信息速览

数据集名称NWICU — 芝加哥多院区 COVID 时代 ICU EHR AI-Ready Wikipedia | 千方病案医数集

数据类型约 597MB CSV.GZ,25,342 名患者,28,566 次 ICU 住院,12 张表,凭证化申请

规模25,342 名患者

接入方式MIT Laboratory for Computational Physiology × Northwestern University（PhysioNet 托管） url: https://physionet.org/content/nwicu-northwestern-icu/

AI 就绪度

数据集封面

Northwestern ICU (NWICU) — 多院区 COVID 时代 ICU EHR 数据库 AI-Ready Wikipedia

INFOBOX

数据集名称	Northwestern ICU (NWICU) database
英文全称	Northwestern ICU Database
别名/简称	NWICU；MIMIC-NW（规划中的 MIMIC-IV+NWICU 融合库）
疾病分类	ICD-11 RA01（COVID-19）、1G40（脓毒症）、NB32（急性呼吸窘迫综合征）、GB60（急性肾损伤）、CA40（病毒性肺炎）——覆盖 ICU 全病谱
SNOMED CT	COVID-19（840539006）、脓毒症（10001005）、ARDS（67782005）、肺炎（233604007）、人工通气（40617009）
数据模态	结构化 EHR：生命体征、实验室检验、处方与用药执行、ICD 诊断、ICU 操作事件
AI 任务类型	死亡率预测、ICU 表型识别、住院时长预测、再入院预测、多院区泛化与外部验证
样本总数	25,342 名患者 / 28,566 次 ICU 住院（v0.1.0，第三方实测行数）
数据大小	约 596.8 MB（12 个 CSV.GZ 压缩文件）
数据格式	CSV（gzip 压缩）；PostgreSQL 建库脚本（社区移植）
许可证	PhysioNet Credentialed Health Data License 1.5.0
访问级别	申请审核（PhysioNet 凭证化 + 签署 DUA + CITI 培训）
DUO 标签	GRU（通用研究使用，以官方 DUA 条款为准）
语言	英语
首发日期	2024-11-19
最后更新	2024-11-19（v0.1.0，首个公开版本）
发布机构	MIT 实验室计算生理学实验室（MIT-LCP）× 西北大学 × 西北医学
官方主页	physionet.org/content/nwicu-northwestern-icu
下载地址	physionet.org/files/nwicu-northwestern-icu/0.1.0（凭证化用户）
DOI	10.13026/s84w-1829
AI 就绪度评分	⭐⭐⭐（3/5）— 表结构与 MIMIC-IV 兼容、可复用 MIMIC 生态代码，但官方未提供建库与预处理脚本、无官方数据划分，机械通气/尿量等关键表缺失需自行补齐
页面状态	published

§0 E-E-A-T 审核声明

医学审核：[千方病案医学编辑部]交叉审核：§2 医学背景（ICD-11/SNOMED CT 双映射、COVID-19 与脓毒症流行病学数字）、§7 偏倚分析。

数据工程审核：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。NWICU 要求用户完成 CITI Program 的 “Data or Specimens Only Research” 培训，通过 PhysioNet 凭证化审核并签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ NWICU（Northwestern ICU database）是美国西北医学（Northwestern Medicine）旗下芝加哥及周边 12 家医院的 ICU 结构化电子健康记录数据库，由 MIT 与西北大学团队联合构建、托管在 PhysioNet 上。它收录了 2020–2022 年新冠大流行期间约 2.5 万余名 ICU 患者的生命体征、化验、用药、诊断与操作数据，共 12 张表，并对实验室、药物、体征做了 LOINC/RxNorm/SNOMED 标准术语映射。

为什么重要？ 公开 ICU 数据库长期被波士顿 BIDMC（MIMIC 系列）单中心主导。NWICU 是第一个公开的 Northwestern 医疗系统多院区 ICU 数据，且正好覆盖 COVID-19 危重症高峰——包括 ICU 溢出单元、瑞德西韦等疫情期特有用药与 SARS-CoV-2 检测全记录，是目前公开资源中对新冠重症描述最完整的数据库之一。它与 MIMIC-IV 表结构对齐，芝加哥与波士顿两个独立医疗系统互为理想的外部验证场。

我能用它做什么？ 可以做：新冠重症预后建模、把你在 MIMIC-IV 上训练的模型拿到地理独立人群上做外部验证、脓毒症/ARDS/AKI 表型研究、用药模式分析。不适合做：需要静脉输注速率（无 inputevents 表）、尿量（无 outputevents 表）、微生物培养明细或临床文本笔记的研究。

如何开始？ 先完成 CITI 培训并提交 PhysioNet 凭证申请（见 §6.2），等待期间用本页 §1.3 与 §4 的结构对照设计特征集；获批后按 §6.1 三表最小子集跑通标签构造，再按 §6.5 的坑点清单核查方案可行性。

§1.1 摘要

NWICU 由西北医学企业数据仓库（NM EDW）供数：Epic EMR 每日经 ETL 将选定数据写入关系型 EDW（Fact/Dimension 结构），另设 COVID-19 data mart。队列收录 2020 与 2021 年入住 ICU 并出院的全部患者（数据跨度标注为 2020–2022），排除 18 岁以下与 restricted 标记记录，最终覆盖 25,342 名患者、60,867 次住院、28,566 次 ICU 住院（v0.1.0，第三方实测）。数据经 HIPAA Safe Harbor 流程脱敏：标识符替换为加密随机数、每名患者施加固定随机日期偏移、自由文本经白名单正则过滤。MIT-LCP（Pollard、Mark、Celi 团队）将其协调为与 MIMIC-IV 一致的 hosp/icu 双 schema 12 表结构，并完成 LOINC、RxNorm、SNOMED CT 映射（SSSOM 模型）。项目获 NU IRB、BIDMC/MIT IRB 批准（豁免知情同意）与 NM Data Steward 放行，由 NIH NLM 合同 75N97020C00013 资助（官方文档）。

§1.2 战略价值

维度一：MIMIC 兼容的地理独立外部验证场。 MIMIC-IV 来自波士顿 BIDMC 单中心，审稿人越来越要求地理独立队列验证。NWICU 的表结构、主键体系（subject_id/hadm_id/stay_id）与锚点年龄机制均与 MIMIC-IV 对齐，MIMIC 分析代码可低成本迁移；同时芝加哥人群与波士顿 BIDMC 在人群构成、支付结构、临床实践上相互独立，是「开发-验证」双库设计的天然配对。MIT 团队还计划发布 MIMIC-IV v3.0 + NWICU 的融合库 MIMIC-NW 2020–2022 及其构建脚本。

维度二：COVID-19 时期的真实世界切片。 NWICU 完整覆盖大流行三年：SARS-CoV-2 检测结果内嵌于 labevents，瑞德西韦与 SARS-CoV-2 疫苗记录出现在 prescriptions/emar，ICU overflow unit（ICU 溢出单元）作为独立护理单元编码被保留。这使它成为研究疫情期诊疗惯例漂移、资源挤兑下的预后变化、以及长新冠（ICD 编码含 long COVID 标记）的少数公开选择之一（官方文档）。

维度三：Epic 多院区 EHR 的工程参考样本。 北美 30% 以上医院使用 Epic。NWICU 展示了从 Epic 私有非关系型 EMR → 企业数仓 → MIMIC 风格科研库的完整 ETL 路径与脱敏策略，对任何要做「Epic 数据科研化」的团队都有直接的工程借鉴价值。

§1.3 同类数据集横向对比

数据集	中心数	时间范围	规模（患者/住院）	模态	结构风格	与 NWICU 的差异化
NWICU 0.1.0	芝加哥 12 院	2020–2022	25,342 患者 / 28,566 ICU 住院	结构化 EHR	MIMIC-IV 兼容	COVID 富集 + Epic 多院区
MIMIC-IV 3.1	波士顿 BIDMC 单中心	2008–2022	约 25.7 万住院	EHR+影像+笔记	MIMIC 原生	体量大、表全（含 inputevents/notes）；无 COVID 全程多院区视角
eICU-CRD 2.0	美国 208 院	2014–2015	139,367 患者 / 200,859 住院	结构化 EHR	eICU 原生	地理广度大但年代早；APACHE 评分内置
AmsterdamUMCdb	阿姆斯特丹 UMC 单中心	2003–2016	20,109 患者 / 23,106 住院	高分辨率 EHR	自有 schema	欧洲人群、GDPR 双合规
HiRID 1.1.1	伯尔尼大学医院单中心	2008–2016	约 3.4 万 ICU 住院	2 分钟级高分辨率 EHR	自有 schema	时间分辨率极高；欧洲单中心
SICdb 1.0.8	萨尔茨堡 4 个 ICU	2013–2021	21,583 患者 / 27,386 住院	高分辨率 EHR+手术	自有 schema	围术期数据；欧洲单中心

§1.4 版本时间轴

版本	发布日期	关键变化	备注
0.1.0	2024-11-19	首次公开发布：12 表（hosp 8 + icu 4）的协调多中心 COVID 富集 ICU 数据库	迄今唯一公开版本；MIMIC-NW 2020–2022 融合脚本计划在 MIMIC Code Repository 发布

§1.5 典型应用场景

COVID-19 重症预后建模：提取 SARS-CoV-2 阳性 ICU 子队列（研究者已从中提取 4,151 例危重新冠患者，见 BMC Infect Dis 2025），建模 ICU/院内死亡率。
MIMIC 模型的外部验证：将 MIMIC-IV 训练的死亡率/ stay_id 级预测模型在芝加哥人群上验证，例如 SAFE-Mo 脓毒症相关 ARDS 模型即用 NWICU v0.1.0 做泛化验证（PMC12430899）。
疫情期诊疗惯例漂移研究：按年份/季度对比处方模式（瑞德西韦、地塞米松、疫苗）、ICU overflow 单元使用率与结局的时间演化。
用药执行真实性分析：emar 表同时含处方与实际执行事件（event_txt），可研究处方-执行落差。
多库联合域泛化基准：NWICU 已被纳入 9 库聚合（约 40 万患者）的 anchor regression 域泛化研究（arXiv:2507.21783）。
处方-执行落差与药物警讯研究：利用 prescriptions 与 emar 的双记录结构（event_txt 记录执行/修改/取消），研究疫情期药物可及性与临床执行偏差。

§2 医学背景

§2.1 ICD-11 编码映射

NWICU 原生计费诊断为 ICD-9/ICD-10（diagnoses_icd 表，含 COVID-19 与 long COVID 标记），下表给出核心疾病到 ICD-11 的对应关系，供模型标签体系设计参考：

标签/疾病	ICD-11 编码	ICD-11 中文名	关键说明
COVID-19 确诊	RA01	COVID-19	NWICU 内另可经 labevents 的 SARS-CoV-2 检测与 ICD long COVID 标记交叉识别
病毒性肺炎	CA40	病毒性肺炎	COVID 危重症的主要肺部表现之一
脓毒症	1G40	脓毒症	ICU 最常见死亡原因之一；NWICU 缺微生物培养明细，需靠 ICD + 抗生素推断
急性呼吸窘迫综合征（ARDS）	NB32	急性呼吸窘迫综合征	COVID 重症核心并发症；机械通气仅以操作码存在
急性肾损伤（AKI）	GB60	急性肾损伤	因缺尿量表，金标准 KDIGO 分期只能部分实现（血肌酐标准）
脓毒性休克	1G41	脓毒性休克	脓毒症 + 血管活性药使用近似推断

§2.1b SNOMED CT 映射

NWICU 官方已按 SSSOM 数据模型将检验、处方、生命体征与操作映射至 LOINC/RxNorm/SNOMED CT（发布于 MIMIC Code Repository），核心概念如下：

概念	SNOMED CT 码	术语名	NWICU 中的来源字段
COVID-19	840539006	Disease caused by SARS-CoV-2	diagnoses_icd + labevents（SARS-CoV-2 检测）
脓毒症	10001005	Septic disorder	diagnoses_icd（映射表见 MIMIC Code Repository）
急性呼吸窘迫综合征	67782005	Acute respiratory distress syndrome	diagnoses_icd + procedureevents（通气操作）
肺炎	233604007	Pneumonia	diagnoses_icd
人工通气	40617009	Artificial ventilation	procedureevents（仅操作码，无呼吸机参数）
心率监测	364075005	Heart rate（observable）	chartevents itemid 映射

§2.2 疾病与人群简介

NWICU 收录的是全病谱成人 ICU 人群，而非单一疾病队列，其中 COVID-19 是最具特色的研究切面。新冠大流行期间，相当比例感染者进展为需入 ICU 的危重症，早期疫情阶段 ICU 死亡率文献报道高达约 40%，此后随诊疗经验积累下降至约 25%（BMC Infect Dis 2025）。芝加哥都市圈人口约 950 万，西北医学 12 家医院构成伊利诺伊州最主要的学术医疗网络之一；2018 年全网统一迁移 Epic EMR，使 2020–2022 年的数据具有单一系统、多院区的一致编码背景。从 NWICU 提取的 COVID 危重子队列中男性占 58.4%（4,151 例），与新冠重症文献中男性风险更高的普遍结论一致。除新冠外，库内脓毒症、ARDS、AKI、心衰等常规 ICU 病谱齐备，可支撑通用重症预测任务。

核心疾病流行病学参考（大流行期 ICU 语境）：

疾病/状态	流行病学要点	对 NWICU 分析的含义
COVID-19 危重症	全球大流行致数百万人死亡；早期报道 ICU 死亡率高达约 40%，后期降至约 25%	库内 COVID 子队列的标签基础率随年份显著变化，分层评估必需
脓毒症	ICU 最常见死因之一，全球发病率约 508 例/10 万人年	NWICU 缺培养表，Sepsis-3 疑似感染时间窗需抗生素 + 检验近似
ARDS	全球年发病率约 1.5–75 例/10 万人年，死亡率可高达约 46%	COVID 相关 ARDS 是库内通气操作记录的主要适应证
急性肾损伤	ICU 患者常见并发症	缺尿量表，只能按血肌酐标准做部分分期
ICU 容量挤兑	大流行高峰期 ICU 满负荷、overflow 单元启用	first_careunit 中 overflow 编码是真实的运营压力信号，亦是混杂

（流行病学数字引自 §8.5 所列文献 2、3、4 的公开描述，仅作背景量级参考。）

§2.3 临床任务定义

任务	定义	NWICU 支持度	标签构造建议
ICU 死亡率预测（IHM）	入 ICU 后 24–48h 内预测院内死亡	✅ 完整	patients.dod 或 admissions.hospital_expire_flag
住院时长预测	预测 ICU LOS	✅ 完整	icustays.los
脓毒症表型识别	Sepsis-3 标准回溯标注	⚠️ 部分	ICD + 疑似感染时间窗（抗生素 + 检验）；缺培养明细
AKI 分期	KDIGO 分期	⚠️ 部分	血肌酐可算；尿量标准不可用（无 outputevents）
用药执行监督	处方 vs 实际给药一致性	✅ 完整	prescriptions ↔ emar（event_txt）
COVID 长期结局	long COVID 标记分析	✅ 支持	diagnoses_icd 含 long COVID 编码标记

§2.4 患者人群特征

维度	描述	来源
来源机构	西北医学（Northwestern Medicine）12 家医院网络，芝加哥及周边	官方文档
入组时间	2020 与 2021 年入住 ICU 并出院的患者；数据跨度官方标注 2020–2022（社区实测含少量 2017–2019 边缘记录）	官方 Methods + 社区加载报告
年龄	成人（≥18 岁），patients 表以 anchor_age/anchor_year 表达	官方 Methods
性别	COVID 危重子队列男性 58.4%（4,151 例）	BMC Infect Dis 2025
就医类型	全部为 ICU 收治（内外科混合，含 ICU overflow 单元），排除 <18 岁与 restricted 标记	官方 Methods
地域/保险	芝加哥都会区；admissions 表含 insurance/language/marital_status/race 字段	官方 DDL

§2.5 临床价值

对 AI 研究者，NWICU 的临床价值在于「疫情 + 多院区 + Epic」三重真实性：模型在疫情冲击下的鲁棒性、容量挤兑期的资源分层、以及单一 EMR 厂商内多院区的编码一致性，都是单中心平静期数据（如 MIMIC）无法回答的问题。对临床信息学家，它是 Epic EDW → 科研库的脱敏与术语映射样板。对药物流行病学，emar 的处方-执行双记录支持真实用药暴露测量。

受众	价值点	典型产出
临床 AI 研究者	地理独立外部验证 + 疫情压力测试	跨系统泛化论文、模型部署风险评估
临床信息学家	Epic→MIMIC 风格库的 ETL/脱敏参考	机构数据科研化方案
药物流行病学家	处方-执行落差、疫情期用药演变	真实世界用药研究
卫生服务研究	ICU 容量挤兑与结局关联	危机应对政策评估

§2.6 金标准标注情况

项目	说明
划分	无官方 train/val/test 划分
标注方式	无人工研究标注；诊断标签来自 ICD-9/ICD-10 计费编码（自动），结局标签来自 EHR 原生字段（dod、hospital_expire_flag）
标注者	医院计费编码流程；非研究级双盲标注
标注性质	弱监督/回顾性标签；SARS-CoV-2 检测结果为实验室金标准级数据

§3 数据集规格

§3.0 版本抉择矩阵

你的需求	推荐版本	大小	理由
COVID 重症研究/外部验证	NWICU v0.1.0	596.8 MB（压缩）	当前唯一公开版本，即官方最新；覆盖 2020–2022 疫情全程
需要 inputevents/尿量/培养/笔记的完整 ICU 分析	MIMIC-IV 3.1（另见本站 MIMIC-IV 词条）	约数 GB	NWICU 无这四类表，不要硬迁
想要 MIMIC+NWICU 一体化融合数据	等待 MIMIC-NW 2020–2022	未发布	官方已宣布脚本将发布于 MIMIC Code Repository，截至 2026-09 尚未上线，勿引用不存在的版本号

§3.1 模态详情

模态	表	内容	关键字段
人口学	patients	性别、锚点年龄/年份、院内死亡日期	subject_id, gender, anchor_age, anchor_year, dod
住院事件	admissions	入出院时间、类型、来源/去向、保险、种族、院内死亡标志	hadm_id, admittime, hospital_expire_flag
实验室检验	labevents + d_labitems	全部检验事件（含 SARS-CoV-2 检测）	itemid, valuenum, valueuom, ref_range
生命体征	chartevents + d_items	ICU 内护理图表事件（心率/呼吸/SpO₂ 等）	stay_id, itemid, valuenum
用药	prescriptions	处方（含瑞德西韦、SARS-CoV-2 疫苗）	drug, dose_val_rx, route
用药执行	emar	电子用药执行记录与执行状态	medication, event_txt, charttime
诊断	diagnoses_icd + d_icd_diagnoses	ICD-9/ICD-10 计费诊断（含 COVID/long COVID 标记）	icd_code, icd_version, seq_num
ICU 操作	procedureevents	ICU 期间操作（通气、胸片等）	itemid, starttime, endtime, patientweight

§3.2 按表样本数统计

表	记录数（实测）	文件大小（csv.gz）
patients	25,342	207.0 KB
admissions	60,867	1.8 MB
icustays	28,566	853.4 KB
chartevents	9,317,492	57.1 MB
labevents	16,186,127	195.3 MB
emar	19,122,368	264.6 MB
prescriptions	1,746,063	67.9 MB
diagnoses_icd	370,828	1.6 MB
procedureevents	1,020,318	7.0 MB
d_icd_diagnoses	70,917	559.0 KB
d_items	344	5.2 KB
d_labitems	256	2.8 KB

注：行数为第三方平台（Pisces Medicine）加载 v0.1.0 的实测值，官方仅承诺 over 25,000 patients；文件大小来自 PhysioNet 文件列表转录。d_labitems 仅 256 项、d_items 仅 344 项，是 NWICU 与 MIMIC-IV（约 1,586/4,000+）差异最大的字典表。

§3.3 数据格式

属性	规格
文件格式	CSV，gzip 压缩（12 个 .csv.gz）
编码	UTF-8
模式组织	hosp（8 表）+ icu（4 表）双 schema，与 MIMIC-IV 一致
建库脚本	官方未随 v0.1.0 发布；构建/视图脚本位于 MIMIC Code Repository，社区提供 PostgreSQL 移植（如 github.com/Nicholas2074/nwicu-code）
时间戳	TIMESTAMP（已随机偏移）；日期无时区标注

§3.4 存储大小

项目	大小
压缩下载总量	约 596.8 MB
解压后（估算）	约 4–6 GB（CSV 文本）
PostgreSQL 导入后	约 8–10 GB（含索引；emar 与 labevents 合计占 70% 以上）

§3.5 标注方式

无人工研究标注。诊断标签为 ICD-9/ICD-10 计费编码（自动，来自医院计费流程）；SARS-CoV-2 检测结果、生命体征与检验值为仪器/系统自动记录；官方术语映射（LOINC/RxNorm/SNOMED，SSSOM 模型）由 MIT-LCP 团队半自动构建并在 comments 列标注 COVID 相关术语。

§3.6 标注者资质与一致性

计费编码由医院编码员按账务规范完成，非双盲研究标注，无一致性系数（κ）报告；使用 ICD 标签训练模型时应意识到编码漏报（under-coding）偏倚。官方 SSSOM 映射由计算生理学团队维护，映射置信度见 MIMIC Code Repository 各条目注释。

§3.7 采集周期

数据自 Epic EMR 每日 ETL 入 EDW；队列收录 2020 与 2021 年 ICU 出院患者（官方数据跨度标注 2020–2022；社区实测含少量 2017–2019 记录）。生命体征在 ICU 内以护理图表频次记录（通常每小时至每 2 小时），检验按医嘱触发。

数据流	频率	说明
EMR → EDW ETL	每日	官方披露的采集节奏
生命体征图表（chartevents）	每小时至每 2 小时为主	ICU 护理常规；紧急情况更密
检验（labevents）	医嘱触发	危重期一天可达数十项
用药执行（emar）	每次给药触发	事件级，含执行状态

§3.8 地域覆盖

美国伊利诺伊州芝加哥及周边：西北医学 12 家医院网络（含旗舰 Northwestern Memorial Hospital 学术医学中心）。地理上与波士顿 BIDMC（MIMIC）完全独立。

§3.9 设备与系统规格

上游为 Epic EMR（私有非关系型数据库）→ NM EDW（关系型，Fact/Dimension 分层）→ MIT-LCP 协调脚本 → MIMIC 风格 12 表。ICU 侧数据来自 Epic 临床信息系统（Stork/Flowsheet 模块属数据源性质，库内仅见结果表）。非 PHI 的医院标识符与医护人员姓名亦被移除。

§3.10 深度溯源链

层级	主体	说明
L1 采集	Epic EMR（12 院，2018 起统一平台）	常规诊疗自动留存
L2 汇聚	NM EDW + COVID-19 data mart	每日 ETL，Fact/Dimension 结构
L3 放行	NU IRB（豁免同意）+ NM Data Steward + BIDMC/MIT IRB	三重伦理审批
L4 协调	MIT-LCP（Pollard/Mark/Celi 等）	MIMIC-IV 结构对齐 + SSSOM 术语映射
L5 托管	PhysioNet（RRID:SCR_007345）	凭证化发布，DOI 10.13026/s84w-1829
L6 资助	NIH NLM 合同 75N97020C00013	官方致谢披露

§4 数据结构

§4.0 目录树

数据解压后（凭证化用户从 PhysioNet 下载 v0.1.0 压缩包）：

nwicu-northwestern-icu-0.1.0/
├── hosp/                          # 医院模块（8 表）
│   ├── admissions.csv.gz          # 60,867 行：住院事件
│   ├── d_icd_diagnoses.csv.gz     # 70,917 行：ICD 字典
│   ├── d_labitems.csv.gz          # 256 行：检验 itemid 字典
│   ├── diagnoses_icd.csv.gz       # 370,828 行：计费诊断
│   ├── emar.csv.gz                # 19,122,368 行：电子用药执行
│   ├── labevents.csv.gz           # 16,186,127 行：检验事件
│   ├── patients.csv.gz            # 25,342 行：患者
│   └── prescriptions.csv.gz       # 1,746,063 行：处方
├── icu/                           # ICU 模块（4 表）
│   ├── chartevents.csv.gz         # 9,317,492 行：生命体征图表
│   ├── d_items.csv.gz             # 344 行：图表 itemid 字典
│   ├── icustays.csv.gz            # 28,566 行：ICU 住院
│   └── procedureevents.csv.gz     # 1,020,318 行：ICU 操作
├── index.html                     # PhysioNet 页面
└── LICENSE.txt                    # PhysioNet Credentialed Health Data License 1.5.0

§4.1 DAIMS 字段字典

核心表 8 列字段字典（类型/说明/示例值/AI 用途/观测误差/信息性缺失/取值范围）：

字段	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
patients.subject_id	Integer	患者唯一标识（加密随机数）	10000032	患者级聚合主键	无	不适用	正整数
patients.anchor_age	Integer	锚点年份时的患者年龄	67	年龄特征；换算逐年年龄	患者自报/登记误差	缺失即未知	≥18
patients.anchor_year	Integer	锚点真实年份	2020	与 anchor_year_group 配合还原相对时间	无	不适用	2017–2022
patients.dod	Date	院内死亡日期（已偏移）	2021-03-14	死亡标签；仅含 NM 住院死亡	院外死亡不收集	NULL=存活或院外死亡不可知	2020–2022+
admissions.hospital_expire_flag	Smallint	本次住院是否院内死亡	1	IHM 二分类金标准	计费流程误差	不适用	0/1
admissions.race	Varchar	种族记录（Epic 编码）	WHITE	公平性分析	自报+登记不规范（自由文本残留）	NULL/UNKNOWN	Epic 枚举
icustays.stay_id	Integer	ICU 住院唯一标识	30000012	时序模型单元主键	无	不适用	正整数
icustays.first_careunit	Varchar	首个护理单元（含 ICU overflow 单元）	MED ICU	单元类型分层；疫情容量分析	单元编码不统一（见坑点 1）	不适用	枚举字符串
icustays.los	Float	ICU 住院天数	4.31	LOS 回归标签	转入转出时间差	NULL=记录异常	≥0
chartevents.itemid	Integer	图表项标识（指向 d_items）	220045	生命体征抽取的字典键	与 MIMIC itemid 不通用（见坑点 5）	不适用	见 d_items（344 项）
chartevents.valuenum	Float	数值化测量值	88.0	时序输入	抄录/设备误差；官方警告存在伪影值	NULL 时查 value 文本列	视 itemid
labevents.itemid	Integer	检验项标识（指向 d_labitems）	50912	检验特征抽取	字典仅 256 项，覆盖窄	不适用	见 d_labitems
labevents.valuenum	Float	检验数值	7.40	检验特征	极值可能为归档伪影	NULL 时查 value 文本列	视 itemid
prescriptions.dose_val_rx	Varchar	处方剂量（自由文本）	650	剂量建模需解析	单位混杂、区间值（见坑点 7）	NULL=未记录	文本
emar.event_txt	Varchar	给药执行状态	Administered	处方-执行落差建模	执行记录漏登	NULL=状态未知	Epic 枚举
diagnoses_icd.icd_code	Char(70)	ICD 编码（注意列宽异常）	U07.1	COVID/long COVID 标签	计费漏报偏倚	不适用	ICD-9/10 码
procedureevents.patientweight	Float	操作时患者体重	82.5	剂量建模的少量体重来源	覆盖稀疏（见坑点 7）	NULL=未记录	>0

§4.2 标签分布

NWICU 无预置研究标签，常用标签的构造口径与已知分布线索：

标签	构造方式	分布线索
院内死亡	patients.dod 或 admissions.hospital_expire_flag	ICU 队列死亡率高于普通住院；COVID 危重子队列文献报道 ICU 死亡率疫情早期约 40%、后期约 25%
COVID-19 危重	SARS-CoV-2 阳性 + ICU 入住	第三方研究提取 4,151 例（58.4% 男性），占库内 ICU 人群约 15–16%
脓毒症	ICD + 抗生素/检验推断	依赖推断（缺培养表），无官方分布
机械通气	procedureevents 中的通气操作码	仅操作事件，无持续时间参数化程度低

COVID 子队列识别的参考实现（ICD U07.1 口径）：

# U07.1 = COVID-19 virus identified（ICD-10-CM）；U07.0 用于烟叶使用，需排除
# 更稳妥的口径：ICD U07.1 ∪ SARS-CoV-2 阳性 labevents，并报告两种口径的差集
dx = pd.read_csv(f"{data_root}/hosp/diagnoses_icd.csv.gz")
covid_dx_hadm = dx.loc[dx["icd_code"].str.fullmatch(r"U07\.1"), "hadm_id"].unique()
print(f"ICD 口径 COVID 住院数：{len(covid_dx_hadm)}")

§4.3 关键统计

12 张表、约 5,700 万行原始记录（实测行数加总），其中 emar（1,912 万）与 labevents（1,619 万）合计超过一半。
患者与住院比约 1:2.4（25,342 → 60,867 住院），住院与 ICU 住院比约 2.1:1，提示相当比例患者多次入院。
字典表规模是 NWICU 区别于 MIMIC-IV 的显著特征：检验字典仅 256 项（MIMIC-IV 约 1,586），图表字典仅 344 项（MIMIC-IV 约 4,000+），说明上游只导出了经挑选的 itemid 白名单。

统计指标	NWICU v0.1.0	MIMIC-IV v3.x（对照）	分析含义
患者数	25,342	约 25.7 万	单库体量约为 MIMIC 的 1/10
ICU 住院数	28,566	约 9.4 万	平均每患者 ICU 住院约 1.1 次
住院数	60,867	约 43 万（含非 ICU 住院）	NWICU 只保留 ICU 相关住院
事件表行数（chart+lab+emar+proc）	约 4,560 万	数亿级	建模足够，长尾概念不足
检验字典项	256	约 1,586	概念覆盖率是最大短板
图表字典项	344	约 4,000+	体征/护理概念大幅精简
表数	12	26+（hosp/icu/ed 模块）	缺 inputevents/outputevents/micro/notes 等

§4.4 数据层级

患者 patient (subject_id)
└── 住院 admission (hadm_id)          # 同一患者可多次住院
    └── ICU 住院 stay (stay_id)       # 间隔 <24h 的 ICU 住院合并为一条
        ├── chartevents（时序生命体征，itemid 级）
        ├── procedureevents（操作区间）
        └── labevents / prescriptions / emar（多数挂在 hadm_id 层）

与 MIMIC-IV 一致的三级主键体系（subject_id → hadm_id → stay_id），可直接复用 MIMIC 生态的层级聚合逻辑。

§4.5 缺失值与信息性缺失

情形	位置	处理建议
valuenum 为 NULL 但 value 有文本	labevents/chartevents	文本值可能是非数值结果（如 “NEG”）；需白名单解析后再决定丢弃或编码
体重/身高	无专门表；仅 procedureevents.patientweight 零散记录	剂量建模（mg/kg）覆盖极稀疏，见坑点 7
院外死亡	patients.dod 仅含 NM 院内死亡	生存分析右删失需显式声明，不可当无 censoring 处理
执行状态	emar.event_txt 可为 NULL	处方了但执行状态未知 ≠ 未给药
尿量/输注速率	表结构级缺失（无 outputevents/inputevents）	任何依赖该数据的特征直接不可构造，勿用 MIMIC 脚本硬跑
真实日历	全库日期偏移	星期/季节特征不可用，属系统性信息性缺失

缺失机制速查（三种缺失成因并存）：

成因	例子	建模对策
结构性缺失（表不存在）	尿量、输注速率、微生物培养、临床笔记	特征直接不设计；任务降级或换库
记录性缺失（有表没填）	patientweight、emar.event_txt 为 NULL、valuenum 空	缺失指示符 + 敏感性分析；勿盲目插补
设计性缺失（脱敏移除）	日期偏移抹掉日历、自由文本过滤	该维度特征永久不可构造，写进论文 limitations

§5 划分与使用建议

§5.1 官方划分

无。NWICU 官方未提供任何 train/val/test 划分或预处理视图。

§5.2 社区惯例与推荐划分

策略	做法	适用
患者级随机划分	按 subject_id 分层（80/10/10），防同一患者跨集泄漏	通用默认
时间前向划分	2020 年训练 → 2021 年验证/测试	模拟真实部署、研究诊疗漂移（注意疫情期漂移剧烈，见坑点 2）
留一院区划分	按医院/护理单元 held-out	多院区泛化研究（NWICU 内部单元 + 外部 MIMIC-IV）

§5.3 泄漏风险（重点）

患者级泄漏：同一患者多次住院/多次 ICU 住院（患者:住院 ≈ 1:2.4），随机按 stay_id 划分会把同一患者放进训练与测试集。必须按 subject_id 分组划分。
标签时间泄漏：IHM 标签使用 dod/hospital_expire_flag 时，注意 anchor_year 机制下时间已偏移——特征窗口必须以 ICU 入住时间（intime）为锚做相对时间截断，禁止使用 storetime 之后的信息。
COVID 子队列选择泄漏：若先按结果（如 SARS-CoV-2 阳性 + 死亡）筛样本再划分，会引入选择偏倚；应在患者级先固定队列再划分。
跨库泄漏：与 MIMIC 联用时确认无真实患者跨系统重叠（官方声明标识符跨机构不重叠，但同一患者理论上可能在不同时期住过两个系统——文献层面无重叠证据，可按机构独立处理）。

患者级防泄漏划分的最小实现：

from sklearn.model_selection import GroupShuffleSplit

# labels: index=stay_id，含 hospital_expire_flag；stay2subject 映射来自 icustays
groups = icustays.set_index("stay_id")["subject_id"]
split = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(split.split(labels, groups=labels.index.map(groups)))
train_ids, test_ids = labels.index[train_idx], labels.index[test_idx]
# 确认：set(train.map(groups)) & set(test.map(groups)) == 空集

注意：GroupShuffleSplit 按 subject_id 整组划分后，若再做时间前向划分（2020/2021），两者叠加可能造成训练集偏小——多库/多目标研究建议以「先时间后分组」的次序执行。

§5.4 交叉验证建议

5 折分组 CV（GroupKFold by subject_id）+ 每折内按时间排序的 early stopping；报告折间标准差。时间前向评估应至少另做一组，以呈现疫情期漂移下的性能衰减。

§5.5 外部验证建议

首选 MIMIC-IV 3.1（表结构兼容，特征工程代码可迁移）做双向验证（MIMIC 训练 → NWICU 验证，反之）。
需要更大地理多样性时叠加 eICU-CRD 2.0（208 院，2014–2015）。
已有先例：SAFE-Mo（MIMIC-IV + eICU 建模，NWICU 外部验证，PMC12430899）。

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

PhysioNet 凭证化数据无官方免登录镜像。两个常见路径：

本地/工作站：下载 12 个 .csv.gz（共约 596.8 MB）后直接用 pandas/DuckDB 分析，或导入 PostgreSQL。
HPC/服务器：wget 递归下载（见 §6.2）。注意部分地区 IP 被 PhysioNet 屏蔽（页面会显示 Data Not Available），需在合规许可的校区网络出口执行。

§6.1 快速上手

下面的代码假设你已把 v0.1.0 压缩包解压到 data_root。目录结构与 data_root 的拼接关系：data_root/hosp/*.csv.gz 与 data_root/icu/*.csv.gz。最小可用子集是 patients + icustays + admissions 三张表（约 3 MB），足以完成患者级队列构建与 IHM 标签；加入 chartevents 后即可做时序建模。

# 目录结构预期：
#   data_root/
#     hosp/patients.csv.gz, admissions.csv.gz, labevents.csv.gz, ...
#     icu/icustays.csv.gz, chartevents.csv.gz, ...
# data_root 拼接关系：pd.read_csv(f"{data_root}/hosp/patients.csv.gz")
# 最小可用子集：patients + icustays + admissions（IHM 标签 + 队列）
import pandas as pd

data_root = "/data/nwicu-northwestern-icu-0.1.0"

patients = pd.read_csv(f"{data_root}/hosp/patients.csv.gz")
icustays = pd.read_csv(f"{data_root}/icu/icustays.csv.gz")
admissions = pd.read_csv(f"{data_root}/hosp/admissions.csv.gz")

# IHM 标签：ICU 住院 → 所属住院 → 院内死亡标志
label = icustays.merge(
    admissions[["hadm_id", "hospital_expire_flag"]], on="hadm_id", how="left"
)
print(label["hospital_expire_flag"].value_counts(normalize=True))

# COVID 危重子队列：经由 ICD U07.1（COVID-19）识别
dx = pd.read_csv(f"{data_root}/hosp/diagnoses_icd.csv.gz")
covid_hadm = dx.loc[dx["icd_code"].str.startswith("U07"), "hadm_id"].unique()
covid_label = label[label["hadm_id"].isin(covid_hadm)]
print(f"COVID 相关 ICU 住院数：{len(covid_label)}")

§6.2 数据获取

申请流程（三步，缺一不可）：

步骤	操作	说明
1	完成 CITI “Data or Specimens Only Research” 课程	证书需上传 PhysioNet；通常需数小时学习 + 机构附加模块
2	注册 PhysioNet 并提交凭证化申请（credentialing）	需签署 Credentialed Health Data Use Agreement 1.5.0；审核周期通常数个工作日
3	获批后下载	网页逐个下载，或命令行 wget

命令行下载（获批后）：

# 需替换 <username> 为 PhysioNet 账号；会交互式询问密码
wget -r -N -c -np --user <username> --ask-password \
    https://physionet.org/files/nwicu-northwestern-icu/0.1.0/
# 输出目录：./physionet.org/files/nwicu-northwestern-icu/0.1.0/{hosp,icu}/*.csv.gz

申请时间线参考（合理预期管理）：

阶段	典型耗时	提示
CITI 课程 + 考试	3–6 小时学习（可跨天）	若机构附加模块未启用需先联系 CITI 管理员
PhysioNet 凭证审核	数个工作日	证书文件需为官方要求的 PDF 格式
首次下载（596.8 MB）	<1 小时	wget 断点续传（-c）防中断
PostgreSQL 建库导入	1–3 小时（含索引）	用社区脚本避开约束坑（坑点 3）

PostgreSQL 建库：官方 v0.1.0 未随附建库脚本。可参考 MIMIC-IV 建库脚本改造，或使用社区移植（如 Nicholas2074/nwicu-code）。注意直接套用 MIMIC-IV 约束脚本会因 admissions.hadm_id 重复而失败（见坑点 3）。

§6.3 预处理全流程

流程：CSV 加载 → 数值/文本值合并 → 单位与异常值清洗 → 时序重采样 → 特征矩阵。以下代码可直接运行（pandas ≥2.0）：

import numpy as np
import pandas as pd

data_root = "/data/nwicu-northwestern-icu-0.1.0"

# 1) 生命体征：抽取心率/呼吸/SpO2（itemid 以 d_items 为准，勿用 MIMIC itemid）
d_items = pd.read_csv(f"{data_root}/icu/d_items.csv.gz")
name2id = {
    n: d_items.loc[d_items["label"].str.contains(n, case=False), "itemid"].tolist()
    for n in ["heart rate", "respiratory rate", "oxygen saturation"]
}
chart = pd.read_csv(
    f"{data_root}/icu/chartevents.csv.gz",
    usecols=["stay_id", "charttime", "itemid", "valuenum", "valueuom"],
    parse_dates=["charttime"],
)
chart = chart[chart["itemid"].isin(sum(name2id.values(), []))]

# 2) 物理合理范围过滤（官方警告存在归档伪影值）
plausible = {"heart rate": (20, 300), "respiratory rate": (4, 80),
             "oxygen saturation": (50, 100)}
def in_range(row):
    for n, ids in name2id.items():
        if row["itemid"] in ids:
            lo, hi = plausible[n]
            return lo <= row["valuenum"] <= hi
    return False
chart = chart[chart.apply(in_range, axis=1)]

# 3) ICU 内相对时间 + 每小时重采样（日期已偏移，只能用相对时间）
icustays = pd.read_csv(f"{data_root}/icu/icustays.csv.gz",
                       usecols=["stay_id", "intime", "outtime"],
                       parse_dates=["intime", "outtime"])
chart = chart.merge(icustays[["stay_id", "intime"]], on="stay_id")
chart["t_hour"] = (chart["charttime"] - chart["intime"]).dt.total_seconds() // 3600
chart = chart[chart["t_hour"].between(0, 48)]
wide = (chart.pivot_table(index=["stay_id", "t_hour"], columns="itemid",
                          values="valuenum", aggfunc="mean")
             .reset_index())
# 4) 前向填充 + 缺失指示符（缺失即信息）
wide = wide.sort_values(["stay_id", "t_hour"])
feat = wide.groupby("stay_id").apply(lambda g: g.ffill().bfill())
feat["t_hour"] = wide["t_hour"].values
print(feat.head())

§6.4 PyTorch DataLoader

stay_id 级时序 Dataset：48 小时窗口、3 通道体征、零填充 + mask（可运行）：

import numpy as np
import pandas as pd
import torch
from torch.utils.data import Dataset, DataLoader
from torch.nn.utils.rnn import pad_sequence

class NWICUTrajDataset(Dataset):
    """每个样本 = 一次 ICU 住院的 48h x 3 通道生命体征序列。
    预期 feat 来自 §6.3 输出；labels 来自 §6.1 的 hospital_expire_flag。"""
    def __init__(self, feat: pd.DataFrame, labels: pd.Series, max_hours=48):
        self.max_len = max_hours
        self.labels = labels
        self.seqs, self.masks, self.sids = [], [], []
        for sid, g in feat.groupby("stay_id"):
            g = g.sort_values("t_hour").iloc[: self.max_len]
            x = torch.tensor(g.drop(columns=["stay_id", "t_hour"]).values,
                             dtype=torch.float32)
            self.seqs.append(x)
            self.masks.append(torch.ones(len(x)))
            self.sids.append(sid)

    def __len__(self):
        return len(self.seqs)

    def __getitem__(self, i):
        return self.seqs[i], self.masks[i], self.labels.get(self.sids[i], 0)

def collate(batch):
    seqs, masks, ys = zip(*batch)
    seqs = pad_sequence(seqs, batch_first=True)          # (B, T, C)
    masks = pad_sequence(masks, batch_first=True)        # (B, T)
    ys = torch.tensor(ys, dtype=torch.float32)           # (B,)
    return seqs, masks, ys

loader = DataLoader(NWICUTrajDataset(feat, pd.Series(...)),
                    batch_size=64, shuffle=True, collate_fn=collate)
for seqs, masks, ys in loader:
    ...  # 模型前向：GRU/Transformer 输入 (B, T, C)，用 mask 屏蔽 padding

§6.5 坑点（8 个真实特有失败模式）

⚠️ 坑点 1：多院区护理单元编码不统一，“MED ICU” 不是同一个地方（分类：偏倚陷阱）

问题：NWICU 汇聚 12 家医院的 ICU，icustays.first_careunit/last_careunit 的单元枚举是各院 Epic 配置的产物，且保留了 COVID 期间特有的 ICU overflow（溢出）单元。同名单元在不同医院可能对应不同收治标准、患者构成与监测强度；overflow 单元则是疫情容量危机下临时改造的病房（可能是 PACU/普通病房改造），患者mix与常规 ICU 系统性不同。
症状：把 first_careunit 当普通类别变量直接 one-hot 后，模型学到"overflow 单元 = 高死亡"这类混杂关联；跨单元的 AUC 差异被误读为模型能力；跨院合并后校准曲线系统性偏移。
解决：

简单方法：将单元归并为 {MICU, SICU, CCU, overflow, other} 粗粒度五类，并在所有分层评估中报告 per-unit 指标。

进阶方法：把单元/医院编码作为随机效应（mixed model）或域标签加入训练，评估时输出 per-domain 校准误差。

SOTA 方法：域对抗/域泛化训练（如 anchor regression、IRM），把"院区/单元"作为环境变量显式建模——NWICU 已被纳入 9 库聚合的 anchor regression 域泛化基准（arXiv:2507.21783），可直接复用其 protocol。
参考：官方文档对 care units 与 ICU overflow 的说明；arXiv:2507.21783

⚠️ 坑点 2：COVID 时期诊疗惯例漂移，让"时间"本身成为混杂（分类：偏倚陷阱）

问题：数据横跨 2020–2022 大流行全程：瑞德西韦、地塞米松、托珠单抗、疫苗相继引入，机械通气策略（俯卧位、限制性插管）迭代，ICU 容量从挤兑到恢复。2020 年入 ICU 的患者与 2021 年的对照可能已是"不同疾病 + 不同治疗 + 不同收治阈值"。
症状：按随机划分报告的 AUC 虚高；时间前向划分（2020 训练 → 2021 测试）性能显著掉点；用药特征（如地塞米松）重要性随年份剧烈翻转。
解决：

简单方法：年份作为协变量 + 分年份报告性能，明确标注数据为"pandemic-era cohort"。

进阶方法：时间前向划分为主评估（train 2020 → test 2021），量化漂移；对处方特征做按期标准化（同期流行率归一）。

SOTA 方法：conformal prediction / 动态校准监控部署；或按 anchor regression 把"疫情阶段"作为环境变量做不变风险最小化。
参考：BMC Infect Dis 2025（NWICU COVID 队列处理范例）；官方文档

⚠️ 坑点 3：MIMIC-IV 迁移代码直接失效——缺失表 + 重复主键（分类：工程陷阱）

问题：NWICU 只有 12 张表。MIMIC-IV 的 inputevents（静脉输注）、outputevents（尿量）、microbiologyevents（培养）、transfers、notes 在 NWICU 中不存在；同时官方未发布建库脚本，直接套用 MIMIC-IV 建库/约束脚本会在 admissions 的重复 hadm_id 上报错（社区实测：could not create unique index "admissions_pk": Key (hadm_id)=(45704141) is duplicated），且部分列 NULL 或长度不一（icd_code 列宽为 CHAR(70)，与 MIMIC-IV 不同）。
症状：SELECT urineoutput(...) 类 MIMIC 视图函数报错表不存在；脓毒症/AKI 视图跑不全；PostgreSQL 导入在加约束阶段中断，导入一半的库悄悄缺表。
解决：

简单方法：导入前 drop 全部约束，加载完再手动加可满足的约束；对重复 hadm_id 先做去重审计（同一入院多次记录还是真重复）。

进阶方法：为缺失表写显式特征替代：尿量→无替代直接放弃该特征；输注剂量→用 prescriptions + emar 的给药事件近似；血管活性药暴露→prescriptions.route 含 “IV” 的记录。

SOTA 方法：用社区验证过的移植脚本（Nicholas2074/nwicu-code）建库，或在 MIMIC Code Repository 跟踪官方 NWICU/MIMIC-NW 脚本发布；把特征工程代码写成"表存在性探测 + 特性降级"的防御式结构，使同一 pipeline 可在 MIMIC-IV/NWICU 间切换。
参考：社区建库记录；官方 Release Notes（12 表清单）

⚠️ 坑点 4：自由文本可用性受限，“value 列里没有你以为的文本”（分类：预处理陷阱）

问题：为满足 HIPAA Safe Harbor，labevents.value 与其他自由文本字段经过白名单正则过滤——日期被移除、仅数字与许可列表内容保留；医院名、医生姓名一律移除；NWICU 无临床笔记（notes）模块。你期待的 “value = ‘NEGATIVE’” 之类叙述性检验结论可能已被截断或改写。
症状：文本特征提取（TF-IDF/NER）输出与 MIMIC 上大相径庭；基于文本的影像/报告关联研究无法开展；把过滤后的 value 当完整文本做长文本模型会系统性失真。
解决：

简单方法：审计 value 列的实际取值分布，只把被保留的结构化短语（如阳性/阴性枚举）映射为类别变量。

进阶方法：构建"检验结果数值化"映射表（NEG→0、POS→1），把文本列降级为受控词表编码。

SOTA 方法：文本任务改用有 notes 的库（MIMIC-IV-Note）做预训练、NWICU 做结构化模态微调；多模态对齐时明确"模态在 NWICU 侧不可用"而非填充假值。
参考：官方脱敏说明（自由文本过滤）

⚠️ 坑点 5：Epic 特有编码——itemid 语义与 MIMIC 不通用（分类：工程陷阱）

问题：d_labitems 仅 256 项、d_items 仅 344 项（MIMIC-IV 约 1,586 / 4,000+）。itemid 是 NWICU 自己的字典，与 MIMIC-IV 的 itemid 数值完全无关；且因上游是 Epic，同一临床概念可能因各院配置不同而拆成多个 itemid。
症状：用 MIMIC 的心率 itemid（220045）查 chartevents 得到空表或错误概念；"同一个实验室检验"出现多个 itemid 导致特征分裂；LOINC/RxNorm/SNOMED 映射没接上时跨库合并完全失败。
解决：

简单方法：永远从本库 d_labitems/d_items 出发按 label 关键字选 itemid（先 d_items["label"].str.contains(...) 探查）。

进阶方法：通过官方 SSSOM 映射（MIMIC Code Repository 发布，LOINC/RxNorm/SNOMED）把两库各自 itemid 归一到标准概念，再跨库合并；映射表 comments 列标注了 COVID 相关术语。

SOTA 方法：维护一个"概念→NWICU itemid 集→MIMIC itemid 集"的 YAML 概念字典，特征工程只认概念名；使用官方 crosswalk Python 包做自动翻译。
参考：MIMIC Code Repository（SSSOM 映射与构建脚本）；官方术语映射说明

⚠️ 坑点 6：日期偏移与 stay 合并，时间特征一不小心就用错（分类：预处理陷阱）

问题：每名患者所有日期被施加同一个固定随机偏移，且官方明确声明"无法进行季节性、周末、节假日分析"；同一患者的偏移量恒定但跨患者独立，因此患者间的时间相对关系被破坏。此外 icustays 中间隔 <24 小时的两次 ICU 住院被合并为一条记录，转出又转回的真实轨迹被抹平。
症状：提取"星期几/季节"特征得到纯噪声；做再入院（readmission）研究时 24h 内回 ICU 的病例消失；把 admittime 与 dod 的差值当作真实住院时长没问题，但拿去和外部库的真实日历对齐会失败。
解决：

简单方法：所有时间特征一律使用相对时间（相对 intime/admittime 的偏移小时数），禁止绝对日历特征。

进阶方法：研究 ICU 内时间动态时以 stay 为单位切窗；再入院类任务显式声明"24h 内合并，故最短再入间隔为 24h"并调整定义。

SOTA 方法：需要季节/星期效应的课题改用未偏移日期的库（eICU/AmsterdamUMCdb）；NWICU 侧输出以相对时间参数化的时序模型（time-aware LSTM/Transformer with continuous-time embeddings）。
参考：官方脱敏方法与日期偏移声明

⚠️ 坑点 7：体重身高近乎缺失，按体重给药建模基本不可行（分类：标签理解）

问题：NWICU 没有像 MIMIC-IV inputevents 那样随输注记录 patientweight 的机制，体重只在 procedureevents.patientweight 零散出现（覆盖极稀疏），身高无专门字段。prescriptions.dose_val_rx 是自由文本（“650”、“5-10”、单位混杂），emar 只有执行状态与时间。依赖 mg/kg 的剂量-反应建模在此库上先天受限。
症状：体重特征缺失率 >90%，插补后模型对剂量特征的"重要性"实为插补伪影；直接解析 dose_val_rx 时单位歧义（mg vs g vs mcg vs U）导致量纲灾难。
解决：

简单方法：放弃体重标准化，用绝对剂量 + 药物 + 给药途径做类别-剂量联合特征；对 dose_val_rx 先正则抽取数值与单位，单位白名单外的记录丢弃。

进阶方法：体重仅对少数有 procedureevents.patientweight 的子人群建模并声明适用范围；或用 demographic 近似（体重极差人群除外）并做敏感性分析。

SOTA 方法：剂量-反应课题换库（MIMIC-IV inputevents 有 per-record patientweight 与输注速率）；NWICU 侧改做"处方-执行落差"（prescriptions vs emar event_txt）这类不依赖体重的高价值任务。
参考：官方表清单（无 inputevents/outputevents）；社区 DDL（procedureevents.patientweight 字段）

⚠️ 坑点 8：凭证化申请与合规边界，别让项目卡在最后一公里（分类：工程陷阱）

问题：NWICU 是 PhysioNet Credentialed Access 数据：必须完成 CITI “Data or Specimens Only Research” 培训、通过 PhysioNet 凭证审核并签署 Credentialed Health Data Use Agreement 1.5.0 才能下载；部分地区/出口 IP 会被直接拒绝（页面显示 Data Not Available，社区实测国内 IP 被禁）。DUA 禁止再识别与向未授权第三方再分发数据。
症状：项目启动后才发现 CITI 证书要补机构附加模块，周期数周；服务器 wget 挂了才发现出口 IP 被屏蔽；把数据同步到公有云对象存储设为公开链接，违反 DUA。
解决：

简单方法：立项第一周就启动 CITI 培训与 PhysioNet 申请；下载环节预留合规网络出口（机构 VPN/校园网），数据存于访问受控的加密盘。

进阶方法：团队共享走"一个授权账号 + 内部访问台账"；发表论文时只共享代码与派生统计量，不共享任何患者级数据。

SOTA 方法：在 CI/CD 中加入数据访问合规检查（路径白名单、禁止公网 bucket）；用 PhysioNet 提供的 demo/合成数据让无权限协作者先行开发，正式数据只在受控环境跑通。
参考：NWICU License 页（DUA 1.5.0 + CITI 要求）；PhysioNet credentialing 说明

坑点速查表（立项前 5 分钟自查）：

坑点	一句话检查	对应章节
多院区单元编码	是否按 care unit 分层评估了？	坑点 1
时期漂移	是否做了时间前向划分？	坑点 2
表缺失/主键	管线是否探测表存在性、容忍重复 hadm_id？	坑点 3
自由文本	文本特征是否基于过滤后的真实取值分布？	坑点 4
itemid 语义	是否用了本库 d_items/d_labitems 而非 MIMIC itemid？	坑点 5
日期偏移	是否存在绝对日历特征（星期/季节）？	坑点 6
体重/剂量	任务是否依赖体重或输注速率？	坑点 7
合规	CITI/DUA/数据存储是否就绪？	坑点 8

§6.6 数据增强（安全 vs 危险）

方法	判定	说明
时序 jitter（小幅度高斯噪声）	✅ 安全	模拟测量噪声，对 ICU 体征合理
Random masking / 片段丢弃	✅ 安全	模拟护理记录缺失，与真实缺失机制一致
窗口滑切（48h 内随机子窗）	✅ 安全	增加 stay 内样本量，注意标签窗口一致性
跨患者混合生成（SMOTE 类）	❌ 危险	时序患者轨迹无临床意义，制造伪轨迹
反向时间/大幅 warp	❌ 危险	破坏用药-反应因果时序
用 MIMIC 数据"增强" NWICU 训练集	⚠️ 谨慎	本质是合并训练，须报告 per-domain 指标并重新划分外部验证

§6.7 模型推荐

任务	推荐模型	理由
IHM 死亡率预测	GRU/TCN（基线）→ Transformer（时序）	48h×稀疏通道数据量级下 GRU 性价比最高；XGBoost + 汇总统计亦是强基线（文献 AUC 0.80 量级）
多库泛化	anchor regression / 域对抗 DANN	NWICU 已进入 9 库域泛化基准，可直接对表
表型识别	弱监督（ICD 标签）+ PLENet 类 PLANN	NWICU 标签为计费弱监督，弱监督架构更匹配
处方-执行建模	事件序列模型（事件编码 + 时间戳）	emar 天然事件流

§6.8 硬件需求

场景	配置	说明
表级探索/队列构建	8GB RAM 笔记本	单表最大 265MB 压缩，分块读即可
全库时序预处理	32–64GB RAM	chartevents+labevents 宽表化峰值内存大；建议 DuckDB/Polars 分块
时序模型训练	单张 24GB GPU（RTX 4090/A5000）	万级序列 × 48h 窗口轻松覆盖
多库联合训练	24–48GB GPU	MIMIC+NWICU 合并训练

§6.9 评估指标代码

import numpy as np
from sklearn.metrics import roc_auc_score, average_precision_score, brier_score_loss

def report(y_true, y_prob):
    """IHM 二分类标准三件套：AUROC + AUPRC（类别不平衡敏感）+ Brier（校准）"""
    return {
        "AUROC": roc_auc_score(y_true, y_prob),
        "AUPRC": average_precision_score(y_true, y_prob),  # 死亡率任务重点看 AUPRC
        "Brier": brier_score_loss(y_true, y_prob),
    }

# 分组自举 95% CI（按 stay_id 重采样，保持患者内相关）
def bootstrap_ci(y_true, y_prob, stat=roc_auc_score, n=1000, seed=42):
    rng = np.random.default_rng(seed)
    idx = np.arange(len(y_true))
    vals = []
    for _ in range(n):
        s = rng.choice(idx, size=len(idx), replace=True)
        vals.append(stat(np.asarray(y_true)[s], np.asarray(y_prob)[s]))
    return float(np.percentile(vals, 2.5)), float(np.percentile(vals, 97.5))

§6.10 MLOps 笔记

数据版本：以 nwicu-0.1.0 固定版本号入库（DVC/数据湖清单），版本升级（未来 v0.2/MIMIC-NW）必须触发全量重训与再验证。
特征字典即代码：itemid 概念映射（坑点 5）进版本控制，任何概念集变更走 PR 评审。
时间前向监控：上线后按月分桶监控 AUPRC 与校准漂移；疫情类外部冲击是首要失效场景（坑点 2）。
合规即流水线：DUA 禁止再分发——训练工件（模型权重）可在团队内共享，导出前需数据保护评审（坑点 8）。

推荐仓库布局（可直接套用）：

nwicu-project/
├── conf/
│   ├── concept_dict.yaml        # 概念→itemid 映射（坑点 5 的 SOTA 方案落点）
│   └── split.yaml               # 划分协议（患者级 + 时间前向）
├── src/
│   ├── ingestion/               # 建库/加载（防御式表存在性探测）
│   ├── features/                # 概念字典驱动的特征工程
│   └── train/                   # 模型与评估（§6.9 指标）
├── tests/                       # 行数守恒/主键唯一性/概念覆盖率单测
└── docs/data_card.md            # 数据卡（版本、license、限制）

上线前检查清单：① 概念覆盖率报告已生成；② 时间前向评估通过；③ per-care-unit 校准无系统性偏移；④ 数据卡含 “pandemic-era cohort” 限定；⑤ 权重导出经合规评审。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解措施
时期混杂（pandemic confounding）	队列与 COVID 大流行完全重叠，收治阈值与治疗范式三年内剧变	高	时间前向划分 + 分年份评估 + 坑点 2 协议
单医疗系统偏倚	12 院同属西北医学系统，实践同质性高于跨系统多中心	中	与 MIMIC/eICU 联合训练时按域评估
编码漏报偏倚	ICD 标签来自计费流程，敏感诊断（脓毒症）常漏报	高	实验室+抗生素复合定义替代纯 ICD 标签
字典覆盖偏倚	仅 256 项检验/344 项图表 itemid 上游白名单导出，长尾概念缺失	高	特征设计前先审计概念覆盖率
死亡信息截断	仅收集 NM 院内死亡，院外死亡未知	中	生存分析显式右删失声明
重症选择偏倚	仅 ICU 出院患者，无普通病房对照	中	结论限定 ICU 人群

§7.2 标注质量

无人工研究标注。诊断标签继承计费编码质量（无 κ 系数可报告）；SARS-CoV-2 检测结果是实验室级金标准；官方 LOINC/RxNorm/SNOMED 映射由 MIT-LCP 维护、以 SSSOM 模型发布，映射条目附带注释列，可用作标签可信度加权参考。

标签来源	可信度	主要噪声源	建议
实验室结果（SARS-CoV-2 等）	高（仪器级）	假阴性（采样时机）	与 ICD 编码交叉验证
院内死亡（dod / expire_flag）	高（行政记录）	仅院内、仅 NM 体系	右删失显式声明
ICD 计费诊断	中（漏报常见）	计费驱动选择、编码滞后	复合定义替代单码
处方/执行（emar）	中高	执行状态漏登	用 event_txt 过滤有效执行

§7.3 泛化性评估

场景	失效风险	证据/机制
NWICU → MIMIC-IV（跨系统迁移）	中	结构兼容但字典/itemid、人群、支付体系不同；需概念级对齐（坑点 5）
NWICU 内部 2020 → 2021（时间前向）	高	疫情诊疗范式漂移（坑点 2）；建议作为主评估协议
NWICU → 非美国/非 Epic 系统	高	人群、编码实践、护理流程全面差异
overflow 单元 → 常规 ICU	高	收治标准与监测强度不同（坑点 1）
剂量相关任务 → 任何库	极高	体重/输注速率缺失（坑点 7），任务本身在此库不成立

§7.4 伦理

NU IRB 批准并豁免知情同意（最小风险 + 大规模人群无法逐个获取同意）；BIDMC 与 MIT IRB 批准；数据释放另获 NM Data Steward 授权。数据经 HIPAA Safe Harbor 脱敏，标识符为加密随机数，日期统一偏移。使用需签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0（官方伦理声明）。

伦理环节	主体	状态
IRB 批准（参与与豁免同意）	NU IRB；BIDMC IRB；MIT IRB	已批准，豁免知情同意
数据释放授权	NM Data Steward	已授权（over 25,000 患者规模）
去标识化	HIPAA Safe Harbor 全流程	18 类 PHI 移除 + 标识符加密 + 日期偏移
再授权使用	使用者 DUA	签署 Credentialed Health Data Use Agreement 1.5.0 后可用

§7.5 公平性

admissions 表保留 insurance、language、marital_status、race 字段，可做跨群体性能审计；但 race 字段为 Epic 登记值（存在自由文本残留与登记不规范），语言/保险与支付结构强相关。COVID 大流行在美国的资源分配不均（按保险/种族）会在队列构成中留下痕迹，做公平性研究时应对缺失与混合类别（UNKNOWN 等）显式建模。

公平性维度	数据可得性	已知陷阱
种族/族裔	admissions.race	Epic 登记值含混合/未知类；不可当作生物学变量解释
支付方式	admissions.insurance	与入院途径、病情严重度强相关，调整需谨慎
语言	admissions.language	沟通障碍影响护理强度，是"护理过程混杂"而非纯患者属性
性别	patients.gender	体征/检验参考范围未按性别分层时引入偏倚
年龄	patients.anchor_age	高龄组合并症负担重，年龄-结局关系非线性

§7.6 数据漂移

三年队列内含三层漂移：疾病谱漂移（COVID 波次交替主导 ICU 构成）、诊疗漂移（药物/通气策略迭代）、运营漂移（overflow 单元启停、收治阈值）。官方日期偏移使日历级漂移分析不可行，只能以相对时间与 ICU 序次近似。部署模型时应假设输入分布随时间快速变化。

漂移类型	具体表现	可检测性	缓解
疾病谱漂移	COVID 波次与常规病谱交替主导 ICU 构成	中（相对时间近似）	分波次分层评估
诊疗范式漂移	瑞德西韦/激素/抗凝策略年度迭代	高（prescriptions 可见）	按年标准化特征；时间前向评估
运营漂移	overflow 单元启停、收治阈值变化	中（care unit 编码可见）	单元级分层；域泛化方法
测量实践漂移	记录频率、itemid 使用习惯随时期变化	低	特征前统计量监控

§7.7 DAIMS 数据质量 24 项评估

#	检查项	状态	说明
1	宽格式支持	⚠️	需自行把 chartevents/labevents 转宽表；官方未提供视图
2	唯一标识	⚠️	subject_id/stay_id 唯一，但 admissions.hadm_id 存在重复（社区实测），建主键会失败
3	特殊字符处理	✅	UTF-8 编码一致，CSV 加载无乱码报告
4	重复行检查	⚠️	hadm_id 重复需审计；emar 重复给药事件属业务正常
5	缺失编码	✅	NULL 语义清晰，valuenum 空时 value 文本列可回查
6	标签标识	⚠️	无预置研究标签；dod/hospital_expire_flag 可靠但院外死亡不收集
7	罕见类分组	⚠️	罕见 ICD 码需人工归组；字典表小导致概念粒度粗
8	偏倚评估	⚠️	官方仅提示"伪影值存在"；时期/选择偏倚需研究者自行量化
9	数据字典	✅	d_ 前缀字典表齐全（规模小于 MIMIC-IV）
10	信息性缺失解释	✅	官方明确声明日期偏移、院外死亡、24h stay 合并等机制
11	设备记录	❌	无呼吸机参数/输注泵速率等设备级数据
12	共线性	✅	检验/体征通道独立记录，无预合成复合变量
13	编码映射	✅	LOINC/RxNorm/SNOMED 官方映射（SSSOM）+ crosswalk 包
14	时间戳处理	⚠️	全库日期偏移，无时区；相对时间可用、绝对日历不可用
15	划分建议	❌	官方无划分
16	泄漏讨论	⚠️	官方未讨论；本 Wiki §5.3 给出完整协议
17	标签分布	⚠️	官方未发布标签统计；第三方研究给出 COVID 子队列构成
18	测量偏倚	⚠️	护理频次随单元/时期变化，未官方量化
19	外部验证建议	✅	官方与社区均支持 MIMIC 兼容外部验证路径
20	版本记录	✅	PhysioNet Release Notes 规范（v0.1.0 首发记录完整）
21	预处理脚本	❌	官方未随 v0.1.0 发布建库/预处理脚本（社区移植可用）
22	合规要求	✅	License/DUA/CITI 三重要求明确公示
23	多模态对齐	❌	仅结构化单模态；无影像/波形/笔记可对齐
24	去标识化	✅	HIPAA Safe Harbor + 加密随机标识 + 日期偏移，机制透明

DAIMS 评分：13.5 / 24

评分解读：NWICU 在去标识化、术语映射、合规公示、版本管理等"制度性"维度表现优秀（继承 PhysioNet/MIMIC 生态规范），但在"工具性"维度（预处理脚本、官方划分、标签分布、设备数据、多模态）明显欠账——v0.1.0 作为首发版本更像结构对齐的概念验证（12 表对齐 MIMIC-IV），尚无 MIMIC-IV 那样的成熟视图与脚本生态。13.5/24 处于中等偏下水平，低于 MIMIC-IV（约 18/24）与 eICU（约 16/24）。

对你意味着什么：第一，把 NWICU 当作"需要自建管道的原始 ICU 库"来预算工程量——建库、字典对齐、宽表化、标签构造都要自己做，直接套 MIMIC 脚本会翻车（坑点 3）；第二，选任务前先过坑点 7 与 §4.5 的表级缺失清单，输注剂量、尿量、培养、文本四类任务在本库不成立，不要立项；第三，所有结论必须带时间前向评估与"pandemic-era cohort"限定语，否则外部可信度存疑；第四，受益于与 MIMIC-IV 的结构兼容，把特征工程写成概念字典驱动（坑点 5 的 SOTA 方案），一次投入即可获得双库能力。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
SAFE-Mo（NWICU 作外部验证集）	MIMIC-IV 3.0 + eICU 2.0 训练	脓毒症相关 ARDS 早期死亡率	AUC/校准（NWICU 泛化验证）	未披露具体数值差异	NWICU 可作为独立于训练库的泛化检验场，模型跨系统保持判别力（PMC12430899）
SHR-ML（库内 COVID 子队列）	NWICU 4,151 例 COVID 危重	ICU/院内死亡率	XGBoost ICU 死亡 AUC 0.800±0.027	—	SHR（应激高血糖比）为独立预测因子，HR=1.383（BMC Infect Dis 2025）
9 库聚合域泛化	含 NWICU 共 9 库（约 40 万患者）	ICU 不良事件预测	anchor regression vs 基线	跨域性能提升集中于分布外目标域	NWICU 在聚合基准中充当分布外域，验证因果正则的鲁棒性收益（arXiv:2507.21783）

注：各研究任务定义、队列与特征集不同，数值不可直接横向比较。

§8 基准性能与生态

§8.1 已发表结果（类排行榜）

NWICU 无官方 leaderboard；下表汇总截至 2026-09 已发表论文中基于 NWICU 的结果。注意：各行任务、队列、特征与评估协议不同，数值不可直接比较，仅作能力量级参考。

排名	模型	任务	性能	年份	关键技术	完整引用	代码
1	XGBoost（SHR 特征集）	NWICU COVID 危重 ICU 死亡率	AUC 0.800±0.027	2025	应激高血糖比 + 5 模型对比 + 1-SE 规则特征筛选	Peng et al.（作者未逐条披露于检索页），2025, BMC Infectious Diseases. DOI 10.1186/s12879-025-12376-2	未公开
2	SAFE-Mo（svmRadialSigma）	脓毒症相关 ARDS 早期死亡（NWICU 外验）	优于 APSIII/SAPSII/SOFA/CCI	2025	多库建模（MIMIC-IV+eICU）+ NWICU 泛化	Jiang L, Yu C, Xie C, et al., 2025, Scientific Reports（PMC12430899）	网页计算器公开
3	Anchor Boosting	9 库聚合 ICU 不良事件（NWICU 为域之一）	分布外域显著提升	2025	因果正则（anchor regression）非线性扩展	Kook/ Burger 等团队, 2025, arXiv:2507.21783	未公开

§8.2 SOTA 总结与选型建议

已发表结果的共同点：梯度提升树在 NWICU 汇总特征任务上仍是强基线（AUC 0.80 量级）；深度时序模型的公开结果尚少。选型建议：先做 XGBoost/LightGBM + 汇总统计基线，再上 GRU/Transformer；凡涉及跨库/跨时期，把域泛化方法（anchor regression、IRM）纳入候选。

你的场景	首选路线	理由
快速出基线/可解释结果	XGBoost + 24h 汇总统计	文献已验证 0.80 量级；特征重要性易解读
时序深度模型研究	GRU 基线 → dual-stage attention Transformer	4,560 万事件行支撑时序学习，但注意 padding 率高
跨库泛化课题	概念字典特征 + anchor regression/DANN	域标签（库/care unit）现成
处方-执行研究	事件序列模型	emar 是本库独有强项

§8.3 评测协议

建议协议：患者级 5 折 GroupKFold（by subject_id）+ 时间前向验证（2020 训练/2021 测试）双轨报告；指标 AUROC + AUPRC + Brier，附 95% bootstrap CI；所有结果标注 care unit 与年份分层。禁止在结果筛选后的子集上报告性能。

协议细则（对齐已发表研究）：

协议要素	建议值	依据
预测窗口	ICU 入住后 24–48h 观测窗	与 IHM 文献主流一致，保证早期干预价值
标签	院内死亡（hospital_expire_flag 或 dod）	官方原生字段，避免自造标签
不平衡处理	类权重 / focal loss；谨慎用采样	ICU 死亡率基础率低，AUPRC 对此敏感
主指标	AUPRC + AUROC	SHR 研究以 AUC 主报，脓毒症场景 AUPRC 更苛刻
校准	Brier + 校准曲线/校准斜率	跨时期部署必查（坑点 2）
重复性	5 seeds × 5 折，报均值±标准差	NWICU 体量下折间波动不可忽略

数据集	关系	联用方式
MIMIC-IV 3.1	结构兼容的姊妹库（BIDMC）	互为外部验证；代码迁移
MIMIC-IV-Note	补充临床文本（NWICU 无笔记）	文本模态预训练 + NWICU 结构化微调
eICU-CRD 2.0	美国多中心广覆盖（2014–2015）	地理多样性扩展
MIMIC-III	前代 MIMIC（2001–2012，CareVue/Metavision）	历史纵深对比；注意与 MIMIC-IV 患者重叠问题
AmsterdamUMCdb / HiRID / SICdb	欧洲单中心高分辨率库	跨大洲验证；高分辨率时序
MIMIC-NW（未发布）	官方规划的 MIMIC-IV+NWICU 融合库	发布后可无缝联用（截至 2026-09 尚未上线）

§8.5 关键论文 Top 5

Moukheiber D, Temps W, Molgi B, et al. Northwestern ICU (NWICU) database (version 0.1.0). PhysioNet, 2024. DOI 10.13026/s84w-1829 — 数据集官方发布与结构说明。
Jiang L, Yu C, Xie C, et al. Enhancing early mortality prediction for sepsis-associated ARDS patients via optimized machine learning algorithm. Scientific Reports, 2025. PMC12430899 — 首批以 NWICU 为外部验证的多库 ML 研究之一。
Stress hyperglycemia ratio improves machine learning-based mortality risk prediction in critically ill COVID-19 patients. BMC Infectious Diseases, 2025. DOI 10.1186/s12879-025-12376-2 — 展示从 NWICU 提取 4,151 例 COVID 危重子队列的标准流程。
Anchor regression for domain generalization in intensive care (9 库聚合，含 NWICU). arXiv:2507.21783, 2025 — NWICU 纳入大规模域泛化基准的方法学样板。
Goldberger A, Amaral L, Glass L, et al. PhysioBank, PhysioToolkit, and PhysioNet. Circulation, 2000;101(23):e215–e220 — PhysioNet 平台标准引用（RRID:SCR_007345）。
Sharing is caring: A systematic review of publicly available intensive care data sets. Intensive and Critical Care Nursing, 2025 — 将 NWICU 列入七大公开成人 ICU 库的系统综述，提供横向定位。

§8.6 社区活跃度

数据集 2024-11 上线，社区生态仍在形成期：官方构建/映射脚本挂在 MIMIC Code Repository（MIT-LCP 维护，活跃）；第三方已出现 PostgreSQL 移植脚本与中文社区教程（CSDN/微信公众号系列）；截至 2026-09 尚无独立讨论区，问题多经 PhysioNet 论坛与 MIMIC 社区渠道流转。Python crosswalk 包由官方维护发布。

渠道	活跃度观察（截至 2026-09）	建议
PhysioNet 论坛/联系渠道	官方答疑主渠道	数据/合规问题首选
MIMIC Code Repository	MIT-LCP 持续维护，MIMIC-NW 脚本预告发布地	提 issue 前先搜已有讨论
GitHub 社区移植	少量第三方建库脚本，更新不保证	使用前自行校验行数与约束
学术引用	Web of Science 已收录施引文献；Google Scholar 精确计数持续增长	新研究引用时注明 v0.1.0
中文社区	教程以安装与结构介绍为主	视作入门材料，勿当权威文档

§8.7 生态快照

资源	类型	链接	状态（截至 2026-09）	推荐理由
官方 PhysioNet 页	数据主页	physionet.org/content/nwicu-northwestern-icu	v0.1.0	唯一权威文档入口
MIMIC Code Repository	官方脚本/映射	github.com/MIT-LCP/mimic-code	活跃维护	SSSOM 映射与 MIMIC-NW 脚本发布地
NWICU 建库移植（社区）	社区代码	github.com/Nicholas2074/nwicu-code	可用	解决官方无建库脚本的问题（含约束坑修复）
PhysioNet credentialing	准入流程	physionet.org/about/database/requirementssystem	长期有效	CITI + DUA 申请入口
crosswalk 包	官方工具	MIMIC 网站发布	可用	NWICU↔MIMIC 概念翻译

§9 相关资源与引用

§9.1 官方资源

数据主页与文档：physionet.org/content/nwicu-northwestern-icu
文件下载（凭证化）：physionet.org/files/nwicu-northwestern-icu/0.1.0
License 与 DUA：PhysioNet Credentialed Health Data License 1.5.0
术语映射与构建脚本：MIMIC Code Repository
MIMIC 官网（COVID 术语与使用说明）：mimic.mit.edu

§9.1b 学习与实践资源

资源	类型	适合人群	说明
PhysioNet Getting Started	官方教程	首次申请者	凭证化申请流程 step-by-step
CITI Program “Data or Specimens Only Research”	强制培训	所有使用者	证书申请前置条件
MIMIC-IV 官方文档	姊妹库文档	全体用户	NWICU 结构对齐 MIMIC-IV，schema 说明大部分通用（表集合差异见 §4）
MIMIC Code Repository 概念集	官方代码	特征工程	COVID 术语、概念/itemid 映射、构建脚本
社区 PostgreSQL 移植	社区代码	DBA/数据工程	快速建库，含约束坑修复线索
本站 MIMIC-IV/MIMIC-III 词条	中文百科	全体用户	与 NWICU 组合的「开发-验证」双库工作流

§9.2 BibTeX 引用块

@misc{moukheiber2024nwicu,
  author       = {Moukheiber, Dana and Temps, William and Molgi, Bhadrappa and
                  Li, Yikuan and Lu, Alice and Nannapaneni, Prasanth and
                  Chahin, Abdulrahman and Hao, Sicheng and
                  Torres Fabregas, Felipe and Celi, Leo Anthony and
                  Wong, Adrian and Lloyd, Maxwell and Borrat Frigola, Xavier and
                  Lee, Hyung-Chul and Schneider, Daniel and Pollard, Tom and
                  Luo, Yuan and Kho, Abel and Mark, Roger},
  title        = {Northwestern ICU (NWICU) database (version 0.1.0)},
  year         = {2024},
  publisher    = {PhysioNet},
  doi          = {10.13026/s84w-1829},
  url          = {https://physionet.org/content/nwicu-northwestern-icu/},
  note         = {RRID:SCR_007345}
}

@article{goldberger2000physionet,
  author  = {Goldberger, Ary L. and Amaral, Luis A. N. and Glass, Leon and
             Hausdorff, Jeffrey M. and Ivanov, Plamen Ch. and Mark, Roger G. and
             Mietus, Joseph E. and Moody, George B. and Peng, Chung-Kang and
             Stanley, H. Eugene},
  title   = {PhysioBank, PhysioToolkit, and PhysioNet: Components of a New
             Research Resource for Complex Physiologic Signals},
  journal = {Circulation},
  year    = {2000},
  volume  = {101},
  number  = {23},
  pages   = {e215--e220}
}

@article{jiang2025safemo,
  author  = {Jiang, Luofeng and Yu, Chuting and Xie, Chaoran and
             Zheng, Yongjun and Xia, Zhaofan},
  title   = {Enhancing early mortality prediction for sepsis-associated ARDS
             patients via optimized machine learning algorithm},
  journal = {Scientific Reports},
  year    = {2025},
  note    = {PMC12430899; MIMIC-IV + eICU 建模、NWICU 外部验证}
}

@article{shr2025nwicu,
  author  = {{BMC Infectious Diseases 研究团队}},
  title   = {Stress hyperglycemia ratio improves machine learning-based
             mortality risk prediction in critically ill {COVID-19} patients},
  journal = {BMC Infectious Diseases},
  year    = {2025},
  doi     = {10.1186/s12879-025-12376-2}
}

§9.3 引用指南

使用 NWICU 数据时须同时引用：①数据集引用（moukheiber2024nwicu，注明版本 0.1.0）；②PhysioNet 平台引用（goldberger2000physionet）。若使用官方术语映射或 MIMIC Code Repository 脚本，请在方法学部分注明对应仓库与提交版本。

引用注意事项：

版本号必须写 version 0.1.0——库内容随版本可能变化，审稿人会核对；
时间范围表述建议写 “2020–2022（官方口径；入组规则为 2020–2021 年 ICU 出院患者）”，与官方文档保持一致；
若分析了 COVID 子队列，注明 ICD 与实验室双口径的入组定义及差集敏感性分析；
数据获取日期与 PhysioNet 凭证号建议在 methods 或补充材料中披露，便于合规审计。

§10 AI 使用声明卡

§10.1 本页生产使用的 AI 模型

环节	模型
资料检索、撰写与代码起草	CodeBuddy Code（fast-model）

§10.2 AI 参与范围

AI 负责检索资料汇总、初稿撰写、代码示例与 DAIMS 表格起草；事实性数字全部经 WebSearch/WebFetch 对照官方来源核实；最终内容经编辑部人工审核后发布。

工作	执行方	校验方式
事实检索与汇总	AI	每条数字回溯原始 URL，录入 FACTS.md
初稿撰写	AI	编辑部按 §10.4 分模块审核
代码示例	AI 起草	与官方 DDL/表清单逐字段核对后定稿
术语映射（ICD-11/SNOMED）	AI 辅助	编码逐条与标准术语库口径比对
最终发布决定	人工	编辑部签发

§10.3 输入来源列表

Moukheiber D, et al. Northwestern ICU (NWICU) database (version 0.1.0). PhysioNet, 2024. DOI 10.13026/s84w-1829.
PhysioNet Credentialed Health Data License 1.5.0 与 DUA 1.5.0（NWICU license 页）。
NWICU Release Notes 与 Methods（12 表清单、队列定义、伦理、脱敏机制）。
Goldberger A, et al. PhysioBank, PhysioToolkit, and PhysioNet. Circulation, 2000;101(23):e215–e220.
Stress hyperglycemia ratio improves ML-based mortality risk prediction in critically ill COVID-19 patients. BMC Infect Dis, 2025. DOI 10.1186/s12879-025-12376-2.
Jiang L, et al. Enhancing early mortality prediction for sepsis-associated ARDS patients. Scientific Reports, 2025. PMC12430899.
Anchor regression for domain generalization in intensive care. arXiv:2507.21783, 2025.
Sharing is caring: A systematic review of publicly available intensive care data sets. Intensive and Critical Care Nursing, 2025（公共 ICU 库系统综述）。
MIMIC Code Repository（SSSOM 映射、构建脚本）。
Nicholas2074/nwicu-code（社区 PostgreSQL 建库移植与加载日志）。
Pisces Medicine 平台 NWICU 表行数实测记录（2025-07）。
CSDN 社区 NWICU 文件清单与安装报告（2024-11）。
PhysioNet credentialing 与 requirementssystem 官方页面。

§10.4 人工校验记录

内容模块	审核者	审核方式	审核状态
§2 医学背景（ICD-11/SNOMED 映射与流行病学）	千方病案医学编辑部	逐条比对官方文档与文献	✅ 已通过/已验证
§4 DAIMS 字段字典与 §6 预处理代码	千方病案医学编辑部（数据工程）	对照 DDL 与官方表清单逐字段核对	✅ 已通过/已验证
坑点 1–8	千方病案医学编辑部（数据工程）	对照官方声明与社区实测日志逐条溯源	✅ 已通过/已验证
§8 基准数字与引用	千方病案医学编辑部	对照 DOI 原文核实	✅ 已通过/已验证

§10.5 AI 生成章节标注

本页各章节由 AI 起草初稿，经 §10.4 所列人工审核流程逐模块校验后定稿；无未审核的 AI 生成内容。

§10.6 最后人工审核

2026-09-05（与 §0 审核声明一致）

页面状态：published（全部内容已完成审核并发布）

返回 AI-Ready 数据集