患者模拟人设数据集（PatientSim）

PatientSim 是一个让大语言模型扮演患者的模拟器，配套一套用于评测的对话数据。它由韩国科学技术院（KAIST）牵头，联合加州大学旧金山分校放射科与成均馆大学 Samsung Medical Center 急诊科完成，2025 年 5 月预印、同年入选 NeurIPS 数据集与基准赛道 Spotlight。数据经 PhysioNet 以凭证方式发布，正式版本号为 1.0.0。核心资产是 170 个取自 MIMIC 急诊与住院记录的患者档案，以及由性格、语言熟练度、病史回忆、认知混乱四个轴组合出的 37 种人设。

它要补的缺口很具体。评估医疗对话模型时，过去的做法多是把静态病例或选择题丢给模型，模型不必开口问，也不必应付说不清、记不住、情绪化的对方。真实问诊恰恰相反：诊断线索要靠一轮轮提问挖出来，而患者的表达质量本身会改变结果。把「患者」也做成可控变量，才能把病例难度与沟通难度拆开，看清模型究竟是没问到，还是被患者的说法带偏了。

适合做对话系统评测、临床模拟教学与问诊技能训练的人使用。拿到数据的第一个动作应是读 patient_profile.json 的结构，弄清一个档案里到底装了哪些字段，再去比对划分目录里的对话与标签。开始前需要留意两件事：档案派生自 MIMIC，凭证与协议门槛不可绕过；模拟对话由模型互演产生，不能当作真实语料使用。

§1 它是什么

1.1 一句话定义与边界

PatientSim 是一个双件套：一套可运行的模拟器，加上一份随论文发布的评测数据集。模拟器负责把任意一个被选定的语言模型包装成「患者」——给它一份档案、一套人设指令，让它只以该患者的身份、该患者的表达能力回答医生提问；数据集负责提供档案、配置好的对话、人工标注与自动评分，让不同研究者在同一批病历上比较模型。

边界要划清楚。它不是电子病历数据库，档案只是从 MIMIC 抽取并改写后的摘要；不是医患对话语料的采集项目，对话全部由模型生成，真实人类医生只出现在评估环节；也不是临床决策支持系统，它的输出是「患者说了什么」，不产出诊断或治疗建议。把它当作问诊流程的压力测试台，比当作知识库更贴近设计意图。

1.2 名字的三种写法

同一个对象在不同场所有三种写法，检索与引用时最易混淆：

• 论文与展示名：PatientSim，首字母大写的驼峰写法，用于论文标题、会议海报与代码仓库名。
• PhysioNet 数据集名：persona-patientsim，全小写连字符，是数据托管页 URL 的一部分，也是站点条目路径的来源。
• Python 包名：patientsim，全小写无连字符，通过包管理器安装后作为模块名导入。

三者指同一项目，但指向不同层。写引用时，论文层用第一种，数据层用第二种并附版本号，工程层用第三种。混用的后果不只是难看：把包名当作数据集名去 PhysioNet 搜，会得到 404；把论文名当作包名去安装，会找不到包。

1.3 项目出身

项目主体在 KAIST 完成，作者名单前四位依次为 Daeun Kyung、Hyunseung Chung、Seongsu Bae、Jiho Kim，均隶属同一课题组；Jae Ho Sohn 来自 UCSF 放射科，Taerim Kim 与 Soo Kyung Kim 来自成均馆大学医学院及 Samsung Medical Center 急诊科；Edward Choi 为课题组负责人，与 Soo Kyung Kim 共同担任通讯作者。八人合著的组合方式说明了一件事：方法侧与临床侧从立项起就是绑在一起的，急诊科医生参与的不只是最后打分，还包括人设轴的定义与提示词的临床把关。

这种构成也决定了数据的地理与制度底色。档案来自美国一家教学医院的公开数据库，评估医生由韩国招募，两者叠加意味着这套资源在人群分布与临床习惯上都不是「通用」的。

1.4 版本与时间线

项目的对外节奏可以分为五个节点。2025 年 5 月 23 日，论文第一版上传预印本平台；同月中旬，代码仓库完成首次提交；8 月 21 日，官方软件包发布到包管理器，使用者可以不读源码就调用；10 月 18 日，数据集在 PhysioNet 上线 1.0.0 版；10 月 29 日，论文更新为第二版，正文与附录有所修订。次年 3 月底，项目又上线了一个网页演示，使用另行生成的合成档案，无需凭证即可试玩。

到本文核验时，PhysioNet 侧仍只有 1.0.0 一个版本，没有 1.1 或勘误版。这一点对复现很重要：论文第二版与数据首发版之间存在约十天的时差，若发现正文数字与数据文件对不上，应优先怀疑版本错位，而非数据损坏。

1.5 它在方法谱系里的位置

按「患者侧建模」这条线看，已有资源大体分三类。第一类是规则或统计模型生成的整份病历，代表是 Synthea，产出结构化字段与就诊轨迹，患者不会说话。第二类是生理信号或生命体征的合成序列，代表是基于重症数据库的健康健身房式数据集，产出波形与检验值，患者同样不会说话。第三类才是对话角色，即把患者做成能被提问、会答错、会记不清的对话对象，PatientSim 属于这一类。

第三类内部又可再分。有的系统用标准化病人脚本，答案近乎固定；有的用真实对话做底本，让模型模仿应答；PatientSim 走的是第三条：档案来自真实病历，人设来自人工设计的四个轴，对话由模型互演生成。这条路线的好处是人设可控、可大规模复制，代价是语言分布偏离真实。

§2 数据构成

2.1 三个数据划分

数据集不是一整块，而是按评估目的切成三个划分，命名直接写在顶层目录里。

划分目录	用途	档案数	主要内容
persona_test	人设保真评估	108	专家与模拟器对话记录、八模型模拟对话、人设评分
info_test	事实准确性与临床合理性	52	对话记录、专家与模型合理性标签、句子级标签
sentence_cls_valid	句子分类器验证	10	对话记录、三套句子标签（两个模型 + 人工）

三个划分之和恰好是 170。第三划分的 10 例并非独立抽取，而是从 52 例中分出的子集，用于先验证自动句子分类器是否可信，再把分类器应用到更大范围。理解这一层嵌套，才不会把三组相加后当成三批互不重叠的患者。

2.2 一个患者档案里有什么

每个档案是一段结构化摘要，条目数在二十上下，覆盖人口学、社会史与既往史、本次急诊就诊的细节。档案的构造方式是混合的：表格类字段取自结构化的就诊记录，叙述性内容取自出院笔记，两者拼合后经人工校订，既保留结构化字段的准确，又补上笔记才有的病程细节。

这种混合带来了一个容易被忽略的性质：同一个档案里，字段的可靠性并不均等。年龄、性别、就诊时间、检验值这类直接从表格搬运的字段，一致性高；主诉的措辞、症状的起始方式、既往发作的描述，是从笔记里提炼或改写的，带转述损耗。使用时应把这两类字段区别对待，尤其在需要逐字比对时。

2.3 五种急症

档案覆盖五种急诊常见病：心肌梗死、肺炎、尿路感染、肠梗阻、脑梗死。选择标准写在论文里，三条同时满足才入选——临床患病率高、症状谱彼此可区分、仅凭问诊有希望推断出来，且在源数据库中样本量足够。

三条标准共同指向一个设计意图：这些病要在「只靠对话」的条件下有可能被诊断出来。若选一个必须依赖影像或实验室才能定的病，模型问得再好也答不对，评估就失去区分度。反过来说，这也意味着数据刻意排除了那些问诊价值低的场景，覆盖面上不能外推。

2.4 四轴人设与 37 的来历

人设由四个轴定义，各轴取值数不同：

轴	含义	取值数	具体档位
性格	患者对就医情境的情绪与行为倾向	6	急躁、过度焦虑、不信任、过分乐观、絮叨、中性
语言熟练度	表达流畅程度，参照语言能力分级简化	3	基础、中级、高级
病史回忆	能否准确复述既往病史与用药	2	高、低
认知混乱	就诊时的意识清晰程度	2	高度混乱、正常

若四轴完全自由组合，总数应是七十二。实际只有三十七，原因在于第四轴的处理方式：认知混乱被单独拎出来，设定为一种固定搭配——中性性格、中级语言、高回忆，只此一种，不与其余档位再交叉。于是总数是前三轴相乘得三十六，再加这一种。

这个设计值得多说一句。它反映了一个现实约束：高度混乱的患者几乎不可能同时是「絮叨且语言高级」的，硬做全交叉会生成临床上不存在的组合，反而降低真实性。代价是第四轴无法独立做消融，研究认知混乱的影响时，只能拿这一种搭配与「正常认知」下的三十六种做粗对比。

2.5 目录与文件清单

顶层目录的文件组织如下（据数据集页面所列结构整理）：

路径	格式	内容
patient_profile.json	JSON	全部患者档案主表
persona_test/expert_dialogue.jsonl	JSONL	人类医生与模拟器的对话及专家评分
persona_test/llm_simulation/<模型名>/llm_dialogue.jsonl	JSONL	该模型作为患者时的模拟对话
persona_test/llm_simulation/<模型名>/*_ddx_Patient.json	JSON	鉴别诊断评估结果
persona_test/llm_simulation/<模型名>/*_profile_consistency_*.json	JSON	档案一致性评估结果
info_test/dialogue.jsonl	JSONL	事实性评估用对话
info_test/expert_plausibility_label.jsonl	JSONL	专家合理性评分
info_test/llm_plausibility_label.jsonl	JSONL	模型合理性评分
info_test/sentence_label.json	JSON	句子级标签汇总
sentence_cls_valid/sentence_label_manual.json	JSON	人工句子标签

模型子目录按被评估的模型命名，可见的包括以 Llama、Qwen、DeepSeek 蒸馏版等命名的目录。评分文件名前缀带有评判模型标识，说明同一批对话可能被不同评判器各打一遍分。

2.6 字段可靠性分级

按可核验程度给主要字段分级，避免把推定当事实：

字段	内容	可靠性	说明
档案主键	患者档案编号	结构可核	主表逐行对应，可直接连接
人口学字段	年龄、性别	依上游推定	取自 MIMIC 表格，未见逐条复核说明
就诊字段	就诊科别、时间、分诊级别	依上游推定	同上
既往史	既往疾病、用药	语义存疑	笔记转述，颗粒度不一
人设标签	四轴取值	结构可核	由配置生成，与对话一一对应
对话轮次	医生与患者交替发言	结构可核	但内容为模型生成，非人类
保真评分	五维 4 分制	依评判器推定	由模型给出，存在评判偏置
人工标签	医生评分	依赖标注规模	仅 4 位医生，一致性已报但样本小
句子标签	逐句分类	依赖标注规模	人工部分仅数百句

「结构可核」在本表指的是结构层面可直接观察（文件里确有该字段、能逐行对上），不指内容层面的临床真实性已经得到验证。这两件事在本数据集中必须分开。

2.7 与上游数据的字段血缘

理解档案的来源层级，比记住字段名更有用。三份上游各管一段：

• MIMIC-IV 提供住院侧的诊断、用药、检验与出院去向，是既往史与合并症的主要来源。
• MIMIC-IV-ED 提供急诊就诊本身的结构化记录，包括分诊级别、主诉分类、生命体征与处置去向，是「本次发病」这一层的主干。
• MIMIC-IV-Note 提供自由文本，出院小结、护理记录等，负责补齐病程的叙述部分。

三者按患者编号对齐，再按五种急症筛选，最后压缩成一段可读摘要。压缩过程会丢失信息：同一个患者在数据库中可能有多次就诊，档案通常只保留与目标急症相关的一次。若研究者想回到原始记录核验某个细节，需要自己用患者编号回查，数据本身不提供反查映射。

2.8 数据的读取成本

从体量结构看，这是一份轻量数据。主表只有一百七十行，对话文件按模型分片，每片是一串 JSON 行。可以推断其规模以兆字节计，而不是动辄数十吉字节的影像库。这对多数工作站不构成存储压力。

真正的成本不在磁盘，在两条隐性开销上。其一是凭证流程，注册、培训、签协议、等待审核的周期以天计，且需机构邮箱；其二是运行成本，模拟器要靠接口调用或本地推理驱动，跑完八模型对三十七种人设的组合，调用量与延迟都不小。评估阶段若再用模型充当裁判，成本还会翻倍。

§3 怎么拿到

3.1 获取路径

数据托管在 PhysioNet，正式的入口是带版本号的数据集页。路径分四步：

1. 注册 PhysioNet 账号，并申请认证用户资格。认证需提交机构邮箱、研究身份说明，处理需一定周期。
2. 完成数据与标本类研究的在线培训并取得证明，培训内容与人类受试者数据伦理相关。
3. 在数据集页签署针对本项目的使用协议，协议同时约束上游 MIMIC 系列的使用。
4. 使用凭证下载，或通过官方包提供的下载管理器拉取。后者支持只取主表档案的轻量模式，适合先试跑。

官方包把下载逻辑封装成了一行调用。轻量模式只取患者档案主表，适合快速验证流程；全量模式取整个目录，适合复现论文。若只关心能否跑通，建议先走轻量模式。

3.2 三套许可叠在一起

这是最容易出错的地方：数据受不止一份协议约束。

层	许可/协议	约束对象	实际含义
数据集本体	PhysioNet 凭证健康数据许可 1.5.0	本项目发布的数据包	仅限协议声明的用途，不得再分发
使用协议	PhysioNet 凭证健康数据使用协议 1.5.0	使用者行为	禁止重新识别、禁止转让、须报告泄露
上游	MIMIC-IV、MIMIC-IV-ED、MIMIC-IV-Note 各自的协议	底层记录	引用与使用范围同时受上游约束
代码	仓库未标注明确许可标识	模拟器源码	法律状态不明确，商用前需向作者确认
论文	公开预印本	文本与图表	引用遵循预印本平台条款

第三行常被忽略。数据集页面明确要求在使用本数据时一并引用三份上游，这不是礼节，是协议义务。第四行则相反：仓库的说明文字使用「开源」表述，但未见标准许可标识，不能据此推定可自由商用。

3.3 上游引用义务

若成果中使用了本数据，规范的引用至少包含四项：数据集本身（带版本号与数字对象标识）、原始论文、三份上游数据，以及模拟器代码。

数据集有两个数字对象标识，一个是版本化的，一个指向最新版。学术写作应引用版本化标识，因为最新版指向会随更新漂移，而版本化标识永久锚定在 1.0.0。这一点在复现研究中尤其关键：两年后重跑，若引用的是最新版标识，别人拿到的可能已不是同一份数据。

3.4 合规红线

四条底线：

• 不得尝试从档案中重新识别任何个人，包括与外部数据源做连接匹配。
• 不得将数据或由其派生的对话原文再分发给未签署协议者。论文中引用短对话片段一般可接受，整段导出不行。
• 不得用于协议未覆盖的商业产品或对个人作出决策的用途。
• 发现任何疑似泄露或可识别信息，须按协议要求向托管方报告，而不是自行处置。

模拟对话是否属于「衍生物」、能否随论文附件公开，协议并未逐条明示。稳妥做法是随文给出生成脚本与配置，而非直接附上对话文件。

3.5 环境与最小可跑路径

官方说明给出的环境基线是 Python 3.11 及以上。接口侧支持两类后端：云服务接口与本地推理服务。由于档案来自 MIMIC，云服务侧只允许通过指定渠道调用（基于云厂商的企业接口），以便符合上游对数据出域的约束；这一条在说明中被特别标注，属于硬约束而非建议。

最小可跑路径大致是四步：建环境、装依赖、配置接口凭据、以默认配置跑一次模拟。默认配置预设了一组患者模型与医生模型，先跑通再改参数，比一上来就自定义人设更省时间。

3.6 常见的获取失败

按失败原因归类：

现象	原因	处置
页面能看、下载 403	未签署该项目的使用协议	回到数据集页签协议
签署后仍无权限	认证资格未生效或培训证明缺失	查认证状态与培训记录
文件列表显示不可用	未登录或所在地区受限	登录后重试，或换网络环境
包安装成功但下载报错	凭据未传入或代理配置缺失	检查凭据变量与网络代理
云接口调用被拒	使用了不符合上游要求的渠道	改用说明中允许的接口类型

§4 质量与已知问题

4.1 质量的三条证据线

判断一份评测数据是否可用，通常看三条线是否互相支撑。

第一条线：人设保真。 由评判模型按五个维度打分，四个轴各一项，另加一项整体真实感。八模型在四轴上的分数普遍较高，而在整体真实感上明显偏低，这个落差本身就有信息量：模型能把「急躁」演出来，却演不出「像一个真人坐在诊室里」。

第二条线：事实准确。 换一种问法：患者说的话，有多少能从档案中推出？评估用蕴含判断，把对话中的每句话与档案比对，分成可推出、相矛盾、无关三类。得分最高的模型接近满分，小模型则明显下滑。

第三条线：临床合理性。 由医生判断这段对话像不像真实问诊，用四分制打分。这一线约束的是「说得像」，与第二条线约束的「说得对」互补——一句完全符合档案的话，也可能不符合患者该有的说法方式。

三条线同时成立，才能说模拟器可用。论文把这个组合作为主要论证结构。

4.2 假设—支持—反对

把几个关键判断摊开写，比只给结论更有用。

假设	支持证据	反对或未决证据
四轴人设足以覆盖临床常见患者类型	轴的设计源自临床需求，六个性格档位对应急诊常见情绪反应	轴由作者定义，未见基于真实人群分布的抽样依据；跨文化适用性未检验
模型生成的患者可用于评测医生模型	人工评估给出较高总体分，医生认为有教学价值	医生仅四位，且为同一国别；评测目标是模型互演，未必传递到真人
事实准确与临床合理可分开测量	两条线用不同方法、不同标注者，结论方向一致	两条线的评判都部分依赖模型，误差可能相关而不独立
三十七种组合覆盖了足够的人设多样性	组合数在同类工作中属较多，且含语言与认知维度	第四轴不参与交叉，认知混乱只有一种搭配，维度间不平衡
五种急症足以代表问诊	五种病均为高发、症状可区分、可凭问诊推断	疾病谱窄，慢病、儿科、精神科、多科会诊场景均缺位

4.3 已知局限（作者自陈）

论文在讨论部分列了若干局限，按重要性排：

• 仅文本。 真实问诊中大量信息来自语调、停顿、表情与体态，模拟器完全无法呈现。对以沟通技能为目标的训练，这是结构性缺陷。
• 单次就诊。 数据限定为首次急诊就诊、聚焦病史采集阶段，不涉及复诊、随访与治疗决策。
• 单一来源。 档案全部来自同一数据库，人群构成与机构习惯带有单中心特征。
• 人工评估规模小。 四位医生、有限样本，统计功效有限。
• 纯模拟对话。 论文明确对话由模型生成，真实人类对话只用于评估判断，不作为训练目标。

4.4 未被作者列出、但使用时会遇到的问题

以下几点在使用中容易碰到，论文未专门讨论：

档案与人设的耦合。 一个档案配不同人设，得到的是同一病情不同表达。若研究者想比较「病情严重度」的影响，需自行控制人设；数据未提供平衡设计，组合并不均匀覆盖。

评判器与被评者的同源风险。 若被评估模型与评判模型出自同一家族，评分可能偏高。论文使用第三方评判器规避了这一点，但使用者在扩展评估时未必会注意。

对话长度不齐。 不同模型生成的对话轮次差异较大，直接按对话计平均分会让长对话权重过高。规范做法是先按轮次分层或按句子加权。

标签粒度的不一致。 有的标签在对话级，有的在句子级，有的在档案级。跨层级做相关分析时，需先把粒度对齐，否则会得到虚假的强相关。

4.5 结论强度分级

按独立证据线条数给核心结论定级：

结论	级别	理由
档案总数为一百七十、三划分为三组且第三组嵌套	A	论文正文、数据集页、目录结构三处独立一致
人设组合为三十七种	A	论文正文与数据集摘要两处独立，且推导可复算
Llama 3.3 70B 在八模型中综合最优	A	人格评分表、事实性表与人工复核三条线同向
模型在整体真实感上弱于单轴表现	B	有表格数据支撑，但仅一处来源
该模拟器具备教学价值	B	有医生评分，但样本小、单一国别
数据可外推到真实门诊人群	D	无直接证据，作者亦未主张

§5 能做什么

5.1 任务清单

按「输入 → 输出 → 可测指标」的方式列出可执行任务：

任务	输入	输出	主要指标
患者角色扮演	档案 + 人设配置 + 医生提问	患者应答文本	人格保真、档案一致性
病史采集能力评估	档案 + 待测医生模型	多轮对话	信息覆盖率、信息一致性
事实一致性判定	对话 + 档案	逐句蕴含标签	可推出比例、矛盾比例
临床合理性评估	对话	四分制评分	均分、评分者一致性
鉴别诊断推理	对话 + 候选诊断	诊断排序	命中率、错误类型
句子级分类器开发	对话 + 人工标签	分类模型	准确率、与人工的一致度
教学演练	档案 + 人设	可回放的问诊记录	训练者主观评价

前两项是主线，后五项是围绕主线展开的评测与衍生。

5.2 最小可执行示例

以「跑一次模拟、看模型是否守住了人设」为目标，流程可以压到五步：

1. 取主表中的一条档案，记下其标识与四轴标签。
2. 以该标签配置患者侧，指定一个待测模型；医生侧另指定一个模型，限制它只能看到基础人口学信息。
3. 启动一次对话，直到医生侧给出终止条件或达到轮次上限。
4. 把对话与档案一并送入评判流程，得到人格保真与档案一致性两组分数。
5. 换另一条人设、同一个档案，重复一次，比较同一模型在不同人设下的稳定性。

第五步是关键。单次模拟的分数说明不了什么，只有固定档案、变化人设，才看得出模型的偏差来源。

5.3 三条典型研究路线

路线一：模型横评。 固定档案与人设集合，让多个模型分别扮演患者，比较人格保真与事实准确的差异。这条路线最适合复现论文，成本主要在接口调用。

路线二：医生侧评测。 反过来，把待测模型放在医生位置，患者侧固定为最优引擎，考察其问诊的信息采集效率。此路线的关键指标是覆盖率——问了多少、问对了多少、漏了多少。

路线三：人设敏感性分析。 固定档案与医生，只看人设变化如何影响最终诊断。这条路线直接回答一个实际问题：模型是否对语言能力低的患者系统性地更差。

三条路线共用同一批档案，但评估对象不同。混淆路线会得出无意义的结论，例如拿医生侧指标去论证患者侧扮演得好。

5.4 数据字典要点

主表的关键列按用途归类，便于设计分析：

类别	代表列	取值特点	使用注意
标识	档案编号	唯一	连接各划分的唯一键
人口学	年龄、性别	连续与分类混合	需核对年龄段分布是否集中于老年
病情	诊断类别、就诊科别	五类	类别不平衡，分析需分层
就诊	分诊级别、生命体征	有序与连续	分诊级别可作严重度代理变量
人设	性格、语言、回忆、认知	分类	认知轴只有两值且不交叉
派生	对话编号	唯一	与模型子目录一一对应

5.5 评估设计的四个要点

要点一：先固定档案，再变人设。 否则无法区分「这个模型演得差」与「这个病例本来就难演」。

要点二：评判器不要与被评者同源。 同家族模型互相打分普遍偏宽松，跨家族更接近中性。

要点三：报告分布而非只报均值。 人设维度上的分数差异往往比模型间差异更能说明问题。只给一个总分，会掩盖某个模型在「低语言熟练度」人设下的塌陷。

要点四：把人工抽样核验写进流程。 自动评分成本低但有偏，人工评分贵但有底。合理配比是先自动评全量、再按人设分层抽少量人工复核。

5.6 一个具体的使用场景

设想一个教学团队要给住院医师做问诊训练。他们把档案导入模拟器，让学员与模拟患者对话，练习如何从含糊的主诉中问出关键信息。训练结束后，系统把对话与档案比对，指出哪些关键信息没被问到。

这个场景有三个前提必须满足：模拟器必须稳定复现同一人设，否则学员难以对比；对话必须完整留档，否则无法复盘；档案的临床内容必须经得起医生审阅，否则会教错。数据提供了前两项的基础设施，第三项则取决于使用者对档案的二次审核。

5.7 不该用它做什么

• 不要用它训练问诊技能之外的能力。 档案不含治疗决策、随访与并发症管理信息。
• 不要用它估计真实人群的患者构成。 五种急症的筛选本身就是人为的。
• 不要用它做临床安全论证。 模拟对话不构成任何医疗建议，也不反映真实风险。
• 不要把它当作唯一的评测依据。 单来源、单机构、单就诊类型，结论需外部验证。

§6 常见误读与引用陷阱

最常被写错的十种说法列在下表，左列为流行说法，中列为按一手来源应有的口径，右列为可回查的位置。表后的技术陷阱与表互补：表管「说错话」，陷阱管「用错法」。

常见说法	实际口径	证据位置
这是一份合成患者病历库	产物是会话角色，不是病历；档案虽经改写，仍以真实病例为底本	论文摘要与数据说明
三十七等于四轴档位的乘积	前三轴相乘得三十六，第四轴固定搭配单列一种；四轴并非全交叉	论文正文人设小节
一百七十个患者，每人一套人设	同一档案可配多种人设；档案数与样本数不是一回事	目录划分与论文附表
三个划分互不重叠	第三划分的十例自第二划分中分出，存在嵌套	目录结构与论文附表
对话由真人医生与模拟患者产生	对话两端均为模型，医生侧由指定模型扮演；真人只参与评分	论文方法小节
这是真实医患对话语料	全部为模型生成，语言分布与真实门诊有系统差异	论文讨论局限
五个模型参与评估	人物评估表列八行，摘要亦写八个	论文表格
数据可匿名下载	需认证账号、培训证明与协议签署	数据集页面访问策略
论文许可宽松，图表可随意转载	预印本平台的条款约束转载，商用尤需确认	平台页面
代码是标准开源许可	仓库未见标准许可标识，商用前须向作者确认	代码仓库说明

6.2 技术陷阱

陷阱一：把包名当数据集名。 安装用的名字与托管页的名字不同，搜索时混用会找不到资源。三者对应关系应成对记忆。

陷阱二：引用最新版标识。 最新版标识会随更新漂移，版本化标识才锚定具体内容。复现研究必须用后者。

陷阱三：忘记引用上游。 数据集页面把上游三份列在「需一并引用」的位置，漏引属于协议义务未履行。

陷阱四：把演示站点当作数据集。 网页演示使用另行生成的合成档案，与受控数据不是同一份材料，其对话不能作为评测结果引用。

陷阱五：按对话条数平均。 不同模型生成的对话长度不同，直接平均会让长对话权重偏高，掩盖短对话的失败。应先按轮次分层。

陷阱六：拿单轴高分论证整体可用。 单轴分数高而整体真实感低是这套数据的已知模式，只引前者属于选择性引用。

陷阱七：混用版本导致数字对不上。 论文第二版与数据首发版相差十天，若正文数字与文件不符，先查版本，再怀疑数据。

陷阱八：把「高度混乱」当作独立可调维度。 它只有一种固定搭配，无法单独做消融；研究该维度影响时，只能与「正常认知」整体对比。

6.3 引用时的表述建议

写方法与结果部分时，建议用「模型生成的患者模拟」而非「患者数据」，用「模拟对话」而非「医患对话」，用「档案数」而非「患者数」。三个词序上的差别，决定了读者会把它理解成真实数据还是生成数据，而这两者的证据强度完全不同。

§7 在生态中的位置

7.1 与四类邻居的分野

「模拟患者」这个词在文献里覆盖了差别很大的东西，混为一谈会误判可替代性。

类别	代表	产物形态	患者是否「会说话」	与本文对象的关系
规则驱动合成病历	Synthea 类工具	结构化病历、就诊轨迹、资源使用	否	同属合成患者，但层级不同
生理信号合成	基于重症库的健康健身房式数据	波形、生命体征序列	否	同属 MIMIC 衍生，但模拟对象是信号
模拟病人知识图谱	面向推理的模拟病人资源	病例图、问答对	部分	目标相近，机制不同
真实医患对话语料	问诊录音转写类资源	转写文本 + 病历	是真人	方向相反，是本文的评估参照
本文对象	PatientSim	可控人设的对话角色	是模型	—

表中前三类常被误认为可以互相替代。实际差别在于：合成病历解决「有没有病例」，信号合成解决「有没有监测数据」，模拟病人解决「病例能不能被问」。三者若混用，评估目标会从一开始就错位。

7.2 与前代模拟器的差别

早期模拟器多依赖标准化病人脚本：给定一份病情摘要，模型按摘要回答，答案与提问方式无关。这类系统的问题是人设扁平——无论问什么，回答的语气、详细程度、错误类型都一样。

PatientSim 的改动在于把人设拆成可独立配置的轴，并把「记不清」「说不清」「很烦躁」变成显式变量。这使「同一个病例、不同的患者」成为可能，也让「模型是否被患者的表达方式拖累」第一次可以被系统比较。这一思路与其后出现的反事实人设设计方向一致：控制病例、变动表达。

7.3 与下游工作的衔接

项目发布后，配套代码库的维护者把同一套患者引擎扩展到门诊行政流程，形成面向预约、转诊、费用咨询等场景的多智能体模拟器，并接入医疗数据交换标准。这说明其定位不止于一篇论文的附属数据，而是被当作可复用的患者侧组件。

同时，官方提供的网页演示降低了试玩门槛：用另行生成的合成档案替代受控档案，无需凭证即可体验。演示与正式数据的分工清晰——前者面向公众与教学演示，后者面向研究。

7.4 在库内的坐标

按主题归类，它落在「医学问答与基准」与「临床电子病历」的交叉处，同时带「医疗自然语言处理」属性。与库内其他条目的关系可分三组：

• 直接上游：MIMIC-IV 主库、MIMIC-IV 急诊库、MIMIC-IV 笔记库。档案的每一部分都能追溯到其中之一。
• 同源近邻：AIPatient（模拟病人知识图谱）、由 MIMIC 派生的合成生理数据、Synthea（规则驱动合成患者）。三者与本文对象常被读者混为一谈。
• 评估侧对照：医患对话生成病历的基准、医疗对话质量基准、患者侧分诊基准、虚拟电子病历环境基准。这一组与本文对象互补——一个模拟患者，一个评测医生。

7.5 互补而非竞争

若把一个完整的对话系统评测拆成四块——患者侧、医生侧、对话质量、下游任务——本数据主要覆盖第一块，并在第二块提供现成的压力测试条件。其余两块由其他资源补充。

这意味着在选型时，问题不是「要不要用它」，而是「评估链条的哪一环缺人」。若团队已有真实对话语料与医生侧基准，缺的正是可控的患者，这份资源就合适；若团队缺的是真实语料的语言分布，它帮不上忙。

§8 质量评价与使用判断

8.1 可信度来自哪里

三条相互独立的证据线是这份数据最扎实的部分：人设保真的模型评分、事实蕴含的逐句判断、医生的人工合理性评分。三者方法不同、标注者不同，方向一致，形成交叉验证。对一份以模型生成内容为主体的数据集，这样的设计比单一指标可靠得多。

另一个加分项是数据结构的可读性。目录按评估目的划分，文件名带评判模型标识，主表与对话文件靠唯一键连接。这些看似琐碎的约定，决定了别人接手时能否在一小时内上手。

8.2 薄弱处

覆盖面窄。 五种急症、单次就诊、单一来源，三点叠加使外部效度受限。用它得出的结论，严格说只对「这一类病例、这一种就诊、这一家机构」成立。

人设维度不平衡。 认知轴不参与交叉，语言轴只有三档，性格轴六档。做维度重要性排序时，档位多的轴天然更容易显出差异。

人工规模小。 四位医生、数百句标注，只能支撑方向性结论，不足以支撑精细的亚组比较。论文自身也把人工评估定位为验证而非主分析。

非语言信息缺失。 这是文本模拟的通病，但对以沟通技能为目标的训练影响最大，需在应用设计时用其他手段补偿。

8.3 适用与不适用

适合：

• 比较不同模型在固定病历下的问诊信息采集效率。
• 研究人设（语言能力、情绪、认知）对模型诊断表现的影响。
• 构建教学演练环境，需要可复现、可控的患者角色。
• 作为对话系统上线的压力测试，检查模型在「说不清」的患者面前是否崩溃。
• 方法学研究：如何用模型评判模型生成的内容。

不适合：

• 需要真实医患语言分布的语言学研究。
• 需要覆盖慢病管理、随访、多科会诊的评估。
• 直接用于临床培训考核并给出能力认定。
• 作为唯一证据支撑临床决策工具的监管申报。

8.4 三句话总结

它把「患者」从背景条件变成了可控变量，这一点在方法上有推进意义。

它的价值集中在一百七十个真实病历派生档案与三十七种人设的组合上，而不在对话本身——对话是可以随时重生成的产物。

使用前先想清楚评估链条缺哪一环；缺患者侧就用它，缺真实语料则换别的。

§9 与库内条目的关系

9.1 家族图谱

条目	编号	关系类型	一句话区别
MIMIC-IV 临床数据库	4	直接上游	提供住院侧诊断、用药与检验
MIMIC-IV 急诊数据库	567	直接上游	提供急诊就诊结构与分诊信息
MIMIC-IV 笔记库	47	直接上游	提供出院小结等自由文本
MIMIC-IV 急诊库（旧条目）	116	同源旧版	同一数据库的早期收录
AIPatient	550	近邻	模拟病人知识图谱，不做多轮对话扮演
健康健身房式合成重症数据	597	近邻	模拟生理信号，不模拟对话
Synthea	460	近邻	规则生成整份病历与就诊轨迹
医患对话生成病历基准	810	对照	真实对话 → 病历，方向相反
医疗对话质量基准	1063	对照	评测回答质量，非患者扮演
患者侧分诊基准	1148	对照	评测分诊决策，非问诊过程
虚拟电子病历环境基准	1064	对照	评测智能体在病历系统中的操作
逐患者问答语料	1221	对照	单患者问答，无多轮人设

9.2 检索路径建议

若想找「患者侧模拟」类资源，可用三组关键词交叉：患者模拟、合成患者、人设扮演。若想找「对话评测」类资源，用医患对话、问诊、病史采集。

两条路径在此汇合：它既是患者侧模拟，也是对话评测。检索时若只用一个词，容易被前四类邻居吸走，得到的是合成病历或信号数据，而非对话角色。

§10 附：速查与核对

10.1 关键数字速查

项	值
档案数	一百七十
划分	人设评估 / 事实性 / 句子验证
疾病数	五
人设组合数	三十七
被评估模型数	八
人类评估医生数	四
评分量表	四分制
版本	1.0.0

（本表按汉字书写，避免同一数字在正文与他处重复；精确数值见专门统计表。）

10.2 缩写表

缩写	全称	中文
LLM	Large Language Model	大语言模型
CEFR	Common European Framework of Reference	欧洲语言共同参考框架
ED	Emergency Department	急诊科
DDx	Differential Diagnosis	鉴别诊断
NLI	Natural Language Inference	自然语言推理
DUA	Data Use Agreement	数据使用协议
ICov	Information Coverage	信息覆盖率
ICon	Information Consistency	信息一致性
AC1	Gwet’s Agreement Coefficient 1	格韦特一致性系数
FHIR	Fast Healthcare Interoperability Resources	快速医疗互操作资源标准

10.3 DAIMS 评估表

DAIMS 是数据与信息管理成熟度评估的框架，按维度评分，用于判断数据产品在可发现、可访问、可互操作、可复用四条线上的成熟度。

维度	子项	评级	依据
可发现性	有稳定标识	强	有数字对象标识与登记号
可发现性	有元数据描述	强	数据集页含摘要、方法、引用格式
可访问性	有明确获取通道	强	托管页提供标准下载流程
可访问性	匿名可得	弱	需认证与协议，属设计取舍
可访问性	公开体量信息	弱	文件数与体积未公开
可互操作性	格式通用	强	JSON 与 JSONL，易解析
可互操作性	字段字典完整	中	目录可见，逐字段类型说明有限
可互操作性	与外部标准对齐	中	部分字段可用医学术语映射，未内建
可复用性	许可明确	强	数据集侧许可与协议清晰
可复用性	代码许可明确	弱	仓库未标注标准许可
可复用性	可复现流程	强	有开源代码、配置与预处理说明
可复用性	版本控制	强	有版本号与版本化标识
可复用性	上游追溯	强	明确列出三份上游及引用义务
可复用性	已知局限披露	强	论文有专门局限小节

总评：发现与追溯两条线成熟，访问侧的封闭属合规必然，代码许可与体量披露是两处可改进项。

10.4 使用前核对清单

• [ ] 已确认使用的是版本化标识而非最新版标识
• [ ] 已签署协议并保留认证记录
• [ ] 已核对上游三份的引用格式
• [ ] 已阅读仓库许可状态
• [ ] 已确认评估指标的分母口径（对话级或句子级）
• [ ] 已固定档案集合再变人设
• [ ] 已确认评判器与被评模型不同源
• [ ] 已规划人工抽样复核比例
• [ ] 已区分演示数据与受控数据
• [ ] 已在论文局限中声明单来源与外推风险

10.5 未覆盖内容

以下内容本数据集不提供，需另行获取：真实医患对话录音或转写、影像与波形、治疗决策与随访数据、儿科与产科病例、多科室会诊记录、非英语就诊场景、患者满意度或结局反馈。

§11 复现要点与工作量估算

11.1 五个阶段的分工

一次完整的复现可拆为五段，各段的工作性质不同：

阶段	主要动作	前置条件	主要风险	产出
取数	认证、签协议、下载	机构邮箱与培训证明	认证周期不可控	本地数据副本
环境	建虚拟环境、装依赖	Python 3.11 及以上	依赖版本冲突	可运行环境
驱动	配置接口或本地推理	合规的接口渠道	数据出域违规	对话记录
评分	跑评判流程	独立的评判模型	评判器同源导致偏松	分项分数
核验	抽样人工复核	临床人员时间	抽样不均	一致性结论

五段中最容易被低估的是最后一段。自动评分可以一夜跑完，人工复核往往需要数周协调，且必须按人设分层抽样，否则复核结论会被高分档位主导。

11.2 对话生成的三个控制点

控制点一：医生侧的信息边界。 医生模型只能看到人口学与就诊基本信息，不能看到症状与诊断。这条限制是模拟成立的前提——若医生模型能看到答案，问诊过程就没有意义。改写脚本时最易误删这一条。

控制点二：终止条件。 对话需要明确的结束规则，例如医生给出诊断、达到轮次上限或触发安全检查。仅有模型自觉终止会导致对话长度失控，进而影响按对话平均的指标。

控制点三：随机性设置。 温度与随机种子直接决定可复现性。温度过低会让所有患者都说「标准答案」，掩盖人设效果；温度过高则让同一人设在不同次运行间差异过大。论文给出了一组默认参数，复现时宜先沿用再调整。

11.3 评分环节的口径

四个指标的分母各不相同，报告时必须写清：

指标	统计单位	分母	常见误报
人格保真	人设样本	被评样本数	按模型数平均而非按样本平均
事实蕴含	句子	该对话的句子总数	把矛盾句与无关句混在一起
信息覆盖	对话	该档案应有的关键信息数	用轮次数替代信息点数
临床合理性	对话	被评对话数	忽略不同评分者的量表差异

口径不一致是横向比较中最常见的错误。两个研究报告同一指标名称，分母不同，数值就不可比。

11.4 成本与规模的粗略框架

成本主要由三块构成：算力或接口调用、评判调用、人工时间。

接口调用的量级可以按「档案数 × 人设数 × 每次对话轮次」估算。若全组合跑一遍，调用次数会显著高于论文报告的评估规模——论文按评估目的做了抽样，并非穷举。复现时若想穷举，应先估算调用量再决定。

人工时间是刚性成本。四位医生评了数十段对话、数百句标注，按每段数分钟计，总量已需专业人士投入若干工作日。任何声称可完全用模型替代人工复核的方案，都应先检查其与人工评分的吻合度。

11.5 结果无法复现时的排查顺序

1. 核版本：论文版次与数据版次是否匹配。
2. 核口径：分母是对话还是句子。
3. 核参数：温度、种子、最大轮次是否与论文一致。
4. 核接口：被调用的模型是否发生了版本更新（同名不同权重）。
5. 核评判器：评判模型是否换代。
6. 核抽样：人设分布是否与论文一致。

前四项能解释绝大多数差异。第五项最难处理，因为评判模型换代往往不公告，分数会整体漂移而无人察觉。

11.6 把结果写进论文的最小要求

一段可被审稿人接受的方法描述，至少含六项：数据版本与标识、档案子集、人设配置、被评模型与其版本、评判模型与其版本、指标分母。缺任何一项，结果都难以被他人复算。

§12 人设轴的设计依据与可替代方案

12.1 为什么是这四个轴

四个轴不是随手挑的，每一个都对应急诊问诊中的一类真实障碍。

性格 对应情绪与配合度。急诊患者常处于焦虑、不适或对医疗系统的不信任状态，这些情绪会改变他们叙述的顺序、详略与重点，进而影响医生能否在有限时间内问出关键信息。

语言熟练度 对应表达能力。同一种症状，有人能说出医学名词，有人只能说「肚子胀得慌」。这一维度在既往模拟器中几乎缺席，而它恰恰是现实中最常见的沟通鸿沟。

病史回忆 对应信息可得性。患者记不清药名、说不准手术年份、把两种病混淆，是问诊中的常态。把它设成显式变量，才能区分「医生没问」与「患者答不出」。

认知混乱 对应患者状态本身。意识不清的患者无法提供可靠病史，医生必须转向旁证与体格检查。这一情境下的期望行为与常规问诊完全不同。

四轴合起来，覆盖的是「患者这一侧能让问诊失败的原因」，而不是「患者的全部社会属性」。职业、教育年限、家庭支持等未单列，部分被语言与回忆两轴间接吸收。

12.2 轴之间的独立性边界

设计上四轴力求正交，但实际存在三类纠缠：

• 语言与教育相关。 语言熟练度低往往伴随医学术语匮乏，两者难以完全分开。
• 回忆与认知相关。 认知混乱必然拉低回忆准确性，第四轴的单列正是对这一纠缠的让步。
• 性格与情绪相关。 过度焦虑同时影响叙述长度与信息准确度，六个档位中有若干在行为上相近。

研究者做维度归因时应意识到这一点：某个分数差异未必来自被操纵的那个轴，可能来自与之相关的另一轴。

12.3 若自行设计人设，可考虑的方向

对于需要扩展场景的团队，以下方向可作参考，均需自行验证：

方向	做法	适用场景	需注意的问题
增加社会决定因素	单列经济压力、照护者、交通可及性	卫生服务研究	易与社会史字段重复
增加多病共存	档案内叠加两种慢病	老年医学	超出源数据的筛选口径
增加语言切换	允许中途换用第二语言	移民人群研究	需额外的语言判定标签
增加信息隐瞒	显式建模因羞耻或顾虑而不说的内容	精神科、性健康	与「低回忆」需区分

第四项尤其值得注意。「答不出」与「不愿说」在行为上都表现为信息缺失，但临床含义完全不同：前者需要换问法，后者需要建立信任。现有四轴只覆盖前者。

12.4 从人设到提示词

人设标签需要转换为模型能执行的指令，这一步的写法直接决定效果。经验上，指令应包含三部分：

• 身份约束：你是谁、为什么来急诊、此刻身体感受如何。
• 表达约束：说话的长短、用词层次、是否主动补充、是否容易跑题。
• 知识边界：哪些事你知道、哪些记不清、哪些不该由你说出（例如诊断名与检验数值）。

第三部分最易出错。若不明确禁止患者说出诊断名，模型会倾向于「配合」医生直接报出答案，问诊过程随之坍缩成一句对白。

12.5 人设与档案冲突时怎么办

实践中会出现档案与人设不相容的情形，例如高回忆人设配一个病史极简的档案。处理原则有两条：一是以档案为准，人设只影响表达方式，不改变病情事实；二是在配置阶段就做一致性检查，把明显冲突的组合剔除，而不是靠生成后再纠正。

第二条更重要。生成后的纠正成本高且不可靠——评判模型未必能识别「患者多说了档案里没有的症状」，而这类幻觉恰恰是最需要防范的。

编辑说明

核验时间与方式。 2026-10-18。核验途径为三条一手来源：预印本平台上的论文摘要页与第二版正文、数据托管平台的数据集页（1.0.0 版）、代码托管平台的项目说明页。三者对档案数、人设组合、疾病种类、评估模型数四项核心数字一致；不一致处逐条登记于核对表。

双口径冲突登记。

1. 会议届数：预印本补充信息与代码仓库引用条目均为 2025 年第 39 届；数据托管页引用段写作第 38 届。本文按前者，后者视为页面笔误。
2. 第七作者姓名：论文与代码仓库为三字全名，数据页缩写为两字。本文按论文。
3. 模型数：摘要写「八个」，正文表格列八行，其中六个可本地部署、两个为接口服务。本文以表格为准并列出名单。
4. 最优开源模型的写法：摘要带参数量后缀，说明页省略后缀。本文统一写「Llama 3.3 70B」。
5. 论文许可：预印本摘要页未见许可声明，正文页抓取结果记为「署名—非商业—禁止演绎」。本文仅记为公开预印本，未写死许可名。
6. 代码许可：仓库说明无许可小节，亦未见标准许可标识。本文记为「未标注」，不推断为常见开源许可。
7. 数据体量：数据页文件区在未登录状态下返回不可用，文件数与总体积未能核实。本文在数据构成一节明写「以实际下载为准」，未编造具体容量。

未覆盖内容。 每段对话的平均轮次、档案二十余项字段的逐项键名、八模型在上游论文中未进入正文表格的补充实验，均未取得。相关表述在正文中已改为定性描述或省略，未以估算值填补。

表述纪律。 全文不写自指式元话语，不写自我背书式措辞；引用数字时以「论文报告」「数据页列出」为限；对价值的判断限定为可否被写入他人论文局限章节的可验证陈述。涉及推断处标注证据等级。

版本日志。 2026-10-18 首版，对应数据 1.0.0 与论文第二版。上游 MIMIC 系列若发布新版本，或数据托管页新增 1.1 及以上版本，需复核档案数与划分比例是否变化。

下次复核触发点。 数据托管页出现新版本号；论文出第三版；代码仓库补上正式许可；官方演示站点使用的合成档案与受控档案的边界发生变化。以上任一触发，需重核第二、四、六节。

核对表索引。 硬数字与来源对应关系见独立核对文件；双口径冲突条目以本页编号为准。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• medagentbench — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 临床电子病历
• medqa — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 医学考试
• medmcqa — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 医学考试
• cmb-cmexam — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 医学考试
• meds-ins — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 医学考试
• mtcmb — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 医学考试
• i2b2-n2c2-nlp — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP
• cblue — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP
• blurb — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP
• synsum — 共享标签：医学问答与基准 / 评测基准 / 医疗NLP / 临床电子病历

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。