信息速览
INFOBOX
| 属性 | 内容 |
|---|---|
| 名称 | MIMICEL: MIMIC-IV Event Log for Emergency Department（v2.1.0） |
| 维护方 | Queensland University of Technology 团队 / PhysioNet |
| 发布 | v1.0.0（2022）；v2.1.0（2023-06-16） |
| 定位 | MIMIC-IV-ED 的事件日志——流程挖掘视角的患者旅程语料 |
| 数据源 | MIMIC-IV-ED v2.2（DOI 10.13026/5ntk-km72） |
| 规模 | 425,028 案例 / 205,466 患者 / 7,568,824 事件 / 6 活动类型 |
| 案例长度 | 平均 18 事件/案例（min 3 / max 218） |
| 格式 | CSV（mimicel.csv）+ XES（mimicel.xes，PM4Py 转换） |
| 属性 | case attributes 8 项 + event attributes 21 项 |
| 提取方法 | Jans et al. 九步事件日志提取法 |
| 访问 | Credentialed Access（PhysioNet DUA） |
| 配套论文 | Curation and Analysis of MIMICEL（arXiv:2505.19389, 2025） |
| 代码 | GitHub: ZhipengHe/MIMIC-IV-event-log-extraction-for-ED |
| DOI | 10.13026/64aq-jw11（v1.0） |
| 平台 | PhysioNet |
§0 E-E-A-T 信任声明与免责声明
经验（Experience）：本文基于 PhysioNet 官方页面（v2.1.0）、配套论文（arXiv:2505.19389 全文）、GitHub 提取代码仓库与 MIMIC-IV-ED 官方文档撰写；活动清单、属性表、规模数字均按论文 Table 1-6 原文口径译写。
专业性（Expertise）：事件日志三强制属性、case/event 属性二分、Triage 人工时间戳（intime+1 秒）的构造语义、时序倒置事件的过滤口径——流程挖掘新手最易错的语义全部显式披露。
权威性（Authoritativeness）：MIMICEL 是公开世界规模最大的真实医院急诊事件日志；QUT 流程挖掘团队出品并有配套论文与开源提取代码；本文为第三方解读，不替代官方文档与 DUA。
可信度：文内数字进入文末「口径存照」；"6 种活动"与"全部 ED 活动"的抽象边界、完整版与分析版的事件数差异已显式区分。
免责：本文为学术性数据资源解读，不构成医疗或运营决策建议；再识别风险与合规见 §8。
§1 数据集概览
§1.0 📌 30 秒速览
- 是什么：从 MIMIC-IV-ED（BIDMC 急诊科数据库）提取的事件日志——把"关系表快照"重组为"端到端患者旅程"；
- 规模：425,028 案例（ED 就诊）× 平均 18 事件 = 7,568,824 事件，覆盖 205,466 名患者；
- 6 种活动：进入 ED → 分诊 → 生命体征测量 → 用药核对 → 发药 → 离开 ED——一条完整 ED 流水线骨架；
- 双格式：CSV（数据分析）+ XES（流程挖掘标准，PM4Py/ProM 直读）；
- 用途：流程发现（患者流建模）、性能分析（瓶颈/等候时间）、预测监控（下一活动/停留时长）、ML 分类（结局预测）；
- 访问：Credentialed Access（DUA——同 MIMIC 家族受控语义）；
- 最大坑：把 6 种活动当"全部 ED 活动"——日志是流程视角的刻意抽象，不是临床全记录。
§1.1 摘要
急诊科（ED）拥挤是全球医院的共同痛点，而分析患者流的前提是把分散在关系数据库各表中的"活动快照"拼成端到端旅程——这就是事件日志（event log）的工作。MIMICEL 由昆士兰科技大学流程挖掘团队按 Jans 九步法从 MIMIC-IV-ED v2.2 提取：425,028 次 ED 就诊成为案例（case），每个案例是按时间排序的事件序列，事件取 6 种抽象活动（进入/分诊/生命体征/用药核对/发药/离院），带 8 项案例属性（性别/种族/到达方式/分诊紧急度/主诉等）与 21 项事件属性（生命体征/药物/诊断编码）。756 万事件以 CSV 与 XES 双格式发布——后者是流程挖掘的事实标准（PM4Py 一行载入，ProM/Celonis 直接吃）。它的独特生态位：公开世界里规模最大的真实医院急诊事件日志——此前 ED 流程研究多用单月/单科室小样本日志，MIMICEL 第一次把流程挖掘扔进四十万量级的真实数据池。对 AI 研究者，它同时是序列建模语料（下一活动/剩余时长预测）与运营科学语料（拥挤建模/瓶颈识别）——而理解"6 活动抽象"的取舍，是用好它的第一步。
§1.2 战略价值
- 稀缺性：真实医院的全量 ED 事件日志几乎不外流（隐私+商业敏感）——MIMICEL 是该数据类型唯一的公开规模化来源；
- 标准格式：XES 是事件日志的国际标准——流程挖掘社区的工具链即插即用，无需自写解析；
- MIMIC 血统：源自 MIMIC-IV-ED，可回流关联临床结局（acuity/处置/诊断）——流程视角与临床视角的桥梁数据；
- 方法论背书：九步提取法+配套论文+开源代码——提取过程可复现可审计，避免"黑箱日志"；
- 教学与基准：规模足够大、结构足够简单（6 活动）——流程挖掘课程与算法基准的理想载体。
§1.3 同类数据集横向对比
| 维度 | MIMICEL | MIMIC-IV-ED（源库） | 医院 ED 日志（文献常见） | BPI Challenge 医疗类 |
|---|---|---|---|---|
| 数据形态 | 事件日志（XES+CSV） | 关系表（快照） | 事件日志 | 事件日志 |
| 案例 | 425,028 ED 就诊 | ~42.5 万 ED 就诊 | 数百-数千 | 数千-数万 |
| 事件 | 7,568,824 | 表内全量活动 | 万-十万级 | 百万级 |
| 活动 | 6 类（抽象） | 全部记录字段 | 10-50 类（视医院） | 视场景 |
| 临床属性 | ✅（生命体征/用药/诊断） | ✅ 全量 | 有限 | 一般无 |
| 访问 | Credentialed | Credentialed | 通常不公开 | 公开（竞赛） |
| 真实性 | 真实医院 8 年 | 真实医院 | 真实但小 | 真实（匿名竞赛） |
结论：论"规模×临床深度×可复现性"三角，MIMICEL 在公开 ED 流程语料中无替代品；其 6 活动抽象是"少而干净"的设计选择——比全字段但不可公开的医院日志，贡献了公开研究可能性。
§1.4 版本时间轴
| 时间 | 事件 |
|---|---|
| 2022-06 | MIMICEL v1.0.0 发布（PhysioNet；Wei/He/Ouyang/Moreira；DOI 10.13026/64aq-jw11） |
| 2022 | MIMIC-IV-ED v2.2 发布（提取源库定版） |
| 2023-06-16 | v2.1.0 发布（当前版本；基于 MIMIC-IV-ED v2.2 重新提取） |
| 2023-2024 | 流程挖掘社区采纳（PM4Py 教程/课程案例） |
| 2025-05-26 | 配套论文 “Curation and Analysis of MIMICEL”（arXiv:2505.19389）发布——Table 1-6 权威口径 |
| 2025 | 下游应用扩展（流程挖掘+ML 结局预测等） |
§1.5 应用场景矩阵
| 场景 | 用到的部分 | 关键动作 |
|---|---|---|
| 流程发现 | 事件序列 | 直接跟随者图/流程树→流程模型可视化 |
| 性能/瓶颈分析 | timestamp + 活动 | 段落时长统计→瓶颈活动定位 |
| 拥挤建模 | 并发案例数 + acuity | 时变在治人数→拥挤阈值（≥12）分析 |
| 下一活动预测 | 事件前缀 | 序列编码→分类/生成 |
| 剩余时长预测 | 事件前缀+时间 | RNN/Transformer 回归 |
| 结局预测 | case 属性+事件序列 | disposition/住院转化分类 |
| 流程变异挖掘 | 案例 variants | 变体聚类→异常路径发现 |
| LLM+流程挖掘 | 日志摘要/问答 | 事件序列→文本化→LLM 推理 |
§1.6 组件全景
MIMICEL（v2.1.0）
├── mimicel.csv（事件主表：7,568,824 行）
│ └── 列：stay_id | activity | timestamp | case attributes(8) | event attributes(视活动)
├── mimicel.xes（XES 标准格式；PM4Py 由 CSV 转换）
│ ├── trace = case（一次 ED 就诊）
│ ├── trace attributes = case attributes
│ └── event attributes = 事件动态属性
├── 提取代码（GitHub：ZhipengHe/MIMIC-IV-event-log-extraction-for-ED）
│ └── Jans 九步法：目标定义→表选择→案例识别→活动识别→…
├── 源库：MIMIC-IV-ED v2.2（edstays/triage/vitalsign/medrecon/pyxis/diagnosis）
└── 配套论文：arXiv:2505.19389（Table 1-6 口径权威）
§1.7 事件日志语义速记
事件日志 = { case₁, case₂, ..., case₄₂₅₀₂₈ }
case（trace）= 一次 ED 就诊（stay_id）= <e₁, e₂, ..., eₙ>（按 timestamp 排序）
event = (activity, timestamp, event_attributes...)
e.g. (Vital sign check, t₃, {temperature:37.2, heartrate:88, ...})
三强制属性：case ID | activity | timestamp ← 任何事件日志的骨架
case attributes（静态）：gender, race, arrival_transport, disposition, acuity, chiefcomplaint
event attributes（动态）：生命体征 8 项（Vital sign check 时）
药物 9 项（Medicine reconciliation 时）
诊断 3 项 + hadm_id（依来源表）
核心转换：关系库回答"这个患者在什么时间有什么记录"（按表组织）；事件日志回答"这次就诊经历了什么流程"（按案例组织）——视角旋转 90°，就是 MIMICEL 的全部价值。
§1.8 访问方式速记
- 准入：PhysioNet 账号 → 签署 DUA（CITI 培训）→ Credentialed 下载（同 MIMIC 家族流程）；
- PM4Py 一行载入：
pm4py.read_xes('mimicel.xes')→ 直接得到事件日志对象； - CSV 路线：pandas 读 mimicel.csv 自由分析（XES 由 CSV 经 PM4Py 转换而来，两者同源）；
- 提取代码：GitHub 仓库可从 MIMIC-IV-ED 原表复现整个日志（可审计性）。
§1.9 独特视角：给急诊科装"行车记录仪"
MIMIC-III/IV 记录的是"临床事实"（化验值、诊断、用药），MIMICEL 记录的是"流程事实"（谁在哪个环节、停留多久、走哪条路径）。前者像病历，后者像物流追踪——ED 在 8 年里处理了 42.5 万个"包裹"，每个包裹从进门到离院经过哪些站、卡在哪里。流程挖掘就是把这些轨迹还原成"地图"，让拥挤不再是感受而是可测量的瓶颈。MIMICEL 的价值在于：这是第一次，研究者可以在公开数据上对一家真实医院的全量急诊流程"开天眼"——并以 40 万案例的规模让结论具有统计底气。
§2 医学与科学背景
§2.1 ED 拥挤的全球治理难题
急诊科拥挤（overcrowding）是全球性系统问题：服务能力跟不上需求增长，导致等候延长、救护车积压、患者安全事件与员工倦怠。传统分析方法（现场访谈、流程会议、人工观察）费时、昂贵且主观——而拥挤是动态过程问题（随到达率、人员配置、病种组合时变），静态分析天然失真。这就是流程挖掘进入 ED 的临床动机：用信息系统里自然沉淀的活动数据，把患者流变成可测量、可建模、可仿真的对象。MIMICEL 的论文直接以此为立论——数据集本身是"拥挤治理"这一临床运营问题的基础设施。
§2.2 流程挖掘的学科定位
流程挖掘（process mining）是连接数据科学与业务流程管理的学科（van der Aalst 学派奠基），三大分支：流程发现（从日志自动构建流程模型，如直接跟随者图、流程树、Petri 网）；一致性检查（比较观测流程与规范流程的偏差）；流程增强（用日志扩展/修正既有模型，如性能标注）。其数据前提就是事件日志——这也是 MIMICEL 存在的理由：医疗 HIS 里的数据形态是关系表，不直接满足"案例-事件"结构，需要系统的提取方法学（Jans 九步法）。医疗是流程挖掘增长最快的应用域之一（Munoz-Gama 等的 healthcare process mining 综述），而 ED 是其中最活跃场景。
§2.3 医疗流程 vs 业务流程的特殊性
把流程挖掘从银行/物流搬到急诊科，Munoz-Gama 等总结的特殊性包括：多学科并行（医生/护士/药房/检验交叉介入）、高度变异（患者路径因病种而异，“标准流程"只是骨架）、时间语义复杂（等待时间 vs 服务时间的区分）、数据质量受限（临床记录为临床目的而非流程分析而生）。MIMICEL 的 6 活动抽象正是对这些约束的回应：只取"骨架环节”（进入/分诊/测量/用药/离院），保证 42.5 万案例在同一坐标系下可比——牺牲细节换取全局。使用者应理解这是建模取舍而非数据缺陷。
§2.4 6 种活动的临床语义
| 活动 | 临床环节 | 运营语义 |
|---|---|---|
| Enter the ED | 到达（步行/救护车等 arrival_transport 区分） | 旅程起点；到达率分析 |
| Triage in the ED | 分诊（acuity 紧急度评定） | 分诊延迟=安全隐患的核心指标 |
| Vital sign check | 生命体征测量（可多次） | 病情监测密度；高频事件 |
| Medicine reconciliation | 用药核对（入科时用药史整理） | 药事安全环节 |
| Medicine dispensation | 发药（pyxis 自动配药机记录） | 药房吞吐 |
| Discharge from the ED | 离院（disposition 区分去向） | 旅程终点；LoS 分析 |
活动分布不均是常态：Vital sign check 占事件大头（就诊期多次测量），Enter/Discharge 每案例各一次——流程模型会出现"高度不平衡的重复结构"，这是 ED 流程的真实形态而非数据错误。
§2.5 case attributes 的分析语义
8 项案例属性是流程分析"分而视之"的分层键：acuity（分诊紧急度）是最重要的分层变量——不同紧急度的路径与时长预期完全不同；arrival_transport（到达方式）区分救护车/自行来院——两群人的起点行为不同；disposition（离院去向：出院/转住院/转院/离开）是结局变量——"ED 后住院转化率"是急诊运营核心 KPI；chiefcomplaint（主诉自由文本）是 NLP 的接口——主诉×路径的组合分析（如"胸痛"患者的流程变异）是高价值方向。race/gender 则是公平性审计的必带变量（§7.7）。
§2.6 event attributes 的时序语义
21 项事件属性挂在特定活动上：Vital sign check 事件带 8 项生命体征（temperature/heartrate/resprate/o2sat/sbp/dbp/pain/rhythm）——使事件日志同时是稀疏生命体征序列（一次就诊 1-多次测量）；Medicine reconciliation 事件带 9 项药物属性（含 NDC 编码）——用药史核对过程可分析；诊断 3 项（icd_code/icd_version/icd_title）使案例可挂结局标签。设计含义：MIMICEL 不是纯"流程骨架"，而是骨架+挂载的临床切片——研究者可以在流程语境下做临床预测（“这个流程变体会不会走向住院”）。
§2.7 时间戳的三源语义
事件时间戳来自三处，粒度与语义不同：intime/outtime（edstays 表：进入/离开 ED 的登记时刻）；charttime（vitalsign/medrecon/pyxis 的记录时刻——反映"记录时间"而非严格"执行时间"）；intime+1 秒（Triage 的人工构造时间戳——分诊真实时刻未单独记录，论文用 intime+1s 使 Triage 事件可排序）。使用纪律：Triage 的"+1 秒"是排序装置不是测量值——"到达到分诊的间隔"在日志里恒为 1 秒，真实的分诊延迟需要回 MIMIC-IV-ED triage 表或用"分诊→首次生命体征"间隔代理。这是本库最隐蔽的坑（§6.5 坑点清单首位）。
§2.8 时序倒置事件的语义
分析版过滤了 80,581 个事件（占 1.06%）——发生在 Enter the ED 之前或同时刻的事件。语义：charttime 的记录时间可能早于 intime 登记时间（先测量后登记、时钟偏差、预登记流程）——真实医院的"流程外噪声"。两个使用口径：做流程模型用过滤版（保证起点一致性）；做数据质量研究用完整版（这 1.06% 本身是登记流程缺陷的测量）。论文 Table 5 的 7,568,824 是完整版口径——引用时注明。
§2.9 XES 标准与工具链语义
XES（eXtensible Event Stream）是事件日志的 XML 标准：trace（案例）→ event（事件）→ attribute（属性）三级结构，MIMICEL 的 case attributes 在 XES 中映射为 trace attributes。工具链即插即用：PM4Py（Python 流程挖掘库：read_xes→发现/一致性/性能分析全套）、ProM（学术老牌工具）、Celonis（商业流程挖掘平台）。生态含义：MIMICEL 的 XES 文件让研究者跳过"数据工程"直接进入"分析工程"——这也是它对流程挖掘社区的核心吸引力。
§2.10 与 MIMIC-IV-ED 的回流语义
MIMICEL 的 stay_id/subject_id 与 MIMIC-IV-ED 完全一致——事件日志不是"脱敏后的替代品"，而是可回流原库的流程视图：流程分析发现的"异常变体案例"（如超长停留、多次返院）可以回 MIMIC-IV-ED（乃至 MIMIC-IV-Hosp/ICU）拉取全量临床细节做深挖。两个库的分工：ED 模块给"记录"，MIMICEL 给"顺序"；流程假设在 MIMICEL 上发现、临床机制在原库上验证——这是双库工作流的标准姿势（须两库 DUA）。
§2.11 拥挤建模的量化语义
论文给出的操作化定义：拥挤 = 并发在治患者 ≥12 人（该医院数据的 75th 百分位口径）；prolonged LoS = 停留 >500 分钟（75% 案例的分位口径）。这两个阈值的示范意义：拥挤不是抽象感受而是可从日志计算的并发计数函数；研究者应按自己医院/亚群的分位数重校准阈值，而非照搬 12/500——MIMICEL 论文的价值在"方法示范"而非"通用常数"。
§2.12 ESI 分诊五级的语义
日志中的 acuity 字段承自 MIMIC-IV-ED triage 表，对应美国 ESI（Emergency Severity Index）五级分诊：1 级（需立即抢救）→ 5 级（最轻）。三处分析语义值得注意：
- 序数而非间隔：acuity 是有序类别，1→2 的病情跳变幅度不等于 4→5；喂给模型时用序数编码或 one-hot，勿直接做线性特征。
- 由分诊护士主观标定：不同护士/班次/拥挤状态下标定尺度会漂移——跨时点比较 acuity 分布时把这层噪声计入（这也是 §5.5 失败模式清单的来源之一）。
- 缺失 1.64%：分诊级别缺失的案例多为直接进入抢救流程（未走常规 triage 站），并非随机缺失——按"缺失即标签"处理比插补更安全。
§2.13 流程挖掘质量四维的语义
对 MIMICEL 上发现的任何流程模型，学术惯例用四维质量指标评述（PM4Py 均内置）：fitness（日志能被模型重放的程度——模型覆盖了多少真实路径）、precision（模型不"乱放行"的程度——模型允许的行为有多少真实发生）、generalization（模型不过拟合个别案例）、simplicity（模型结构可读性）。6 活动的小活动字典使这四维极易达成高分——这是抽象化换来的"结构友好"，但别把高分误读为"流程被完全理解"：真实医疗决策树的丰富性已被 6 活动抽象折叠进"重复活动"与"回流"里（§2.10）。
§3 数据集规格
§3.1 规格总表
| 属性 | 规格 |
|---|---|
| 正式名称 | MIMICEL: MIMIC-IV Event Log for Emergency Department（v2.1.0） |
| 案例数 | 425,028（stay_id，一次 ED 就诊） |
| 患者数 | 205,466（subject_id） |
| 事件数 | 7,568,824（完整版口径） |
| 活动类型 | 6 种 |
| 案例长度 | 平均 18 事件（min 3 / max 218） |
| case attributes | 8 项 |
| event attributes | 21 项 |
| 格式 | mimicel.csv + mimicel.xes（PM4Py 转换） |
| 源库 | MIMIC-IV-ED v2.2 |
| 提取方法 | Jans et al. 九步法 |
| 分析版过滤 | 移除 80,581 事件（1.06%；时序倒置） |
| 时间覆盖 | MIMIC-IV-ED 采集期（2011-2019 语境） |
| 访问 | Credentialed Access（DUA） |
| 配套论文 | arXiv:2505.19389（2025） |
§3.2 数据发布口径地图
| 数字 | 口径 | 出处 |
|---|---|---|
| 425,028 | 案例数（stay_id） | 论文 Table 5 |
| 205,466 | 患者数（subject_id） | 论文 Table 5 |
| 7,568,824 | 事件数（完整版） | 论文 Table 5 |
| 6 | 活动类型数 | 论文 Table 2 |
| 18（3-218） | 每案例事件数（均值/最小/最大） | 论文 Table 5 |
| 80,581（1.06%） | 分析版剔除事件 | 论文分析节 |
| ≥12 / >500 min | 拥挤/长留阈值（该院 75 分位） | 论文分析节 |
| 1.64% | acuity 缺失案例占比 | 论文分析节 |
口径纪律："756 万"是完整版；分析版少 1.06%——论文引用哪个口径要与自己的过滤声明一致；案例数≠患者数（人均 2.07 次 ED 就诊）。
§3.3 DAIMS 数据AI就绪度评估
| 维度 | 评分 | 说明 |
|---|---|---|
| 可获取性 Accessible | ★★★★☆ | Credentialed（DUA 门槛）但流程成熟；文件轻量 |
| 可解析性 Interpretable | ★★★★★ | CSV+XES 双格式；PM4Py 一行载入；结构极简 |
| 一致性 Consistent | ★★★★☆ | 6 活动全局统一；时间戳三源语义需文档自觉 |
| 链接性 Linkable | ★★★★★ | stay_id/subject_id 与 MIMIC-IV-ED 完全互链 |
| 标签就绪 Label-ready | ★★★★☆ | disposition/acuity 内置；更深结局需回原库 |
| 文档完备 Documentation | ★★★★★ | 官方页+论文 Table 1-6+提取代码三重背书 |
总评 4.7/5：MIMIC 家族中 AI 就绪度最高的条目之一——结构简单、标准格式、文档完备；扣分仅在 DUA 门槛与 6 活动抽象的适用边界。
§3.4 存储与计算需求
| 场景 | 磁盘 | 内存 | 说明 |
|---|---|---|---|
| 全量日志 | 数百 MB 级 | — | CSV+XES 轻量（相对波形库天壤之别） |
| PM4Py 全量载入 | — | 8-16 GB | 756 万事件的 XES 对象 |
| 流程发现（全量） | — | 16 GB+ | 直接跟随者矩阵大但稀疏 |
| 序列建模训练 | 数 GB 缓存 | 8-32 GB | 前缀编码后的训练集 |
| 笔记本探索 | — | 4-8 GB | 抽样/单活动过滤后轻量 |
§3.5 获取通道
| 通道 | 内容 | 门槛 |
|---|---|---|
| PhysioNet 官方页 | 页面/引用/版本 | 无 |
| Credentialed 下载 | mimicel.csv + mimicel.xes | DUA（CITI） |
| GitHub 提取代码 | 从 MIMIC-IV-ED 复现日志 | 需 MIMIC-IV-ED DUA |
| PM4Py | 读取/分析工具链 | 开源 |
| 配套论文 | Table 1-6 口径/分析方法学 | 开放（arXiv） |
§3.6 口径对齐表
| 你想要的 | 应该引用 | 不要引用 |
|---|---|---|
| 就诊/案例量 | 425,028 cases | “42.5 万患者”（那是 case 数） |
| 患者量 | 205,466 patients | — |
| 事件量 | 7,568,824（完整版） | 分析版数字混用 |
| 活动范围 | 6 种（抽象骨架） | “全部 ED 活动” |
| 分诊时刻 | 人工构造（intime+1s） | “真实分诊时间戳” |
| 许可 | Credentialed（DUA） | “开放下载” |
| 版本 | v2.1.0（2023） | v1.0.0 当最新 |
§3.7 版本选择纪律
- 用 v2.1.0（2023-06-16，基于 MIMIC-IV-ED v2.2）——v1.0.0 是初版口径（2022，基于早期 ED 版本）；
- 论文引用建议双引：数据集 DOI（10.13026/64aq-jw11）+ 配套论文（arXiv:2505.19389，含 v2.1.0 全部口径表）；
- 与 MIMIC-IV-ED 版本绑定：源库升级后日志是否重提取以 GitHub 仓库为准——自己提取时锁定源库版本；
- 跨版本比较禁止：v1.0→v2.1.0 的案例/事件数可能因源库版本而变。
§3.8 数据文件与字段详表
| 文件/字段 | 内容 | 语义 |
|---|---|---|
| mimicel.csv | 事件主表（7,568,824 行） | 每行一个事件执行 |
| — stay_id | 案例 ID | 一次 ED 就诊 |
| — activity | 活动名 | 6 类枚举 |
| — timestamp | 事件时间 | 三源语义（§2.7） |
| — subject_id | 患者 ID | case attribute |
| — gender/race | 人口学 | case attribute |
| — arrival_transport | 到达方式 | case attribute |
| — disposition | 离院去向 | case attribute（结局变量） |
| — acuity | 分诊紧急度 | case attribute（缺失 1.64%） |
| — chiefcomplaint | 主诉文本 | case attribute（NLP 接口） |
| — temperature…rhythm | 生命体征 8 项 | Vital sign check 事件专属 |
| — med_rn…gsn_rn | 药物 9 项 | Medicine reconciliation 事件专属 |
| — icd_code/version/title | 诊断 3 项 | 依源表挂载 |
| — hadm_id | 住院 ID | 转住院案例可回链 MIMIC-IV |
| mimicel.xes | XES 标准格式 | trace=case；trace attributes=case attributes |
§3.9 案例质量分层画像（预扫描协议）
| 层 | 判定 | 处置 |
|---|---|---|
| A：完整骨架案例 | 6 活动齐（Enter→…→Discharge） | 流程分析主力 |
| B：缺中间活动 | 有首尾缺中间（如无发药） | 正常（视病情）——按活动子集分析 |
| C：短案例 | 3 事件（min 口径） | 检查是否真实短流程/数据缺失 |
| D：异常 | 时序倒置/重复事件 | 按 §2.8 口径过滤或专项研究 |
| E：结局缺失 | disposition 空 | 结局研究剔除、流程研究保留 |
预扫描同时产出变体（variant）清单——6 活动的全排列虽多，真实变体集中度极高（少数骨架路径覆盖多数案例），这是流程挖掘"帕累托结构"的标准检验。
§3.10 XES 文件结构解剖
XES 本质是带 XML Schema 的 XML。MIMICEL 的 XES 文件骨架如下（字段名以实际下载文件为准）：
阅读要点：<global> 声明 trace/event 级属性的类型模板；每个 <trace> 即一个 ED 停留（stay_id），其直属 <string> 子元素就是 case attributes（×8）；每个 <event> 即一次活动发生，concept:name 是活动名、time:timestamp 是时间戳、其余是 event attributes；<trace> 数量即 425,028 个案例，单 trace 内 <event> 平均 18 个、最多 218 个。
<log xes.version="2.0">
<global scope="trace"> <string key="case:concept:name" .../> ... </global>
<global scope="event"> <string key="concept:name" .../> <date key="time:timestamp" .../> </global>
<trace>
<string key="case:concept:name" value="10000032-..."/>
<string key="case:age" value="43"/>
<string key="case:disposition" value="HOME"/>
<event>
<string key="concept:name" value="Triage in the ED"/>
<date key="time:timestamp" value="..."/>
<string key="resource" value="NURSE"/>
</event>
</trace>
</log>
两个实用提醒：属性 key 前缀约定（case: 为案例级、concept:name/time:timestamp 为 XES 标准键）决定了 PM4Py 的解析行为，改名前先查 XES 标准；文件体积——42.5 万 trace 的 XES 远大于对应 CSV（XML 冗余），内存吃紧时用 CSV 入口做全量统计、XES 只喂发现/一致性算法。
§3.11 体积与内存预算速查
| 工件 | 量级 | 最低内存建议 |
|---|---|---|
| CSV（triples/events） | 数百 MB 级 | 8 GB（pandas 读入×3 峰值） |
| XES | 1-2 GB 级（XML 冗余） | 16 GB（对象图膨胀 5-10×） |
| Petri 网模型 | KB 级 | 忽略不计 |
| 对齐检查 | 单案例 0.1-1 秒 | 抽样 2k 案例验证后再放量 |
| 拥挤分钟级时间线 | 3 年 ×525,600 分钟 | 向量计算，秒级完成 |
经验法则：CSV 做全量统计、XES 做结构发现、抽样做对齐；16 GB 内存可完成 95% 的任务，32 GB 从容。多用户共享机器时先跑 df -h 与 free -g，42.5 万 trace 的 XES 解析峰值可能顶掉别人的 notebook。
§4 数据结构
§4.1 对象模型
MIMICEL（EventLog）
├── Case（trace）× 425,028（stay_id）
│ ├── CaseAttributes（8 项：subject_id/gender/race/arrival_transport/
│ │ disposition/acuity/chiefcomplaint + stay_id）
│ └── Event[1..n]（平均 18；min 3 / max 218）
│ ├── activity（6 类枚举）
│ ├── timestamp（三源语义）
│ └── EventAttributes（21 项中按活动挂载）
└── 互链：stay_id/subject_id/hadm_id → MIMIC-IV-ED → MIMIC-IV
§4.2 CSV 读取与基本画像（实战）
# 依赖：pip install pandas pm4py numpy
import pandas as pd
df = pd.read_csv('mimicel.csv')
print(len(df), '事件') # 期望 ≈7,568,824
print(df.stay_id.nunique(), '案例') # ≈425,028
print(df.subject_id.nunique(), '患者') # ≈205,466
print(df.activity.value_counts()) # 活动分布（Vital sign check 占大头）
case_len = df.groupby('stay_id').size()
print(case_len.mean(), case_len.min(), case_len.max()) # ≈18 / 3 / 218
§4.3 XES 载入与 PM4Py 基本流（实战）
import pm4py
log = pm4py.read_xes('mimicel.xes') # XES → EventLog/DataFrame
# 流程发现：直接跟随者图（DFG）
dfg, start, end = pm4py.discover_dfg(log)
pm4py.view_dfg(dfg, start, end)
# 流程树（结构化模型；noise_threshold 提高容噪）
tree = pm4py.discover_process_tree_inductive(log, noise_threshold=0.2)
pm4py.view_process_tree(tree)
# 性能标注：各路径平均/分位时长
perf_dfg, start, end = pm4py.discover_performance_dfg(log)
pm4py.view_performance_dfg(perf_dfg, start, end)
要点：756 万事件全量发现模型内存吃紧时，先抽样案例（如 5%）探索，或用 noise_threshold 提高归纳挖掘容噪度（§5.2）。
§4.4 变体分析（实战）
# 变体 = 活动序列的去重模式
variants = pm4py.get_variants(log)
# 典型发现：少数骨架变体覆盖多数案例（帕累托）
# 按变体统计：频率 / 平均 LoS / disposition 组合
# 异常变体（低频+超长 LoS）→ 回 MIMIC-IV-ED 深挖（§2.10 回流语义）
§4.5 时序过滤协议（完整版→分析版）
def to_analysis_version(df):
"""官方分析口径：剔除 Enter the ED 之前或同时刻的事件（≈80,581 行）"""
enter = df[df.activity == 'Enter the ED'].set_index('stay_id')['timestamp']
df = df.merge(enter.rename('enter_ts'), on='stay_id', how='left')
keep = pd.to_datetime(df.timestamp) > pd.to_datetime(df.enter_ts)
return df[keep].drop(columns='enter_ts')
# 做流程模型前必做——保证起点一致性；数据质量研究则保留完整版
§4.6 与 MIMIC-IV-ED / MIMIC-IV 回流关联（实战核心）
"""
回流协议（须 MIMIC-IV-ED 及相关模块 DUA）：
1) stay_id 直链 MIMIC-IV-ED edstays → 全部 ED 记录（triage 细节/vitalsign 全量）
2) hadm_id（事件属性中）→ 转住院案例回链 MIMIC-IV-Hosp/ICU
→ 住院结局（死亡率/ICU 时长）可作 ED 流程的远端结局标签
3) 代理日期偏移与 MIMIC-IV 家族一致——跨模块时间直接可比
4) 用途：流程发现（MIMICEL）→ 异常案例识别 → 临床深挖（原库）
"""
# SELECT * FROM mimiciv_ed.edstays WHERE stay_id = <异常案例>;
# SELECT * FROM mimiciv_hosp.admissions WHERE hadm_id = <转住院案例>;
§4.7 数据血缘
BIDMC 急诊科 HIS（2011-2019）
→ MIMIC-IV-ED v2.2（关系表：edstays/triage/vitalsign/medrecon/pyxis/diagnosis）
→ Jans 九步法提取（GitHub 开源代码）
· 案例识别：stay_id
· 活动映射：6 类骨架活动（Table 2）
· 时间戳：intime/outtime/charttime/intime+1s
· 属性挂载：case 8 项 + event 21 项
→ MIMICEL v1.0.0（2022）→ v2.1.0（2023-06-16）
· mimicel.csv → mimicel.xes（PM4Py 转换）
↕ 回流：stay_id/subject_id/hadm_id ↔ MIMIC-IV-ED ↔ MIMIC-IV
§4.8 完整性清单
- [ ] 行数/案例/患者三数核对（7,568,824 / 425,028 / 205,466）
- [ ] 活动枚举核对（恰 6 类；value_counts 落盘）
- [ ] 每案例首事件=Enter the ED 比例统计（完整版预期非 100%——§2.8）
- [ ] 时序倒置清单（过滤前先落盘原始清单）
- [ ] acuity 缺失率核对（≈1.64%）
- [ ] 变体清单与帕累托曲线落盘
- [ ] XES 与 CSV 同源校验（抽样案例事件数一致）
- [ ] 回流关联表（stay_id→原库可用性）验证
§4.9 案例级切分（实战）
def case_split(df, seed=42):
"""按 subject_id 切分——人均 2.07 次就诊，同一患者多案例是天然泄漏面"""
patients = df.subject_id.unique()
rng = np.random.default_rng(seed); rng.shuffle(patients)
n = len(patients)
tr, va = patients[:int(n*0.8)], patients[int(n*0.8):int(n*0.9)]
te = patients[int(n*0.9):]
tag = lambda s: 'train' if s in tr else 'val' if s in va else 'test'
df['split'] = df.subject_id.map(tag)
return df
# 报告：三 split 的患者/案例/事件三行数字——ED 复诊者的重复案例不可跨 split
§4.10 序列编码产线（预测任务前置）
def encode_prefixes(df, max_len=20):
"""
下一活动/剩余时长预测的前缀编码：
每个案例生成 1..n-1 个前缀 → (activity 序列, 时间差序列, 标签)
"""
df = df.sort_values(['stay_id', 'timestamp'])
for sid, case in df.groupby('stay_id'):
acts = case.activity.tolist()
ts = pd.to_datetime(case.timestamp)
dts = (ts - ts.iloc[0]).dt.total_seconds().tolist() # 相对时间
for i in range(1, min(len(acts), max_len)):
yield {
'stay_id': sid,
'prefix_acts': acts[:i], # 类别编码后定长 pad
'prefix_dts': dts[:i-1] + [0], # 时间差特征
'label_next': acts[i], # 下一活动
'label_remain': dts[-1] - dts[i-1], # 剩余时长
}
§4.11 一致性检查（实战）
拿到候选模型后，用一致性检查量化"日志 vs 模型"的偏差——这是流程挖掘承上启下的一步（发现之后、诊断之前）：
import pm4py
log = pm4py.read_xes("MIMEL_triples.xes", return_legacy_log_object=True)
net, im, fm = pm4py.discover_petri_net_inductive(log, noise_threshold=0.2)
# token-based replay：快，但对噪声敏感
from pm4py.algo.conformance.tokenreplay import algorithm as tr
replayed = tr.apply(log, net, im, fm)
fit = sum(r["trace_is_fit"] for r in replayed) / len(replayed)
print(f"token 重放 fitness 案例级达标率: {fit:.3f}")
# 对齐（alignments）：慢 10-100 倍，但给出最优对齐与精确偏差点
from pm4py.algo.conformance.alignments.petri_net import algorithm as ali
alignments = ali.apply(log[:2000], net, im, fm) # 先抽样验证管线
for a, t in zip(alignments[:5], log[:5]):
print(t.attributes["case:concept:name"], "->", a["alignment"])
医疗场景的解读纪律：低 fitness 的不是"坏模型"而是"真实变异"——急诊流程天然高变异，Inductive Miner 全量日志 fitness≈1 但 precision 低属正常；把注意力放在对齐给出的高频偏差点上（哪个活动前最常发生"意外回流"），而不是追全局指标满分。
§4.12 拥挤指标计算（实战）
按 §2.11 的操作化定义（拥挤 = 并发在治 ≥12），从日志直接算医院级拥挤时间线：
import pandas as pd, numpy as np
ev = pd.read_csv("MIMEL_triples.csv", parse_dates=["timestamp"])
ev = ev.sort_values("timestamp")
# 并发计数：对每分钟 t，统计 intime <= t < outtime 的案例数
starts = ev.groupby("case:concept:name")["timestamp"].min()
ends = ev.groupby("case:concept:name")["timestamp"].max()
minute = pd.date_range(starts.min().floor("min"), ends.max().ceil("min"), freq="min")
concur = np.searchsorted(starts.sort_values().values, minute.values, side="right") - \
np.searchsorted(ends.sort_values().values, minute.values, side="right")
occ = pd.Series(concur, index=minute)
occ.plot(figsize=(14, 3), title="ED 并发在治案例数（分钟级）")
print("75th 分位 =", occ.quantile(.75), " 拥挤小时占比 =",
f"{(occ >= 12).mean():.1%}") # 对照论文阈值 ≥12（75 分位口径）
这条时间线是后续一切拥挤研究的基础特征源：拥挤预测（§7.2）、拥挤-LoS 因果推断、排班优化评估都用它做环境变量。注意用 intime≤t<outtime 的左闭右开口径，避免同一分钟重复计数正在离开的患者。
§4.13 重复与相邻事件处理（实战）
6 活动抽象的副作用：同一活动在一个案例内多次出现（重复生命体征检查、多次发药）。三种处理策略与代码开关：
import pandas as pd
ev = pd.read_csv("MIMEL_triples.csv", parse_dates=["timestamp"])
ev = ev.sort_values(["case:concept:name", "timestamp"])
# 策略 1：保留原序（默认）——研究"重复检查"行为本身
# 策略 2：折叠连续重复（A-A-B -> A-B）——消除记录噪声
ev["prev_act"] = ev.groupby("case:concept:name")["activity"].shift()
ev["is_repeat"] = ev["activity"].eq(ev["prev_act"])
ev_collapsed = ev[~(ev["is_repeat"].fillna(False))]
# 策略 3：全折叠成集合（丢时序）——仅用于变体粗统计
variant_set = ev_collapsed.groupby("case:concept:name")["activity"] \
.agg(lambda x: "->".join(x))
print("折叠后独立变体数:", variant_set.nunique())
选择纪律：流程发现用折叠版（减少自环噪声）、性能挖掘用原序版（重复=等待的信号）、预测任务用原序版（重复本身就是强特征）。论文报告时必须声明用了哪种——变体数对这三种口径差异极大（存照见 §10.1 存照 A 的同类逻辑）。
§5 下游分析协议
§5.1 任务×资源速查表
| 任务 | 用到的部分 | 典型方法 | 说明 |
|---|---|---|---|
| 流程发现 | 事件序列 | DFG/Inductive Miner | PM4Py 三行代码 |
| 性能/瓶颈分析 | timestamp | 性能 DFG/段落时长 | 拥挤治理直接可用 |
| 变体分析 | 活动序列 | variants/聚类 | 异常路径挖掘 |
| 下一活动预测 | 前缀序列 | LSTM/Transformer | 序列建模主流 |
| 剩余时长预测 | 前缀+时间差 | RNN 回归 | ED 拥挤预警原料 |
| 结局预测 | case 属性+序列 | XGBoost/深度分类 | disposition/住院转化 |
| 拥挤仿真 | 并发计数+到达率 | DES/队列论 | ≥12 阈值语境 |
| LLM 流程问答 | 日志文本化 | GPT 类推理 | 新兴方向 |
§5.2 流程发现协议（标准口径）
- 过滤先行：§4.5 分析版（剔除时序倒置）——起点一致性是模型可读性的前提；
- 抽样策略：全量发现内存不足时按案例抽样（报告抽样率）；变体覆盖检查（抽样变体集≈全量变体集再定稿）；
- 模型选择：DFG（可读性优先）→ Inductive Miner（保证模型健全性 soundness，noise_threshold 0.1-0.3 调优）；
- 分层发现：按 acuity/disposition 分层建模——全局模型会把不同紧急度的路径搅在一起（§7.9 消融）；
- 验收：模型回放 fitness ≥0.8 量级 + 骨架路径与临床常识对表（Enter→Triage→…→Discharge 应为主干）。
§5.3 性能与瓶颈分析协议
- 段落定义：相邻事件间隔即段落时长（Enter→Triage = 分诊段；Triage→首次 Vital = 候诊段；…→Discharge = 处置段）；
- Triage 段陷阱：intime+1 秒构造使"到达→分诊"恒为 1 秒——该段不可测（§2.7），改用"分诊→首次生命体征"作为候诊代理并显式声明；
- 并发计数：按 timestamp 滑窗计算在治案例数（Enter≤t<Discharge）→ 拥挤时间序列（≥12 阈值口径）；
- 分位报告：段落时长报中位数+P75/P95（均值被长尾污染）；拥挤与 LoS 的关联报分层对比而非单点相关；
- 瓶颈判定：段落时长×流量双高（等待久且通过多）的环节为系统瓶颈——单看时长会误伤低流量环节。
§5.4 预测监控协议（下一活动/剩余时长）
"""
预测监控（predictive monitoring）产线要点：
输入：§4.10 前缀编码 → 模型 → 在线预测（就诊进行中动态更新）
基线：多数类（下一活动=Vital sign check）+ 均值回归（剩余时长）
指标：下一活动 accuracy/宏F1（类不平衡）；剩余时长对数域 MAE→分钟 P50/P90
纪律：前缀长度分桶报告（前 1 事件 vs 前 10 事件难度完全不同）
泄漏：特征窗口不得含目标时刻之后的属性（§7.6）
"""
§5.5 失败模式清单
- 把 Triage+1s 当真实间隔：到达-分诊延迟分析全错（§2.7 首坑）；
- 完整版直接挖掘：时序倒置事件产生"回到入口"的伪环——先 §4.5 过滤；
- 按案例切分时用 stay_id：同一患者多案例跨 split（§4.9 按 subject_id）；
- 全局模型不分层：acuity 混建→"急症患者等很久"的伪结论；
- 均值当代表：LoS 长尾严重，均值无运营意义——报分位数；
- 6 活动当全记录：得出"ED 无护理干预环节"的荒谬结论——抽象边界要声明；
- event attributes 跨活动乱取：生命体征只在 Vital sign check 事件上——按活动取属性；
- 跨版本比较：v1.0 与 v2.1.0 数字混用（源库版本不同）。
§5.6 报告模板：方法学段落骨架
我们使用 MIMICEL v2.1.0（425,028 案例/205,466 患者/7,568,824 事件/6 活动类型）[Wei 2022/2023; arXiv:2505.19389]，其由 MIMIC-IV-ED v2.2 按九步法提取并发布为 CSV+XES 双格式。分析采用官方过滤口径（剔除 80,581 个时序倒置事件，1.06%）。流程发现采用 Inductive Miner（noise_threshold=0.2）；性能分析按案例分层（acuity/disposition），时长报告中位数与 P75/P95（Triage 时间戳为人工构造，到达-分诊间隔不可测，以分诊-首测间隔为候诊代理）。预测任务按 subject_id 级切分（train/val/test=80/10/10）。数据经 PhysioNet DUA（CITI 编号 XXXX）获取，未尝试任何再识别。
§5.7 组织挖掘与角色发现协议
event attributes 中的 resource 字段（接诊/执行方角色，如 NURSE/DOCTOR 类取值）支持组织视角挖掘——“谁在做什么”：
- 角色发现：PM4Py
organizational_mining.sna.find_roles按活动-资源共现聚类，得到角色画像（哪些角色做哪些活动）。 - 工作转移矩阵：统计"活动 i 由资源 A 执行 → 活动 j 由资源 B 接手"的转移频次，得到班内协作矩阵。
- 交接热点：转移矩阵中高频"角色切换"边即交接热点——交接是医疗差错高发环节，热点排名就是流程改进靶点。
注意事项：resource 是角色化/脱敏后的取值而非真实员工 ID，不能做个体绩效分析（也不该做）；角色取值集合以 PhysioNet 官方 code 表为准，勿凭样例脑补。
§5.8 社会网络分析（SNA）协议
组织挖掘的进阶版：把"工作从 A 手里交到 B 手里"构建为工作交接网络（handover of work），节点=资源/角色，边=交接，边权=频次：
- 网络指标：度中心性（谁最忙）、介数中心性（谁是瓶颈桥）、凝聚子群（谁和谁形成固定搭班）。
- 拥挤联动：按 §4.12 拥挤时间线切分高峰/平峰两个子网，比较拓扑——拥挤是否使协作网络"退化"（更集中/更少交接确认）是可发表的研究问题。
- 输出纪律：SNA 图有重识别风险（特殊角色组合可能锁定稀有班次），发表时聚合到角色层级并加噪声阈值（低于阈值的边不画）。
§5.9 时长指标的报告纪律
LoS 这类重尾分布，均值会被超长案例绑架。报告纪律四条：中位数+IQR 为主（median [Q1, Q3]）、均值必须伴随分布图（直方图或生存曲线，截尾说明）、分位数按亚群报告（acuity × disposition 交叉，全院均值掩盖级别差异可达数倍）、** censoring 声明**（转院/死亡案例的"离院时刻"语义与自行离院不同，生存分析里作为竞争风险而非删失处理）。流程挖掘论文常犯的错是只报均值——审稿人会第一个问分布。
§6 实证结果与方法学分析
§6.1 42.5 万案例的规模实证
ED 流程挖掘文献的常见样本量是单院数月数据（数百-数千案例）——MIMICEL 的 425,028 案例是两个数量级的跃升。规模带来的质变：(1) 变体统计充分——低频路径也有足够案例支撑分析，异常不再是"个案轶事"；(2) 亚组功效——按 acuity×到达方式×主诉组交叉分层后仍每格数百案例；(3) 时序覆盖——8 年数据捕捉季节性（流感季拥挤模式 vs 常态）；(4) 预测任务的预训练可行性——序列建模首次有"够吃"的 ED 语料。代价是单中心：42.5 万案例全部来自 BIDMC 的流程文化——流程结构（如分诊模型、发药环节位置）的外推性要声明。
§6.2 6 活动抽象的实证取舍
抽象是双刃剑：正面——6 类活动使变体空间可控（42.5 万案例的骨架路径高度集中，帕累托结构显著），流程模型可读可解释；跨案例可比性严格成立。负面——护理评估、检查（检验/影像）、处置操作等环节不可见，"护理瓶颈"这类重要问题在日志层面不可测。实证建议：流程骨架问题（患者流/等候/吞吐）→ MIMICEL 是对的工具；环节内部问题（护理质量/检查延迟细节）→ 回 MIMIC-IV-ED 原库或另寻数据源。工具与问题匹配比工具先进性更重要。
§6.3 时间戳语义的实证代价
三源时间戳的实证影响集中在"候诊段"：到达→分诊不可测（恒 1 秒），可用"分诊→首次生命体征"代理——但代理本身混入"分诊后叫号速度"与"首测执行速度"两个环节。实证建议：(1) 敏感性分析——代理间隔的医院级结论与"分诊到医生"这类文献口径对比时声明不可比；(2) 把 intime+1s 的构造语义写进论文方法学——审稿人核查点；(3) 长尾分析（P95 以上）对时间戳噪声最敏感——结论从长尾段降权。
§6.4 1.06% 倒置事件的实证含义
80,581 个倒置事件是"登记流程与临床流程不同步"的定量画像：先测量后登记（分诊高峰期）、时钟漂移、预登记等机制的混合产物。1.06% 的比例本身是好成绩（说明 ED 登记纪律总体良好），但倒置事件在时间上并非均匀——高峰时段聚集预期存在。实证建议：把"倒置率"按时段/拥挤度分层——倒置率本身可作为"流程压力"的代理指标（拥挤时登记纪律先崩），这是数据质量研究直接产出运营洞察的范例。
§6.5 八个真实坑点
- 坑点 1 Triage+1s 当真值：到达-分诊间隔恒 1 秒是构造产物——该段不可测；
- 坑点 2 完整版直接挖掘：倒置事件制造伪环——分析版过滤是第一步；
- 坑点 3 stay_id 切分：复诊患者的多案例跨 split——按 subject_id；
- 坑点 4 “425,028 患者”：那是案例数，患者 205,466（人均 2.07 次）；
- 坑点 5 属性跨活动乱取：生命体征/药物/诊断属性按活动类型挂载——activity 是取属性的钥匙；
- 坑点 6 均值 LoS：长尾污染——P50/P75/P95 才是运营语言；
- 坑点 7 v1.0/v2.1.0 混用：源库版本不同数字不同——锁定 v2.1.0；
- 坑点 8 XES 内存：756 万事件全量 PM4Py 载入需 8-16 GB——抽样或 DataFrame 路线。
§6.6 审稿人自查清单
- [ ] 案例/患者/事件三数口径正确且注明版本（v2.1.0）？
- [ ] 时序倒置过滤声明（1.06%）？
- [ ] Triage 时间戳构造语义披露 + 候诊代理定义？
- [ ] acuity/disposition 分层建模或声明不分层的理由？
- [ ] 时长报告用分位数而非均值？
- [ ] subject_id 级切分 + 三 split 数字？
- [ ] 6 活动抽象边界声明（不可测的环节清单）？
- [ ] DUA/CITI 编号 + 单中心外推限制？
§6.7 与 MIMIC 家族的分工治理
MIMIC 家族的视角分工：MIMIC-III/IV 临床库给"记录"（表结构视角）、波形库给"信号"（物理视角）、MIMICEL 给"流程"（顺序视角）。同一 ED 就诊在三视角下是三个数据集形态——论文引用按所用视角择主，交叉验证时三方并引。流程视角的独特产出：其他视角无法回答的问题（路径变体、等候结构、并发拥挤）——反之，MIMICEL 回答不了临床细节问题。分工而非替代，是三视角治理的总纲。
§6.8 许可与派生语义
MIMICEL 是 MIMIC-IV-ED 的派生数据集，访问沿用 Credentialed Access（DUA/CITI）——不是开放数据。派生语义要点：(1) 日志只保留去标识属性，但 case 属性的组合（race×acuity×主诉×时间）理论上有再识别面——DUA 禁令适用；(2) 基于 MIMICEL 的衍生分析产物（流程模型/统计表）发布时按 PhysioNet 派生数据政策声明来源；(3) 提取代码开源（GitHub）意味着复现链透明——但复现前提仍是持有 MIMIC-IV-ED 访问权，开放的是方法不是数据。
§6.9 提取方法学的可审计性
Jans 九步法的价值在于把"从关系到日志"的每次转换显式化：目标定义→源表选择（Table 1：edstays/triage/vitalsign/medrecon/pyxis/diagnosis 六表）→案例识别（stay_id）→活动识别与映射（Table 2）→时间戳选择（§2.7 三源）→属性挂载（Table 3/4）→过滤（倒置剔除）→格式转换（CSV→XES）→质量验证。每步有论文表格背书+GitHub 代码可执行——这是医疗事件日志提取的方法学模板级工作，其他医院/数据域的日志提取可直接套用该框架（论文的超越数据集本身的贡献）。
§6.10 静态日志×动态工具生态
MIMICEL v2.1.0 是静态定稿，其价值随流程挖掘工具生态增长：PM4Py 新算法（对象中心进程挖掘 OCEL 方向——Wei 团队自己的 Dirigo 工作即该方向）、LLM+流程挖掘的结合、预测监控的深度学习范式——工具迭代让同一份日志持续产出新研究。使用策略与 487/488 一致：数据引用锁定版本，方法引用工具的具体版本（PM4Py x.y.z），两层引用并行。
§7 AI 就绪指南与应用场景
§7.1 四种喂法
- 流程挖掘原生喂法：XES → PM4Py（发现/一致性/性能）——运营研究主路径；
- 序列建模喂法：CSV → 前缀编码（§4.10）→ LSTM/Transformer——预测监控；
- 表格学习喂法：case attributes + 聚合特征（活动计数/段时长）→ XGBoost——结局分类（快而稳的基线）；
- 回流增强喂法：MIMICEL 骨架 + MIMIC-IV-ED/IV 细节 → 多视角联合建模（DUA 阶段）。
§7.2 ED 拥挤预测配方
目标：未来 N 小时拥挤状态（在治人数≥12）预测
特征层：到达率时序（Enter 事件聚合）+ 当前在治数 + acuity 组合 + 日历（星期/季节）
模型层：梯度提升（表格基线）→ LSTM/Transformer（时序深度）
标签层：并发计数函数（§5.3）→ 阈值二值化（≥12）或多级
评估层：时序切分（按日期！防时间泄漏）+ PR-AUC（拥挤是少数类）
报告层：提前 1/2/4/8 小时的预警性能矩阵 + 按季节分层
价值：为排班与分流决策提供提前量——拥挤治理的直接 AI 产出
§7.3 下一活动/剩余时长配方
"""
预测监控双任务产线（§4.10 编码器的下游）
"""
class ProcessPredictor:
# 下一活动：类别不平衡（Vital sign check 多数类）
# → 加权交叉熵 / 序列到序列解码
# 剩余时长：对数域回归（长尾）→ 指标换回分钟报 P50/P90 误差
# 特征：活动序列 embedding + 时间差 + case 属性（acuity/到达方式）
# 基线必报：多数类 / 前活动重复假设 / 均值回归
# 按前缀长度分桶报告（1/3/5/10 事件前缀）——早期预测难度才是应用价值
...
§7.4 LLM+流程挖掘配方（前沿方向）
思路：把事件序列文本化（"患者于 t0 进入 ED，t0+1s 分诊为 acuity=3，
t0+35min 首次生命体征…"）→ LLM 做路径解读/异常解释/流程问答
任务：异常变体解释（为什么这个案例偏离主干）→ 可操作的流程审计语言
纪律：文本化模板固定（可复现）；幻觉防线——结论须回日志验证；
患者级隐私——LLM 输入不得含可组合的 case 属性明文（DUA 语境）
定位：解释层增强而非替代统计挖掘——LLM 说"为什么"，PM4Py 算"是什么"
§7.5 成本与排期模板
| 阶段 | 工作 | 人日 | 门槛 |
|---|---|---|---|
| P0 DUA+下载 | CITI+签署+数据到手 | 5-15（含审批） | DUA |
| P1 画像+过滤 | §4.2/§4.5/§4.8 | 1-2 | — |
| P2 流程发现+性能 | §5.2/§5.3 | 3-5 | — |
| P3 预测产线 | §4.10/§5.4 | 5-8 | — |
| P4 回流增强 | §4.6（原库深挖） | 3-5 | 双 DUA |
| P5 论文复现包 | §7.8 | 2-3 | — |
| 合计 | 19-38 人日 | 全程 DUA |
§7.6 泄漏防控专项
ED 流程研究的四大泄漏源：(1) 患者跨 split（复诊者多案例——subject_id 切分）；(2) 时序切分缺失（拥挤预测按案例随机切=用未来训练过去——按日期切）；(3) 特征穿越（预测任务用了 disposition——那是结局变量，只能是标签）；(4) 回流泄漏（MIMIC-IV 原库的出院诊断作 ED 流程特征——住院期信息在 ED 时点不可得，只用 ED 时点已知特征）。流程数据的泄漏比静态数据更隐蔽（"顺序"本身就是时间信息），预测论文必须画时间线图说明特征-标签时序。
§7.7 公平性声明
- 流程公平性：按 race/gender 等属性分层检验等候时长与处置路径——急诊分诊公平是公共卫生议题，MIMICEL 的属性支持该审计；
- acuity 校准公平：分诊紧急度评定在不同人群间的一致性分析；
- 单中心限制：BIDMC 的流程文化（分诊制度/资源配置）不可外推——结论限定语境；
- 语言与主诉：chiefcomplaint 是英文自由文本——NLP 应用跨语言迁移受限。
§7.8 复现包模板
repro_package/
├── data/
│ ├── case_index.csv # 案例/患者清单（DUA 环境内）
│ ├── variant_pareto.csv # 变体帕累托表
│ └── QUALITY_PROFILE.md # §3.9 分层
├── src/
│ ├── load_log.py # CSV/XES 双路读取
│ ├── filtering.py # §4.5 官方过滤口径
│ ├── discovery.py # §5.2（PM4Py 版本锁定）
│ ├── performance.py # §5.3（分位数/并发计数）
│ └── encoding.py # §4.10 前缀编码
├── docs/
│ ├── DUA_COMPLIANCE.md
│ ├── CALIBER_NOTES.md # §3.2 口径存照（版本/过滤/Triage 语义）
│ └── TIMESTAMP_SEMANTICS.md # §2.7 三源时间戳专文
└── results/
├── dfg_models/ # 全局+分层流程模型
└── prediction_metrics.csv # §7.3 指标矩阵
§7.9 消融案例：分层建模的价值
同一流程发现任务两组：(a) 全局建模（42.5 万案例混挖）；(b) 按 acuity 分层（每层独立挖掘）。预期形态：(a) 的 DFG 会显示"几乎所有活动间都存在直接跟随"——不同紧急度路径混叠造成"全连接"伪象，可读性崩坏；(b) 每层模型骨架清晰（紧急患者：Triage→快速处置；非紧急：Triage→长候诊→处置），但单层样本量下降。结论：ED 流程挖掘"分层是默认、全局是消融"——与多数 ML 场景相反的默认方向，值得在方法学里显式讨论。
§7.10 消融案例：候诊代理的选择
候诊段测量的三代理对比：(a) 分诊→首次生命体征（可用）；(b) 到达→分诊（恒 1 秒，不可用）；© 分诊→发药（混入处置时长）。消融显示：用 (a) 时"拥挤→候诊延长"的弹性系数显著且方向合理；用 © 时弹性被"处置时长本身与拥挤正相关"稀释甚至反号。结论：代理选择决定结论方向——任何基于 MIMICEL 的等候时间研究必须先做代理消融，并把 (b) 的不可测性写进限制。
§7.11 负结果记录协议
流程挖掘研究里负结果（“X 不比基线好”）与正结果同样宝贵。发布前记录三行模板，进附录或 README：
| 尝试 | 假设 | 结果 | 教训 |
|---|---|---|---|
| 用 triage→discharge 间隔直接当"治疗时长" | triage 后立即开始治疗 | 被否——triage 与下一活动间含候诊 | 用活动间隔而非首尾差（§2.7） |
| 随机切分案例 | 案例独立 | 患者泄漏——复诊者跨 split | 案例级切分按 subject_id 分组（§4.9） |
| 全量对齐检查 | 42.5 万案例可承受 | 单案例分钟级 → 数天 | 抽样 + token 重放先筛（§4.11） |
这一节同时是写作保险：审稿人问"你试过 X 吗"时，答案已在案。
§8 伦理、许可与合规
§8.1 许可结构
| 资产 | 许可 | 门槛 | 义务 |
|---|---|---|---|
| MIMICEL（本库） | PhysioNet Credentialed Access | CITI+DUA | 禁再识别/禁转分发/合规环境 |
| MIMIC-IV-ED（源库） | PhysioNet Credentialed Access | 同上 | 回流分析需双库权限（同一 DUA 体系） |
| 提取代码（GitHub） | 开源 | 无 | 复现需自有数据权限 |
| 衍生分析产物 | 按 PhysioNet 派生政策 | — | 来源声明+去标识强度保持 |
§8.2 引用与致谢模板
数据：Wei J, He Z, Ouyang C, Moreira C. MIMICEL: MIMIC-IV Event Log for Emergency Department (version 2.1.0). PhysioNet, 2023（v1.0 DOI 10.13026/64aq-jw11）。
方法学：Wei J, Ouyang C, Wickramanayake B, He Z, Perera K, Moreira C. Curation and Analysis of MIMICEL – An Event Log for MIMIC-IV Emergency Department. arXiv:2505.19389, 2025。
源库：Johnson A, Bulgarelli L, Pollard T, et al. MIMIC-IV-ED (version 2.2). PhysioNet, 2022. doi:10.13026/5ntk-km72（经 PhysioNet DUA 获取，CITI 认证编号 [填写]）。
伦理声明：源数据经机构审查批准并去标识；本研究在 DUA 约束下进行，未尝试任何形式的再识别；事件日志的属性组合分析均在合规环境完成。
§8.3 再识别风险的显式讨论
事件日志的再识别面与原始 EHR 不同：6 活动的抽象降低了信息密度，但 case 属性的组合稀有性仍在——race×arrival_transport×acuity×主诉×到院时间的组合可能唯一化个体（尤其罕见主诉案例）。缓解与义务：(1) DUA 禁令直接适用（不尝试组合再识别）；(2) 发布衍生结果时对稀有变体做 k-匿名检查（变体案例数 <k 的不单独展示）；(3) LLM 文本化场景（§7.4）输入不含直接组合明文。把"组合稀有性"写进论文伦理声明是流程挖掘研究的成熟标志。
§9 常见问题（FAQ）
Q1 MIMICEL 和 MIMIC-IV-ED 什么关系？
MIMICEL 是从 MIMIC-IV-ED v2.2 提取的事件日志——同一批患者、同一批活动，但重组为"案例-事件"结构（流程视角）。stay_id/subject_id 完全互链。
Q2 什么是事件日志？为什么要它？
事件日志=案例的集合，每个案例是按时间排序的事件序列（case ID+活动+时间戳三强制属性）。它是流程挖掘的必需输入——关系表"快照"无法直接做流程分析。
Q3 什么是流程挖掘？
从事件日志中自动发现流程模型（process discovery）、检查一致性（conformance checking）、增强模型（enhancement）的学科。ED 应用=患者流建模、瓶颈识别、拥挤治理。
Q4 425,028 是患者数吗？
不是。那是案例数（ED 就诊次数）。患者数是 205,466——人均 2.07 次 ED 就诊。
Q5 只有 6 种活动，会不会太少？
这是刻意抽象（骨架环节）：进入/分诊/生命体征/用药核对/发药/离院。够做患者流与瓶颈分析；做护理/检查细节要回 MIMIC-IV-ED 原库。抽象边界要声明（§6.2）。
Q6 XES 是什么格式？
事件日志的 XML 标准：trace（案例）→event（事件）→attribute（属性）。PM4Py/ProM/Celonis 直接读。MIMICEL 的 XES 由 CSV 经 PM4Py 转换（同源）。
Q7 Triage 时间戳为什么是 intime+1 秒？
分诊真实时刻未单独记录——+1 秒是人工构造的排序装置，让 Triage 事件在序列中可排。因此"到达→分诊"间隔恒 1 秒，不可测（§2.7）。
Q8 候诊时间怎么测？
用"分诊→首次生命体征"间隔作代理，并声明其混入叫号+执行两环节。绝不能用"到达→分诊"（恒 1 秒）。
Q9 什么是时序倒置事件？怎么处理？
发生在 Enter the ED 之前或同时刻的事件（80,581 个，1.06%——先测量后登记等机制）。做流程模型用分析版（过滤）；做数据质量研究用完整版。
Q10 7,568,824 是过滤后数字吗？
不是。那是完整版口径（论文 Table 5）。分析版少 1.06%。引用时注明口径。
Q11 访问要花钱吗？
不花钱但要资质：PhysioNet 账号+CITI 培训+DUA 签署（Credentialed Access）——同 MIMIC 家族流程。
Q12 需要 PM4Py 吗？
XES 路线需要（读 XES+发现/一致性/性能分析全套）；纯 CSV+pandas 也能做基础分析。PM4Py 是 Python 流程挖掘标准库，建议用。
Q13 怎么发现流程模型？
pm4py.discover_dfg(log)（直接跟随者图）或 pm4py.discover_process_tree_inductive(log, noise_threshold=0.2)（流程树）。先过滤（§4.5）再发现。
Q14 什么是变体（variant）？
活动序列的去重模式。42.5 万案例的真实变体高度集中（少数骨架路径覆盖多数案例）——低频+超长 LoS 的变体是异常分析对象。
Q15 能和 MIMIC-IV 临床库联用吗？
能。hadm_id（转住院案例）回链 MIMIC-IV-Hosp/ICU；代理日期偏移同家族。须相关模块 DUA（§4.6）。
Q16 拥挤阈值 12 人是通用标准吗？
不是。12 是 BIDMC 数据的 75 分位口径（论文示范）。自己的研究应按自己人群分位数重校准（§2.11）。
Q17 LoS 500 分钟是什么口径？
75% 案例 ≤500 分钟——超者为 prolonged LoS。同为该院分位示范值，非通用标准。
Q18 引用哪个 DOI？
数据集 v1.0 DOI 10.13026/64aq-jw11 + 配套论文 arXiv:2505.19389（含 v2.1.0 口径表）+ 源库 MIMIC-IV-ED DOI。三引文并列（§8.2）。
Q19 用 v1.0 还是 v2.1.0？
v2.1.0（2023-06-16，基于 MIMIC-IV-ED v2.2）。v1.0.0 是 2022 初版（源库版本不同，数字可能不同）。
Q20 chiefcomplaint 能做 NLP 吗？
能——主诉自由文本是 NLP 接口（胸痛/腹痛等主诉×流程路径组合分析）。注意英文语境与缩写噪声。
Q21 生命体征数据全吗？
不全——只有"Vital sign check"事件挂的生命体征（ED 期间测的），且是 ED 模块口径。ICU 级高频数据要用 MIMIC-IV ICU 模块。
Q22 切分怎么切？
按 subject_id（患者级）——人均 2.07 案例，复诊者跨案例泄漏。三 split 报患者/案例/事件三行数字。
Q23 下一活动预测有基线吗？
必报：多数类（下一活动多为 Vital sign check）、前活动重复假设、均值回归（时长）。基线强者说明任务信号弱——先看基线再吹模型。
Q24 LLM 能直接吃 XES 吗？
不直接——先文本化（事件序列→自然语言模板）再喂 LLM（§7.4）。结论须回日志验证防幻觉。
Q25 单中心限制怎么声明？
BIDMC 一家医院 8 年数据——分诊制度/资源配置/患者构成的流程结构不可直接外推。跨院验证是限制节的标配。
Q26 有教材/教程吗？
配套论文（arXiv:2505.19389）+ GitHub 提取代码 + PM4Py 官方文档——三件套足够起步。流程挖掘理论看 van der Aalst 教材。
Q27 能做拥挤仿真吗？
能——到达率+并发计数+LoS 分布即离散事件仿真（DES）的输入三件套。MIMICEL 提供真实参数而非假设分布。
Q28 和波形库（486-488）有患者重叠吗？
理论上有（同一医院），但 MIMIC-ED 与波形库的患者交集没有官方映射表——ED 停留短、监护波形主要在 ICU。跨库联合走 MIMIC-IV subject_id 体系（DUA）。
Q29 什么是 performance DFG？
带时间性能标注的直接跟随者图——每条边显示平均/分位经过时长。瓶颈一目了然（哪条边最慢）。
Q30 Inductive Miner 的 noise_threshold 是什么？
过滤低频行为的参数（0-1）：0.2 表示过滤占 20% 以下的"噪声"行为——流程树更简洁但丢细节。调参报告进消融。
Q31 fitness 是什么？
模型回放日志的拟合度（0-1）——1.0 表示日志中所有轨迹都能被模型重放。≥0.8 量级是可读模型的常用验收线。
Q32 6 活动的全排列有多少种变体？
理论上 6 活动可重复排列近乎无限；实际因活动次序的临床约束+重复结构，真实变体集中。跑 pm4py.get_variants 看帕累托曲线。
Q33 数据多大？机器带得动吗？
数百 MB 级（CSV+XES）——笔记本存得下；全量 PM4Py 分析要 8-16 GB 内存。比波形库（TB 级）轻几个量级。
Q34 能发布基于 MIMICEL 的衍生日志/模型吗？
衍生分析产物按 PhysioNet 派生政策发布（来源声明）；衍生日志（含案例属性组合）按 DUA 约束——稀有变体做 k-匿名（§8.3）。
Q35 arrival_transport 有哪些取值？
步行/救护车/警车/直升机等来院方式——是流程起点行为的重要分层变量（救护车患者跳过部分登记环节的假设可检验）。
Q36 disposition 是标签还是特征？
研究"什么流程走向什么结局"时是标签；预测"下一活动"时若 disposition 在当前时点未知则不可作特征（§7.6 穿越禁令）。
Q37 acuity 缺失 1.64% 怎么办？
分层分析时缺失层单列（"未记录"是信息不是噪声）；结局建模可插补或多类处理。别静默丢弃。
Q38 论文里怎么写数据可用性？
MIMICEL v2.1.0 经 PhysioNet Credentialed Access 获取（DUA，CITI 编号）；源库 MIMIC-IV-ED v2.2 同许可；提取代码公开（GitHub）；分析代码随论文复现包。
Q39 这数据集适合课程教学吗？
非常适合：结构简单（6 活动）+规模真实（42.5 万案例）+工具标准（PM4Py）——流程挖掘课程一周内可跑通"载入→发现→性能→解释"全链路。
Q40 时序切分和随机切分差在哪？
拥挤预测按案例随机切=训练集含测试期之后的日期（时间穿越）。按日期切（如最后 1 年为测试）才符合部署现实。差值本身就是论文里"部署差距"的证据。
Q41 什么是直接跟随者图（DFG）？
活动为节点、相邻事件对为边的有向图（边权=频次/时长）——流程挖掘的"快速素描"，可读性最高，适合第一眼。
Q42 复诊患者的影响怎么量化？
人均 2.07 案例——复诊者的流程行为相关（同一人走相似路径）。subject_id 切分外，可做"复诊者 vs 首诊者"分层对比（本身是个有趣研究问题）。
Q43 事件日志能转回关系表吗？
能（本来就从关系表来）——mimicel.csv 就是关系形态。方向不重要，重要的是分析时用对视角：流程问题用 case 视角、记录问题回原库。
Q44 和 MIMIC-IV on FHIR 什么关系？
两者都是 MIMIC-IV 的派生标准格式视图——FHIR 是医疗信息互操作标准（资源模型），MIMICEL 是流程挖掘标准（事件日志）。视角不同，服务社区不同。
Q45 能预测分诊级别（acuity）吗？
可以（主诉+到达方式+早期生命体征→acuity 分类）——但要小心：这是"复制护士判断"的任务，价值在一致性审计（人机分歧案例）而非替代。
Q46 性能分析要多久跑完？
全量 756 万事件的前缀计算分钟级；发现+性能标注在 16 GB 机器上十分钟级。轻量是本库最大工程红利。
Q47 有已知的数据质量问题吗？
官方披露的：Triage 构造时间戳、1.06% 倒置、acuity 1.64% 缺失——三大已知项都有官方口径。未知项按 §4.8 完整性清单自查。
Q48 能分析"未就诊离院"（LWBS）吗？
disposition 含"离开"类取值——LWBS（left without being seen）是 ED 运营重要指标，可经 disposition+活动截断模式识别（未到 Discharge 即终止的案例）。
Q49 这数据集的 citation 有官方格式吗？
有——PhysioNet 页面提供 BibTeX（v2.1.0 与论文双条目）。配套论文发表后（2025）建议双引（§8.2）。
Q50 为什么说 MIMICEL 是"三视角"之一？
MIMIC 家族三视角：记录（临床库表）、信号（波形库）、流程（事件日志）。同一就诊的三个正交切面——MIMICEL 补的是"顺序与结构"这一最难获得的视角（§6.7）。
Q51 XES 里每个 trace 自带哪些属性？
案例级 8 个属性全部挂在 <trace> 上（case:concept:name、人口学、到达方式、分诊级别、结局等，§2.5 清单），不需要额外 join。
Q52 为什么只有 6 种活动，医嘱/用药都不见了？
设计取舍：MIMICEL 定位是患者旅程骨架而非医嘱明细（§6.2）。治疗内容请回流 MIMIC-IV（prescriptions/emar），两库以 subject_id/hadm_id 互通。
Q53 能和 MIMIC-IV-note（临床文本）关联吗？
可以经 subject_id 关联，但注意 ED 患者多数未住院（无 hadm_id），放射报告/出院小结的覆盖率远低于住院侧；先统计关联覆盖率再设计研究。
Q54 时序倒置事件必须删掉吗？
不必。三个选项按研究目的选：轻度重排（sort 后进入流程发现）、保留原序（研究记录行为本身）、剔除（严格时序建模）。80,581 条（1.06%）是绝对数，剔除对总量影响很小。
Q55 PM4Py 版本踩坑？
pm4py 2.x API 变动频繁（如 read_xes 的 return_legacy_log_object 参数、discovery 函数名）。锁版本（requirements.txt 钉死），跑通后不要随手升级。
Q56 能算"每个活动的等待时间"吗？
能但要看语义：triage 时间戳是人工构造的 intime+1 秒（§2.7），"到达→分诊"的等待不可测；可测的是分诊之后活动间的间隔。报告时明确写出时间戳来源。
Q57 数据里有患者结局（如死亡）吗？
disposition 属性含离院去向类别（含死亡去向），单 ED 停留内的结局可用；出院后 30 天死亡率等需回流 MIMIC-IV hosp（admissions/death），注意 ED 患者无 hadm 的覆盖率问题。
Q58 能导入 Celonis 等商业流程挖掘工具吗？
XES 是通用交换格式，商业工具大多可导入；但 PhysioNet DUA 禁止将受控数据上传至未经批准的云端环境——用本地部署许可的工具，或先用合成日志验证工作流。
Q59 为什么我的变体数和别人的论文对不上？
变体数取决于三个自由参数：活动抽象层级（6 活动是固定口径）、是否含重复活动折叠、案例过滤协议。引用他人数字前先对齐这三个参数（§4.5 的 to_analysis_version 思路）。
Q60 能用这数据做实时仿真吗？
可以建离散事件仿真（DES）模型：从日志拟合到达过程（泊松/非齐次）、活动时长分布、路由概率——这就是"日志驱动仿真"，流程挖掘的标准下游。注意输出是合成数据，别混淆真实与仿真结果。
Q61 有没有现成的课程作业设计？
适合三档：入门（变体统计+DFG 可视化，1 周）、进阶（一致性检查+性能挖掘，2-3 周）、研究型（拥挤预测/LLM 任务溯源，学期项目）。入门档即可在 Colab 免费档完成（用抽样）。
Q62 时间戳的时区是什么？
MIMIC-IV 系列统一为医院本地时间（无 UTC 标注），MIMICEL 继承该口径。跨时区分析（如合并其他 ICU 数据）时先统一时区；不要依赖文件系统的本地时区设置。
§10 存照与溯源
§10.1 口径存照
| 声明数字 | 口径 | 源 |
|---|---|---|
| 425,028 / 205,466 | 案例/患者数（v2.1.0） | 论文 Table 5 |
| 7,568,824 | 事件数（完整版） | 论文 Table 5 |
| 6 | 活动类型数 | 论文 Table 2 |
| 18（3-218） | 每案例事件数 | 论文 Table 5 |
| 80,581（1.06%） | 倒置事件（分析版剔除） | 论文分析节 |
| intime+1s | Triage 构造时间戳 | 论文 Table 2 口径 |
| 8+21 | case/event 属性数 | 论文 Table 3/4 |
| ≥12 / >500 min | 拥挤/长留阈值（75 分位） | 论文分析节 |
| 1.64% | acuity 缺失案例占比 | 论文分析节 |
| v2.1.0（2023-06-16） | 当前版本（基于 MIMIC-IV-ED v2.2） | PhysioNet 页 |
| 10.13026/64aq-jw11 | v1.0 DOI | QUT ePrints/PhysioNet |
| Jans 九步法 | 提取方法学 | 论文 Methods |
| PM4Py CSV→XES | 格式转换 | 论文/官方页 |
| arXiv:2505.19389 | 配套论文（2025-05-26） | arXiv |
| 2165-2170 示例年份 | 代理日期语义 | 论文 Table 6 |
存照 A（拥挤阈值的适用边界）：≥12（75 分位）与 LoS>500min 均来自该医院数据的分位数，是方法示范常数而非普适标准——任何移植应用必须用自己的数据重校准（§2.11）。
存照 B（triage+1 秒的连带影响）：所有以"到达→分诊"为起点的等待/时长计算均无意义；涉及时段起点的分析一律从 triage 之后的首个真实活动起算（§2.7）。
存照 C（两版本并行引用）：v1.0.0（2022，DOI 10.13026/64aq-jw11）与 v2.1.0（2023-06-16，DOI 10.13026/5ntk-km72，基于 MIMIC-IV-ED v2.2）同时在库并存，二者案例数不同；论文必须标注版本号与对应 DOI（§1.4）。
§10.2 引文清单
- Wei J, He Z, Ouyang C, Moreira C. MIMICEL: MIMIC-IV Event Log for Emergency Department (version 2.1.0). PhysioNet, 2023. doi:10.13026/64aq-jw11
- Wei J, Ouyang C, Wickramanayake B, He Z, Perera K, Moreira C. Curation and Analysis of MIMICEL – An Event Log for MIMIC-IV Emergency Department. arXiv:2505.19389（2025）
- Johnson A, Bulgarelli L, Pollard T, et al. MIMIC-IV-ED (version 2.2). PhysioNet, 2022. doi:10.13026/5ntk-km72
- van der Aalst W. Process Mining: Data Science in Action（2nd ed. Springer）——学科奠基教材
- Munoz-Gama J, et al. Process mining for healthcare: characteristics and challenges（综述）
- Jans M, et al. 事件日志提取方法学（九步法框架）
- Bui et al./scitepress 2025. Process Mining and Machine Learning for Predicting Clinical Outcomes in Emergency Care: A Study on the MIMICEL Dataset
§10.3 与本系列其他条目的关系
| 条目 | 关系 |
|---|---|
| 492 MIMIC-IV | 祖父库：hadm_id 回链的远端；模块族中枢 |
| 488 MIMIC-IV Waveform | 同族模块（信号视角）；ED 患者转 ICU 后的波形数据 |
| 490 MIMIC-III Clinical | 前代临床库（ED 模块始于 MIMIC-IV 时代） |
| 486/487 MIMIC-III Waveform/Matched | 波形视角对照（物理 vs 流程视角） |
| VitalDB | 手术室流程对照（麻醉记录=另一种流程数据） |
§10.4 变更日志
| 日期 | 事项 |
|---|---|
| 2022-06 | v1.0.0 发布（DOI 10.13026/64aq-jw11） |
| 2023-06-16 | v2.1.0 发布（基于 MIMIC-IV-ED v2.2） |
| 2025-05-26 | 配套论文 arXiv:2505.19389 发布（Table 1-6 口径） |
| 2026-09-20 | 本条目完成事实核查与撰写（千方病案医数集 order 489） |
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：
- mimiciii-demo — 共享标签：电子健康记录 / 公共卫生与流行病学
- mimiciv — 共享标签：电子健康记录 / 公共卫生与流行病学
- maternal-ultrasound-nutrition — 共享标签：电子健康记录 / 公共卫生与流行病学
- hrs — 共享标签：电子健康记录 / 公共卫生与流行病学
- cdsl-covid-data-shared-learning — 共享标签：电子健康记录 / 公共卫生与流行病学
- framingham — 共享标签：电子健康记录 / 公共卫生与流行病学
- seer-nci — 共享标签：电子健康记录 / 公共卫生与流行病学
- openfda — 共享标签：电子健康记录 / 公共卫生与流行病学
- gemini — 共享标签：电子健康记录 / 公共卫生与流行病学
- charls — 共享标签：电子健康记录 / 公共卫生与流行病学
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。
