, encoding="utf-8") as fh:
        for line in fh:
            line = line.strip()
            if line:
                yield json.loads(line)

row = next(iter_jsonl("qa_event.jsonl"))
print(sorted(row.keys()))      #-- ['a', 'event_type', 'hadm_id', 'q']
print(row["event_type"], "|", row["q"][:60], "|", row["a"][:60])

import csv

#-- 读取队列切分，取出住院编号集合
def load_hadm(path):
    with open(path, newline="", encoding="utf-8") as fh:
        return {r["hadm_id"] for r in csv.DictReader(fh)}

train = load_hadm("cohort_train.csv")
val   = load_hadm("cohort_val.csv")
print(len(train), len(val))

5.5 转成训练用的三元组

从问答文件到训练样本，核心动作是按 hadm_id 与队列切分做连接，并保留来源标记：

import json, csv

SPLITS = {"train": "cohort_train.csv",
          "val":   "cohort_val.csv",
          "test":  "cohort_test.csv"}

#-- 建立住院编号到切分的映射
split_of = {}
for name, path in SPLITS.items():
    with open(path, newline="", encoding="utf-8") as fh:
        for r in csv.DictReader(fh):
            split_of[r["hadm_id"]] = name

rows = []
for path, source in [("qa_event.jsonl", "event"),
                     ("qa_note.jsonl",  "note")]:
    with open(path, encoding="utf-8") as fh:
        for line in fh:
            line = line.strip()
            if not line:
                continue
            d = json.loads(line)
            #-- 两个问答文件的字段数不同，统一补空
            d.setdefault("event_type", "")
            d["source"] = source
            d["split"]  = split_of.get(d["hadm_id"], "unknown")
            rows.append(d)

print(len(rows))

5.6 五个容易踩的坑

第一个坑：拿不到文件就以为页面坏了。 官方文件区在一些网络环境下会显示「Data is not available in your region due to legal or policy restrictions」。这既可能是地域限制，也可能是未登录导致，先确认登录状态与凭证状态，再判断是不是地域问题。

第二个坑：把 450K+ 当成精确值。 官方标题写的是 450K+，两个文件的实际条数是 356,968 与 113,107。报告规模时用后者更准确。

第三个坑：忽略 event_type 只存在于一个文件。 合并两个 JSONL 后再按事件类型切分，会漏掉整个推理子集。

第四个坑：按 hadm_id 切分导致同人跨侧。 同一个人多次住院会被分到两侧，评测 inflate 由此而来。用 subject_id 分组更稳。

第五个坑：把数据转存到公开社区。 数据使用协议明确禁止与他人共享访问权限，二次分发是违约行为。即使只发布从中微调出来的模型权重，也要先确认这是否落在协议允许范围内——协议对派生物的处理要求是单独判断的，不能想当然。

第六个坑：把两个子集合并后不再区分。 合并之后若不保留来源标记，就无法再把有脚本真值的样本和纯生成的样本分开，后续的评估会失去基准。这一点在 2.3 节已经强调，但在实际代码里最容易被省略。

第七个坑：以为下载下来就能直接用原始表核对答案。 包内没有 MIMIC-IV 的关系表，也没有取数脚本（脚本在配套代码仓库里，且需要接入 MIMIC-IV 才能跑）。想逐条核验答案，得先把 MIMIC-IV 环境搭起来。

§6 与库内数据集的关系

6.1 关系图谱

本数据集在 MIMIC 家族中的位置是「派生指令语料」，上游是 MIMIC-IV 的两个模块，平级是各种 MIMIC-IV 扩展项目：

关系	数据集	区别
上游	MIMIC-IV v2.2	提供结构化关系表，本数据集只带走它翻成的问句
上游	MIMIC-IV-Note v2.2	提供出院小结，推理子集由此生成
平级	MIMIC-IV-Ext-CLIF	同为 MIMIC-IV 扩展，后者统一重症数据表口径
平级	MIMIC-IV-Ext-CEKG	同为 MIMIC-IV 扩展，后者做知识图谱化的表间关系
平级	MIMIC-IV-Ext-CDS	同为 MIMIC-IV 扩展，后者聚焦急诊决策支持
平级	MIMIC-IV-Ext-DiReCT	同为 MIMIC-IV 扩展，后者带推理链，规模小得多
邻近	EHRSQL	同为电子病历问答，后者是 Text-to-SQL 形态
邻近	emrQA	同为电子病历问答，后者是抽取式形态

6.2 检索路径

要找「电子病历上的问句数据」，先问自己要哪种形态：要可执行的 SQL，去 EHRSQL；要抽取式答案，去 emrQA；要规模化自然语言问答语料，来这里；要带专家验证的小规模问答，官方自己指向 MedAlign。

要找「MIMIC-IV 上的扩展语料」，则按用途分：表口径统一看 CLIF，表间关系看 CEKG，急诊决策看 CDS，带推理链的小规模看 DiReCT，规模化指令语料看本数据集。

6.3 分工判据

你要做的事	该用它还是换一个	理由
让模型学会读结构化电子病历	用它	三十五万余条表格问答，来源可追
评测模型的电子病历问答能力	换一个	官方只提供 100 名患者的测试子集
做 Text-to-SQL 研究	换 EHRSQL	任务形态不匹配
做安全关键场景的验证	换专家验证数据集	官方自述缺乏专家验证
研究合成数据的生成链条	用它	模板、提示词与代码全部公开

§7 质量评估与局限性

7.0 前置校正：先分清两个子集的质量来源

评价本数据集之前，必须先做一件事：把表格子集和推理子集分开。它们共享文件命名与字段名，但在质量结构上完全不同源，混在一起谈质量是没有意义的。

表格子集的答案链条是「关系表 → 手写脚本 → 答案文本」，中间没有模型参与生成事实，因此答案可靠性取决于脚本写得对不对，这是可审计的。推理子集的链条是「出院小结 → GPT-3.5 → 问答」，两端都由模型产出，只能靠提示设计与少样本示例约束，不可审计。

这个区别会直接传导到下游。用表格子集训练，模型学到的是「怎么从一份记录里准确取出被问到的事实」，错误的来源主要是脚本写错或改写走样，属于可以被追查的技术性错误。用推理子集训练，模型学到的是「什么样的回答听起来像医生写的」，错误的来源可能是医学事实本身有误，而这类错误在文本层面是看不出来的。

因此，两个子集应该分开训练、分开评估、分开报告结果。把它们混在一起，得到的任何一个指标都无法归因——分数好了不知道是哪部分起作用，分数差了也不知道该修哪里。

7.1 五维评分

维度	评价	依据
规模	强	四十七万余条，官方列出的同类数据集规模在几千到几万
答案可靠性	分裂	表格子集有脚本真值，推理子集无外部真值
语言多样性	中等	经过 GPT-3.5 改写，但模板痕迹仍在
专家验证	弱	官方明确承认构建与评估两端都缺专家参与
可用性	中等	凭证化门槛高，但文件格式简单、可直接训练

7.2 生成的两层

表格子集内部还有一层区分：模板句与改写句。模板句由槽位填充生成，句式固定；改写句由 GPT-3.5 在保持语义的前提下重写。官方说明改写是为了提升样式的多样性，因为固定模板会限制训练效果。

这一层的意义在于，它把「事实正确性」和「表达多样性」这两件事拆到了两个环节：正确性由脚本保证，多样性由模型提供。代价是改写环节本身也可能引入错误，官方把这一点归入局限——手工模板加模型增强的过程中存在潜在误差与噪声。

7.3 可枚举的偏差

偏差来源	表现	影响
模板覆盖有限	一百多个模板决定了问句能问到什么	表格之外的信息进不来
改写引入噪声	改写环节可能改变细节	答案与原始表可能对不上
生成模型口癖	推理子集的问答带有 GPT-3.5 的表达习惯	训练出的模型会模仿这种口吻
无专家验证	两端都缺临床医生参与	临床细节可能被误述或漏掉
单来源机构	全部来自 MIMIC-IV 体系	表结构习惯随来源一起被学到
单一语言	全部英文	中文场景需另行处理
人群偏重症	队列含 ICU 停留标识	不能代表门诊与普通住院

7.4 外部验证

本数据集本身没有外部验证环节。官方在局限性一节给出的替代方案是明确的：需要更严格评测或安全关键用途时，参考规模更小但经过专家验证的数据集，并在文中点名 MedAlign。这条建议出自作者自己，可信度高于任何二手评价。

此外，官方把模板、提示词与生成代码全部公开在配套代码仓库，这意味着生成链条本身是可审查的。想验证某类问句怎么来的，可以直接去看模板定义，不必依赖数据文件内部的痕迹。

7.5 为什么它仍被持续使用

三条理由。第一，规模门槛：十万量级的结构化电子病历指令语料，此前几乎没有可选项。第二，可复现：生成链条完全公开，别人可以在自己的数据上照做一遍。第三，配套完整：与它一同提出的模型框架有代码、有论文，训完可以直接在已知基准上比。

这三条都不指向「质量最好」，而指向「可用且可查」。这正是语料型数据集该有的评价方式。

还要补一条：它把失败模式摆在明面上。官方页面不掩饰生成链条的弱点，也不掩饰专家验证的缺席，甚至主动推荐了替代方案。对使用者来说，这种坦白比任何宣传都更有价值——它意味着你可以先判断风险再决定是否投入几个月的审批与算力，而不是训到一半才发现答案来源不可靠。一个数据集敢把局限写成一节，本身就是质量的组成部分。

§8 生态位与历史

8.1 从 MIMIC-Instr 到 MIMIC-IV-Ext-Instr

这个数据集有过两个名字。2024 年那篇 NeurIPS 论文里叫 MIMIC-Instr，规模表述为 400K+，两个子集分别是 350K 与 50K。2025 年 9 月发布到 PhysioNet 时改名 MIMIC-IV-Ext-Instr，规模表述升到 450K+，子集变成 350K 与 100K，实际文件条数是 356,968 与 113,107。

版本	名称	规模表述	表格子集	推理子集
论文版（2024）	MIMIC-Instr	400K+	350K	50K
发布版（2025）	MIMIC-IV-Ext-Instr	450K+	350K	100K
发布版实际文件	同上	—	356,968	113,107

引用时要注意口径：论文里的数字与发布版不一致，报告数据规模应以 PhysioNet 发布版为准，引用方法思路时才指向论文。

8.2 与模型框架的关系

与本数据集一同提出的，是一个能让语言模型处理复杂异构电子病历的框架。官方页面在附加资源里给出的代码仓库地址就是这套框架的所在地，模板、提示词与生成代码都在里面。

这层关系对使用者有意义：本数据集不是孤立发布的语料，而是与一套处理长事件序列的方案配套。想让模型直接吃下整份病历的事件流，而不是先切问答，那条路在框架侧，不在数据侧。

8.3 生态位

在电子病历问答这个谱系上，四个角分别是：形式化任务（Text-to-SQL）、事实抽取、规模化自然语言问答、专家验证的小规模问答。本数据集占第三个角，它的价值来自规模，代价是缺少专家验证。

这个位置决定了它的典型用法：作为训练语料的底座，而不是作为评测的终点。需要终点的项目，作者在官方页面里已经替使用者指好了路——他们直接点名了规模更小但经过临床医生验证的数据集，这在一个数据集的官方页面上并不常见，也让这句话格外有分量。

把四个角连起来看，会发现它们各自服务不同的研发阶段：形式化任务服务的是能力验证，事实抽取服务的是信息抽取组件，规模化语料服务的是模型训练，专家验证集服务的是上线前的评估。一个完整的临床语言模型项目，通常需要在这四个角上都走一遍，而本数据集只占其中一环。把它当成全部，是常见的路线错误。

还有一层生态位属于它自己：它是少数把生成链条完全公开的规模化医疗语料。模板、提示词、取数脚本都在配套仓库里，别人拿去改一改就能在别的医疗数据上复现。这种「方法可迁移、数据不可迁移」的组合，让它在实际项目里的价值常常超过它作为语料本身的价值。

8.4 谁在用

官方页面在用途一节列出的方向有三类：结构化电子病历查询任务的训练与评测、电子病历助理与临床检索系统的构建、以及基于出院小结的总结、并发症预判与照护规划。这三类共同指向一个定位——它是给做临床语言模型的人准备的原料，不是给临床人员直接使用的成品。

§9 使用指引

9.1 三种角色的路径

角色	路径	要点
医疗大模型工程师	申请访问 → 按两阶段顺序微调 → 在自建评测集上验证	先表格子集、后推理子集，顺序别颠倒
临床自然语言处理研究者	只用表格子集 → 按 event_type 分组 → 比较各事件类型表现	推理子集无真值，不用于评测
医学信息学教师	不下载数据 → 直接看配套代码仓库的模板与提示词	生成链条可完整复现，数据本身受协议约束
数据工程人员	先跑通 MIMIC-IV 环境 → 再用官方模板在自有数据上生成	本数据集的取数脚本依赖 MIMIC-IV 表结构，需改写

9.2 最短流程

拿到访问权之后，最短的可用路径是四步：

import json, csv

#-- 第一步：分别读取两个问答文件，保留来源标记
samples = []
for path, tag in [("qa_event.jsonl", "event"), ("qa_note.jsonl", "note")]:
    with open(path, encoding="utf-8") as fh:
        for line in fh:
            if line.strip():
                d = json.loads(line)
                d["tag"] = tag
                samples.append(d)

#-- 第二步：按切分文件分组
split = {}
for name, path in [("train", "cohort_train.csv"),
                   ("val",   "cohort_val.csv"),
                   ("test",  "cohort_test.csv")]:
    with open(path, newline="", encoding="utf-8") as fh:
        for r in csv.DictReader(fh):
            split[r["hadm_id"]] = name

#-- 第三步：只保留能定位到切分的样本
samples = [s for s in samples if s["hadm_id"] in split]

#-- 第四步：两阶段顺序，先表格后推理
sched = ([s for s in samples if s["tag"] == "event"]
         + [s for s in samples if s["tag"] == "note"])
print(len(samples), len(sched))

9.3 引用方式

官方页面要求至少三段引用，缺一不可：

引用对象	内容
数据集本身	Wu, Z., Dadu, A., Nalls, M., Faghri, F., & Sun, J. (2025). MIMIC-IV-Ext-Instr: A Dataset of 450K+ EHR-Grounded Instruction-Following Examples (version 1.0.0). PhysioNet. https://doi.org/10.13026/e5bq-pr14
原始论文	Wu, Z., Dadu, A., Nalls, M., Faghri, F., & Sun, J. (2024). Instruction tuning large language models to understand electronic health records. NeurIPS 2024 Datasets and Benchmarks Track.
PhysioNet 平台	Pollard, T. 等（2026）. PhysioNet as a global platform for biomedical research. Nature Health. https://doi.org/10.1038/s44360-026-00096-z

此外，官方页面在父项目一节要求同时引用 MIMIC-IV v2.2 与 MIMIC-IV-Note v2.2。

§10 AI 使用声明

项目	说明
文本生成	全文由 AI 撰写，依据 PhysioNet 官方页面正文与页面内列出的文件清单
数字来源	全部取自官方页面的 Abstract、Methods、Data Description、Access 各节，未从原始文件自行统计
文件核验	官方页面文件区在当前网络环境下返回「Data is not available in your region」，各文件的字节大小未能核实
不一致说明	2024 年论文版称 400K+（350K + 50K），2025 年发布版称 450K+（350K + 100K），本文以发布版为准并同时标注论文口径
论文信息	关联论文为《Instruction Tuning Large Language Models to Understand Electronic Health Records》，NeurIPS 2024 Datasets and Benchmarks Track
未核验内容	八个文件各自的字节大小、qa_test_subset.jsonl 的问答条数、event_type 的完整取值清单、模板总数与覆盖的事件表名、队列的纳入排除规则、切分所用的编号层级
图像	封面图为风格提示词生成的示意图像，不含真实病历内容
免责	内容不构成医疗建议；数据集受凭证化数据使用协议约束，未获授权者不得获取，获授权者不得二次分发

常见误读（避坑清单）

说法	实际	证据
这是专家审校过的高质量标注集	官方明确承认构建与评估两端都缺乏专家验证	官方页面 Limitations 节
四十七万条里只有十万条有用，表格子集可以忽略	官方的两阶段训练顺序是先表格、后推理，表格子集是第一阶段	官方页面 Methods 节
答案都是 GPT 编出来的	表格子集的答案由手写 Python 脚本从关系表取出，未经模型生成	官方页面 Methods 节
下载后就不用再申请 MIMIC-IV 了	包内只有问句与答案文本，不含 MIMIC-IV 关系表	官方页面文件清单
可以转存到公开模型社区方便别人用	数据使用协议明确禁止与他人共享访问权	官方页面 DUA 条款
论文里叫什么，数据集就叫什么	论文里叫 MIMIC-Instr 400K+，发布版叫 MIMIC-IV-Ext-Instr 450K+	官方页面与原论文摘要
有了训练验证测试三份队列就能直接打分	官方只提供 100 名患者的测试子集，规模是按省下评测开销设定的	官方页面 Data Description 节
两个问答文件字段一样	只有 qa_event.jsonl 有 event_type，qa_note.jsonl 没有	官方页面 Data Description 节
450K+ 是精确条数	两个文件实际为 356,968 与 113,107 条	官方页面 Data Description 节
中文场景直接可用	全部问句与答案均为英文	官方页面示例与 Methods 节
四十七万条覆盖了整份 MIMIC-IV	每条样本只保留被问到的那一点，信息上是稀疏的	官方页面 Data Description 的字段清单
按住院编号切分就够了	同一人的多次住院会跨侧，需按患者编号分组	官方页面队列 CSV 同时给出三级编号

FAQ

它和 MIMIC-IV 是什么关系？

它是 MIMIC-IV 的派生项目，官方页面把 MIMIC-IV v2.2 与 MIMIC-IV-Note v2.2 列为父项目，并要求一并引用。关系上是单向的：本数据集从 MIMIC-IV 取值造问句，但不包含 MIMIC-IV 本身。要用它，通常需要先获得 MIMIC-IV 与 MIMIC-IV-Note 的访问权，再对本数据集申请访问。反过来不成立——拿到本数据集不等于拿到 MIMIC-IV 的关系表。

这些答案可靠吗？

要分两个子集看。表格子集的答案链条是手写脚本从关系表取值，中间没有模型参与事实生成，因此是可审计的；但问句经过 GPT-3.5 改写，改写环节可能引入误差。推理子集的问句与答案都由 GPT-3.5 生成，没有外部真值，只能靠提示里的少样本示例约束。官方把这两条都写进了局限性一节，并建议安全关键场景改用有专家验证的数据集。

为什么官方说它不适合做严格评测？

原因有三层。第一，构建环节缺乏专家验证，答案本身的临床正确性没有保证。第二，官方提供的评测子集只有 100 名患者，规模是按省下 GPT 评测开销设定的，不是按结论稳定性设定的。第三，问句里嵌着 MIMIC-IV 内部的坐标，用这些问句打分，测的是模型对 MIMIC-IV 表结构的熟悉程度，不一定等于临床问答能力。

为什么我打不开文件列表？

本数据集是凭证化访问项目，未登录时会看不到文件；在部分网络环境下，官方页面会直接返回「Data is not available in your region due to legal or policy restrictions」。如果已经签过协议仍看不到，多半是地域限制，而不是页面故障。此时可以改用官方列出的配套代码仓库了解数据结构。

四十七万条里，表格问答和推理问答怎么分配？

按官方文件说明，qa_event.jsonl 有 356,968 条，来自结构化表格；qa_note.jsonl 有 113,107 条，来自出院小结。两条相加 470,075 条。训练时官方建议的顺序是先表格子集、后推理子集，把「读得准」放在「想得深」之前。这个顺序是有道理的：连事实都取不准，推理得再流畅也没有意义。反过来做，模型会先学会一套漂亮的推理话术，再在上头补事实，最终两样都不牢。

它能不能直接用来回答真实临床问题？

不能，原因不是质量不好，而是坐标不通用。问句里的时间点是 MIMIC-IV 内部记法（例如第几百小时），检验项目名与标本名也是 MIMIC-IV 表里的命名。换一家医院，同一项检验可能叫别的名字，时间可能按日期记，这些坐标就失效了。它是训练语料，让模型学会「读病历」这件事的形式；真正落地时，需要在目标系统的表结构上重新生成问句，而官方公开的模板与代码正是为此准备的。

如果我只想了解它，不想申请访问，能做什么？

可以看官方配套的代码仓库。模板、提示词与取数脚本都公开在那里，不需要访问数据本身。这三样东西比数据更能说明它是怎么造出来的：模板清单告诉你它能问哪些类型的问题，提示词告诉你推理子集是怎么约束生成的，脚本告诉你答案是怎么从关系表里取出来的。看完这三样，基本上就能判断它适不适合你的项目，而不必先走完凭证审批流程。

术语表

术语	含义
电子病历（EHR）	以关系表与自由文本共同承载的患者诊疗记录系统
指令微调（instruction tuning）	用大量「指令—回答」对训练模型，使其理解并执行人类指令
结构化电子病历	以关系表形式组织的患者信息，与自由文本相对
表格对齐子集	本数据集中由结构化表生成的三十五万余条问答
临床推理子集	本数据集中由出院小结生成的十一万余条问答
出院小结（discharge summary）	患者出院时书写的总结性文书，含诊疗经过与后续建议
槽位填充	把模板中的槽位替换为患者真实数据，生成具体问句
改写（paraphrase）	在不改变语义的前提下重写句子，用于打破模板的句式固定
少样本示例（few-shot examples）	写在提示里的人工示范，用来约束模型生成质量
JSONL	每行一个 JSON 对象的文本格式，适合逐行流式读取
hadm_id	MIMIC-IV 的住院就诊编号，本数据集连接问答与队列的键
subject_id	MIMIC-IV 的患者编号，比住院编号高一级
stay_id	MIMIC-IV 的 ICU 停留编号，比住院编号低一级
event_type	表格问答文件中标明问句来源表的字段
凭证化访问（credentialed access）	需完成培训、签署协议并通过审核后才能获取的数据访问方式
数据使用协议（DUA）	规定数据用途与流转限制的合同文本
CITI 培训	人体研究受试者保护与相关法规的在线课程，PhysioNet 的必修项
Llemr	与本数据集配套提出的、处理长事件序列电子病历的模型框架
两阶段训练	先训表格子集、再训推理子集的课程式顺序
关系表	以行列组织的结构化数据存储形式，本数据集的上游形态
提示词（prompt）	写给生成模型的指令文本，本数据集的提示词已公开
取数脚本	与模板配对的手写 Python 程序，负责从关系表取出答案真值
合成语料	由程序与模型生成的训练数据，非人工逐条书写

附录 A：核心数字核对表

数字	出处
450K+	官方页面标题与 Abstract
356,968 条	官方页面 Data Description，qa_event.jsonl
113,107 条	官方页面 Data Description，qa_note.jsonl
470,075 条	由上两项相加得出，非官方直接给出
一百多个模板	官方页面 Methods，原文为 over 100 templates
38,299 名患者	官方页面 Data Description，cohort_train.csv
4,782 名患者	官方页面 Data Description，cohort_val.csv
4,309 名患者	官方页面 Data Description，cohort_test.csv
47,390 名患者	由上述三项相加得出，非官方直接给出
100 名患者	官方页面 Data Description，测试子集规模
八个文件	官方页面 Data Description 列出的文件名合计
四个字段 / 三个字段	官方页面 Data Description，两个问答文件的键清单
九列	官方页面 Data Description，队列 CSV 的列清单
2025 年 9 月 9 日，1.0.0	官方页面版本区
10.13026/e5bq-pr14	官方页面 DOI 区
MIMIC-IV v2.2 与 MIMIC-IV-Note v2.2	官方页面 Parent Projects
PhysioNet Credentialed Health Data License 1.5.0	官方页面 Access 区