信息速览

数据集名称Health Gym — 低血压与脓毒症合成 ICU 数据 AI-Ready Wikipedia

数据类型3,910 例合成急性低血压患者,2,164 例合成脓毒症患者,Wasserstein GAN 生成,披露风险 0.045%,37.9 MB 可自由分发

规模3,910 例合成急性低血压 + 2,164 例合成脓毒症 = 6,074 例合成患者

接入方式https://physionet.org/content/synthetic-mimic-iii-health-gym/1.0.0/

AI 就绪度

Synthetic Acute Hypotension and Sepsis Datasets (Health Gym) — AI-Ready 数据集百科

一句话：这是一对完全合成的重症监护时序数据集——3,910 例"急性低血压"患者与 2,164 例"脓毒症"患者，全部由 Wasserstein GAN 从 MIMIC-III 的真实分布中学习生成。它们加起来只有 37.9 MB，却解决了一个困扰医疗机器学习多年的死结：受控数据无法做可复现的基准。

INFOBOX

属性	值
官方名称	Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III and Published as Part of the Health Gym Project
发布方	PhysioNet（依托 The Health Gym 项目）
版本	v1.0.0（2022-02-23 发布）
DOI	10.13026/p0tv-0r98
RRID	SCR_007345
页面作者	Nicholas Kuo, Simon Finfer, Louisa Jorm, Sebastiano Barbieri
所属项目	The Health Gym（UNSW Centre for Big Data Research in Health）
资助	Wellcome Trust Open Research Fund（2019）
数据类型	合成数据（Synthetic），非真实患者
规模（低血压）	3,910 名合成患者 / 187,680 条记录 / 22 变量 / 21.7 MB
规模（脓毒症）	2,164 名合成患者 / 43,280 条记录 / 46 变量 / 16.2 MB
时间结构	低血压：48 小时小时级；脓毒症：20 点 × 4 小时 = 80 小时
生成技术	Wasserstein GAN（生成器 biLSTM + 3 稠密层；critic 2 稠密 + biLSTM + 1 稠密）
上游数据	MIMIC-III Clinical Database（真实）
队列标准	低血压：Gottesman et al. 2020；脓毒症：Komorowski et al. 2018
设计目标	离线强化学习（offline RL）算法开发 + 教育
披露风险	0.045%（最坏情形 0.796%），远低于 EMA/Health Canada 9% 阈值
许可	首发 Credentialed License 1.5.0；合成数据设计为可自由分发
关联论文	Kuo et al., Sci Data 9:693 (2022)，PMID 36369205
代码	github.com/NicKuo-ResearchStuff/Health_Gym_AI
适合任务	离线 RL 基准、合成数据方法研究、隐私风险评估、教学原型

§0 速览与信任声明：为什么一份"假数据"值得认真对待

医疗机器学习一直有个羞于启齿的结构性问题：最好的数据不能公开，能公开的数据不够好。

MIMIC-III/IV 已经是这个领域最开放的存在了，但它仍然需要 CITI 培训、DUA 签署、审批周期，并且明确禁止再分发。这意味着：

你的论文读者无法复现你的实验（他们没有数据）；
你的基准无法成为公共基准（每个人拿到的数据版本、预处理都可能不同）；
你的算法无法被公平比较（不同论文在自己的私有子集上跑，F1 高低没有可比性）。

这三条是医疗 ML reproducibility 危机的根源。而 497 这份数据集，是一次针对这个危机的直接回应：既然真实数据不能自由分发，那就生成一批分布上逼真、但个体上完全虚构的数据，让它自由分发。

三条速览结论：

它不是"假数据"，而是"分布的真数据 + 个体的假数据"。合成的目标不是模仿某几个具体病人，而是复原变量分布、变量间相关性、时间趋势这三层统计结构。论文的核心主张是：合成数据的这三层结构"镜像"了真实数据。因此它可以用于算法开发与基准测试，但不可用于任何涉及真实个体的推断。
它为强化学习而生，这一点极其罕见。绝大多数 EHR 数据集只提供"状态"（患者的生理指标），而 RL 需要"动作"（医生做了什么干预）。497 明确把 补液推注（fluid boluses）与血管升压药（vasopressors）定义为离散动作空间——这是它区别于其他所有 MIMIC 派生数据集的定位。
它把"隐私可公开"从口号变成了数字。数据集公开了一整套披露风险计算：合成数据的最大披露风险 0.045%，低于真实数据的 0.057%，远低于 EMA 与 Health Canada 的 9% 阈值，也低于 El Emam 等的 5% 阈值。即使假设攻击者同时掌握整个 MIMIC-III 数据库与队列选择标准，风险也只升至 0.796%。这是"合成数据可以安全公开"这一主张的量化证据——比任何"我们做了脱敏处理"的声明都更有说服力。

0.1 条目名与范围勘误

本条目涵盖的是 PhysioNet 条目 497，其官方全称较长：

Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III and Published as Part of the Health Gym Project

三点必须说清的范围界：

它只含两套数据：急性低血压（Acute Hypotension）与脓毒症（Sepsis）。关联的 Sci Data 论文（Kuo et al. 2022）同时发布第三套 HIV 抗逆转录病毒治疗合成数据（基于 EuResist 数据库），但那套不在本 PhysioNet 条目内（见存照 D）。
它是项目的一部分：完整项目名是 The Health Gym，一个"持续增长的合成医学数据集集合"，497 是其最早的两个 ICU 数据集。
它是合成数据：任何把它当作"MIMIC-III 的一个子集"来引用的表述都是错的。它与 MIMIC-III 的关系是"分布来源"，不是"子集关系"。

0.2 一分钟版本（给赶时间的管理者）

这是什么：两套合成ICU 时序数据，用于训练和评测强化学习算法；
谁做的：UNSW 健康大数据研究中心（悉尼），Wellcome Trust 资助；
规模多大：3,910 + 2,164 = 6,074 名合成患者，合计 231,560 条记录；
多大体积：37.9 MB（21.7 + 16.2），可直接放进 notebook；
数据在哪：PhysioNet（DOI 10.13026/p0tv-0r98）；
最大的优点：可自由分发——这是它能成为公共基准的前提；
最大的局限：不能用于真实世界推断——它是算法训练场，不是临床证据；
最亮的点：把"隐私风险"算成了可对照的数字（0.045%），而不是一句空口承诺。

0.3 与本系列既有条目的关系

条目	关系
492 MIMIC-IV	真实数据的现行版本；497 的分布来源是更早的 MIMIC-III
490/491 MIMIC-III	497 的直接上游——合成数据的"分布原型"
493 nosocomial-risk-mimic	真实数据上的自动标签；与 497 对照可研究"合成数据能否承载派生标签"
494 Phenotype Annotations	真实数据上的人工标注；497 无对应标注层
496 NIHSS Annotations	真实数据上的信息抽取语料；497 的数据无法用于此类抽取任务
495 Paediatric Intensive Care	中国自建库；497 是"从既有库生成"——两种数据生产路径的对照

§1 背景：医疗机器学习的数据困境与合成数据的兴起

1.1 一个所有人都知道但很少被正面说的问题

医疗 AI 论文的可复现性长期不达标。原因不是研究者不努力，而是数据本身的制度性壁垒：

真实病历受 HIPAA/GDPR 等法规保护，公开分发几乎不可能；
即使如 MIMIC 这样开放的数据库，也需要培训、审批、DUA，并要求"不再分发"；
结果是：论文的代码可以公开，但数据不能公开，而数据处理又高度依赖数据特性——于是复现失败。

这不是 MIMIC 的错。MIMIC 已经在合规与开放之间做到了极限。但这个结构性问题始终存在：任何需要 DUA 的数据，都无法成为真正的公共基准。

1.2 三条被探索过的出路

面对这个困境，社区尝试过三条路：

路线	做法	局限
数据共享联盟	多机构联合建库，成员共享	联盟外无法访问，覆盖面有限
数据合成	生成分布逼真但个体虚构的数据	逼真度与隐私的权衡；需证明"足够像"且"足够安全"
联邦学习	数据不动、模型动	需各方技术投入；无法解决"基准"问题

497 走的是第二条路，而且走得很认真：它不满足于"我们合成了数据"，而是量化证明了两件事——（a）合成数据的统计结构与真实数据一致（效用），（b）公开分发的隐私风险极低（安全）。这两条证明是合成数据能被学界接受的门票。

1.3 为什么目标是"强化学习"而不是"预测"

这是一个关键的设计选择，值得展开。

绝大多数医疗 ML 数据集服务于监督学习：给定输入（如生命体征），预测输出（如死亡率）。这本质上是"预测"，模型不需要做决策。

而强化学习要解决的是"决策"：给定当前状态，应该采取什么行动，才能最大化长期收益？在 ICU 场景里，这意味着：

状态空间：患者的生命体征、实验室结果、人口学信息；
动作空间：医生能做的干预——补液、升压药；
奖励：生存、器官功能、出院状态等。

这个框架的吸引力在于：它能给出动态治疗策略，而不仅是风险预测。Komorowski et al. 2018 年在 Nature Medicine 上发表的"AI Clinician"就是这一路线的标志性工作——而脓毒症队列正是沿用该文的纳排标准，这不是巧合，是直接的方法论继承。

1.4 为什么医疗 RL 特别缺数据

医疗 RL 的数据困境比监督学习更严重：

需要动作：监督学习只要"输入+标签"，RL 需要"状态+动作+奖励"，而动作（干预）在多数公开数据中缺失或不可靠；
需要时序：RL 需要完整的决策序列，而许多公开数据是静态快照；
需要反事实：要评估"如果当时用了别的方案会怎样"，需要能识别因果效应——这对数据质量要求极高；
需要足够多的轨迹：RL 样本效率低，小数据上极易过拟合。

这三条叠加，使得"公开可用的医疗 RL 数据集"极为稀少。497 的定位正是填补这个空缺——它明确提供了状态 + 动作结构，并给出了 187,680 与 43,280 条时序记录。

1.5 The Health Gym 项目的来龙去脉

项目名：The Health Gym
定位：一个"持续增长的、高度逼真的合成医学数据集集合"，可自由访问，用于原型开发、评估与比较机器学习算法，特别聚焦强化学习
资助：Wellcome Trust Open Research Fund，2019 年立项
项目负责人：Sebastiano Barbieri（UNSW）；主要实施者 Nicholas Kuo
规划产出（据 Wellcome 项目摘要）：
- 免费开源的 Python 包；
- 一个提供"概念验证"方案的网站；
- 一个研究者分享解法的 wiki；
- 公开的 GAN 与相关软件仓库（可创建更多合成记录、用于教学）；
- 项目末期举办为期两天的 DataThon，邀请临床医生与数据科学家团队参与。
首批两个 RL 问题：ICU 脓毒症管理、HIV 抗逆转录病毒治疗优化

从这个规划可以看出，项目的野心不止于"发几个数据集"，而是要建一套基础设施：数据 + 包 + 基线方案 + 社区。这是"基准生态"的完整形态。

1.6 时间线

时间	事件
2001-2012	上游 MIMIC-III 的患者数据期
2016	MIMIC-III 正式发表（Sci Data 3:160035）
2018	Komorowski et al. 发表 AI Clinician（Nature Medicine），其脓毒症队列标准成为 497 的基础之一
2019	Wellcome Trust Open Research Fund 资助 The Health Gym
2020	Gottesman et al. 发表 off-policy 评估方法（ICML），低血压队列标准来源；El Emam et al. 发表披露风险评估方法（JMIR）
2022-02-23	497 v1.0.0 发布于 PhysioNet
2022-11-11	关联论文发表于 Scientific Data（9:693）

1.7 GAN 为什么能生成"看起来真"的临床时序

生成对抗网络（GAN）的基本机制是两个网络的对抗：

生成器（Generator）：从随机噪声生成"假的"数据样本；
判别器（Critic/Discriminator）：区分"真数据"与"生成数据"；
二者交替训练，生成器越来越会骗，判别器越来越会认，最终生成器产出的数据在判别器看来与真数据无法区分。

497 用的是 Wasserstein GAN（WGAN，Gulrajani et al. 2017 的改进版）。WGAN 相对原始 GAN 的优势：

训练更稳定：用 Wasserstein 距离代替 JS 散度，缓解模式崩溃（mode collapse）；
有意义的损失：损失值能反映生成质量，便于判断训练进度；
对超参更鲁棒：不需要精心平衡生成器与判别器的能力。

而处理时序（不只是静态表格），则需要循环结构。497 的架构设计正是如此：

组件	结构
生成器	1 个 biLSTM 层 + 3 个全连接稠密层
判别器（critic）	先嵌入非数值数据 → 2 个全连接层 → 1 个 biLSTM 层 → 1 个全连接层

**biLSTM（双向长短期记忆网络）**的作用是捕捉时序依赖——患者的生命体征不是独立同分布的，今天的血压与昨天的血压强相关。biLSTM 同时从前后两个方向建模这种依赖，使生成的序列具有"临床轨迹"的连贯性，而非随机波动。

判别器先做非数值数据的嵌入（embedding），是为了处理混合类型数据——数据里既有连续值（血压、乳酸），也有分类值（GCS）、二值值（是否测量）。把它们统一到可比较的表征空间，是处理混合类型表格的必要步骤。

1.8 合成数据的三个评价维度

一个合成数据集要可用，必须同时满足三条：

维度	含义	497 的证明方式
保真度（Fidelity）	合成数据的统计分布与真实数据是否一致	变量分布、变量间相关性、时间趋势"镜像"真实数据
效用（Utility）	用合成数据训练的模型在真实数据上是否有效	项目论文报告可用性；后续研究可验证
隐私（Privacy）	能否从合成数据反推真实个体	披露风险 0.045%（详见 §6）

这三者存在内在张力：保真度越高（越像真实数据），隐私风险可能越高（越可能记住个体）；隐私保护越强（加噪越多），效用越低。合成数据研究的核心难题就是寻找这条权衡曲线的合适位置。497 的贡献在于：它给出了这个位置上的一个具体坐标（保真度可接受 + 风险 0.045%）。

1.9 这份数据能做什么、不能做什么

能做：

开发与评测离线强化学习算法；
研究合成数据的生成方法与评价指标；
教学（RL 入门、医疗 AI 课程）；
快速原型验证（不需要等 DUA 审批）；
隐私技术研究（如攻击方法测试）。

不能做：

真实世界的临床决策支持；
流行病学推断（发病率、死亡率等）；
任何涉及真实患者群体的结论；
药物有效性的真实世界研究。

这条界必须划清：它是算法训练场，不是临床证据源。

1.10 用户画像

用户类型	典型诉求	本数据集能提供
RL 研究者	需要公开的医疗 RL 基准	状态 + 动作结构 + 公开可分发
医疗 AI 工程师	需要快速验证算法	37.9 MB 轻量数据 + 秒级加载
合成数据研究者	需要可对比的合成数据样本	公开的生成方法 + 风险量化
隐私技术研究者	需要测试攻击/防御方法	已知的披露风险基线
教师	需要教学案例	完整闭环（数据 + 任务 + 基线方案）
数据合规研究者	需要"可公开"的替代方案	一个经过风险论证的样本

1.11 一条关于引用的小提醒

PhysioNet 在 2026 年发布的平台论文（Pollard et al., Nature Health 2026）要求使用者在引用具体数据集的同时一并引用 PhysioNet 平台论文。这是一个容易漏掉的义务，对 497 而言尤其如此——因为"可自由分发"的特性会让人误以为"随便用不用引用"，但实际上引用规范与其他数据集完全一致。

1.12 阅读本条的路线建议

想知道能不能用：读 §0.2 + §1.9 能做/不能做 + §8 合规；
想跑实验：读 §5 装载与 RL 环境构造 + §7 实践指南；
关心隐私：读 §6 隐私与披露风险；
想了解生成方法：读 §4 结构设计 + §6.6 GAN 细节；
想找数字：读 INFOBOX、§6 实证、§10 存照。

§2 领域概念：合成数据、GAN 与医疗强化学习

2.1 三类数据的谱系

理解 497 的位置，需要先理清医疗数据的三类形态：

类型	定义	例子	可否自由分发
真实可识别数据	含直接/间接标识符的真实记录	院内原始 EHR	❌ 严格禁止
真实去标识化数据	移除标识符的真实记录	MIMIC-III/IV、PIC	⚠️ 受控访问（DUA）
合成数据	由模型生成、不对应真实个体	497	✅ 可自由分发（本数据集设计目标）

497 完全落在第三类。它的"真实"体现在分布层面，而非个体层面。

2.2 合成数据的四种技术路线

路线	原理	优势	局限
统计抽样	拟合各变量的边缘分布后抽样	简单快速	丢失变量间相关性
贝叶斯网络	建模变量间条件依赖	可解释、可注入领域知识	结构学习困难
GAN	对抗训练生成器	能捕捉复杂分布与时序	训练不稳定（WGAN 缓解）
扩散模型	渐进去噪生成	高质量、训练稳定	采样慢、算力需求高

497 采用的是 GAN 路线，具体为 WGAN。这在 2022 年发布时是主流选择；后续 Health Gym 版本（如 V2.5）已引入扩散概率模型，反映了技术演进。

2.3 合成数据的评价框架

学术上有几套成熟的评价框架，497 引用了其中两套：

Goncalves et al. (2020)（BMC Medical Research Methodology）：提出"生成与评价合成患者数据"的系统方法，涵盖保真度与效用两类指标；
El Emam et al. (2020)（JMIR）：提出身份披露风险评估的模型与验证方法，是 497 隐私论证的方法学基础。

这两套框架配合，构成了"效用 + 隐私"的双轴评价体系。

2.4 披露风险的两种攻击模型

El Emam 框架的核心是把隐私风险建模为攻击者的成功概率，包含两类攻击：

攻击类型	攻击者行为	含义
population-to-sample（人群到样本）	攻击者掌握一个人群数据库，试图判断某人是否在目标数据集中	判断"某人是否被收录"
sample-to-population（样本到人群）	攻击者拿到数据集中的一条记录，试图在人群中定位对应个体	判断"这条记录属于谁"

在无法预知攻击者会采用哪种策略时，总体风险取两者中的最大值——这是保守（安全优先）的做法。

497 报告的合成数据风险是 0.044% / 0.045%（两种攻击），真实数据是 0.057% / 0.057%。关键结论是：合成数据的风险低于真实数据——这乍看反直觉（合成数据不该更安全吗？），但合理解释是：真实数据的风险包含了"记录真实存在、可被匹配"的固有风险，而合成记录不对应任何真实个体，因此即便被"匹配"，也不会泄露真实信息。

2.5 隐私阈值：9% 与 5% 的由来

监管与学术给出的可接受阈值：

来源	阈值	说明
European Medicines Agency (2014)	9%	临床数据公开政策中的可接受披露风险上限
Health Canada (2014)	9%	临床信息公开指南中的同口径阈值
El Emam et al. (2020)	5%	学术界使用的更保守阈值

497 的 0.045%（最坏情形 0.796%）比最严格的 5% 阈值还低一个数量级以上。这是它能被"自由分发"的合规依据。

2.6 欧几里得距离检验：最简单也最必要的验证

497 的第一步隐私验证极其朴素但关键：

确保真实数据集中任意记录与合成数据集中任意记录之间的欧几里得距离大于零。

这条检验的目的是排除数据复制——如果生成器直接"抄"了真实记录，那么某对记录的欧几里得距离会等于 0（即完全相同）。497 报告：

急性低血压数据集：合成与真实记录的最小欧几里得距离 = 49.06；
脓毒症数据集：任意记录对之间的最小欧几里得距离 = 328.78。

两个数字都远大于 0，说明没有复制发生。这是一个必要但非充分的验证——距离大于零排除了直接复制，但更隐蔽的"近似泄露"仍需 El Emam 框架来评估。

2.7 强化学习的核心概念

既然 497 为 RL 设计，理解以下概念是使用它的前提：

概念	含义	在 497 中的对应
状态（state）	当前环境的信息	生命体征、实验室值、人口学
动作（action）	智能体可做的决策	补液推注、血管升压药
奖励（reward）	决策好坏的即时反馈	需使用者定义（如生存、SOFA 变化）
策略（policy）	从状态到动作的映射	待学习的对象
轨迹（trajectory）	状态-动作-奖励序列	每名合成患者的 48 小时/20 点记录
离线 RL	只能从历史数据学习，不能在线试错	正是本数据集的应用场景

为什么医疗 RL 必须是"离线"的？ 因为不能让一个未验证的策略在真实患者身上在线试错——这是不可接受的伦理风险。因此医疗 RL 只能从已有的历史轨迹中学习。这也解释了为什么 497 的数据形态是"轨迹"而非"快照"。

2.8 动作空间的建模选择

497 把 fluid boluses 与 vasopressors 定义为动作空间，这个选择有明确的临床依据：

两者都是急性低血压与脓毒症休克的一线干预；
两者都是离散可选的（给了多少、用了多大剂量），适合建模为离散动作；
两者都是医生主动施加的（而非患者生理状态），符合"动作"的定义。

但这也有隐含假设：在观察性数据中，干预与混杂不可分。医生给某患者补液，可能是因为该患者病情更重——".病情重"既是"被干预"的原因，也是"结局差"的原因。这种混杂会使单纯的模仿学习学到"补液导致死亡"这样的荒谬策略。这正是要引入 off-policy evaluation（如 Gottesman et al. 2020 的方法）的原因——低血压队列标准直接来自那篇论文。

2.9 命名速查表

缩写/术语	全称	含义
GAN	Generative Adversarial Network	生成对抗网络
WGAN	Wasserstein GAN	用 Wasserstein 距离的改进 GAN
biLSTM	bidirectional Long Short-Term Memory	双向长短期记忆网络
RL	Reinforcement Learning	强化学习
Offline RL	—	离线强化学习（只从固定数据集学习）
OPE	Off-Policy Evaluation	离线策略评估
MAP	Mean Arterial Pressure	平均动脉压
GCS	Glasgow Coma Scale	格拉斯哥昏迷评分
ICU	Intensive Care Unit	重症监护病房
DUA	Data Use Agreement	数据使用协议
EMA	European Medicines Agency	欧洲药品管理局
BUN	Blood Urea Nitrogen	血尿素氮
INR	International Normalised Ratio	国际标准化比值
PTT / PT	Partial Thromboplastin Time / Prothrombin Time	部分凝血活酶时间 / 凝血酶原时间

2.10 一个必须澄清的常见误解

误解：「既然是合成数据，那它跟真实数据的统计特性就不同，用它的结论没有意义。」

澄清：这句话混淆了两个层面。

个体层面：合成记录确实不对应任何真实患者——这是设计目的，也是它的隐私保障；
分布层面：合成数据的构造目标恰恰是复原真实数据的分布——变量边缘分布、变量间相关性、时间趋势。

因此：

如果你要问"这个患者的病情会怎样"——合成数据无法回答（它不认识这个患者）；
如果你要问"某算法在这种分布的数据上表现如何"——合成数据可以回答（分布是逼真的）。

这就是"合成数据用于算法开发"的合理性基础。它不能替代真实数据做临床结论，但能替代真实数据做方法与算法的比较。而后者恰恰是可复现性的关键。

2.11 数据体积与算力友好性

最后一点值得强调：37.9 MB 的体积极其罕见地友好。

作为对比：

MIMIC-IV 完整版是数百 GB 量级；
即使 MIMIC-III demo 也有几十 MB 但只是子集；
497 的 37.9 MB 意味着：可以在笔记本上秒级加载、可以在 notebook 里完整跑完、可以在 CI 里作为测试数据。

对教学、原型、CI 测试而言，这个体积优势是实打实的。

§3 数据规格与获取：从 PhysioNet 到可训练的 RL 环境

3.1 官方提供的文件清单

文件	内容	大小
急性低血压数据集	CSV	21.7 MB
脓毒症数据集	CSV	16.2 MB
补充 PDF	项目内容的 PDF 版本	未明

官方页面未说明文件总数的精确数字与 PDF 的具体文件名（存照 C）。实际下载后你会看到两个 CSV 与一个 PDF。

3.2 急性低血压：22 列的完整规格

变量	类型	单位	说明
MAP	numeric	mmHg	平均动脉压
Diastolic BP	numeric	mmHg	舒张压
Systolic BP	numeric	mmHg	收缩压
Urine	numeric	mL	尿量
ALT	numeric	IU/L	谷丙转氨酶
AST	numeric	IU/L	谷草转氨酶
PaO2	numeric	mmHg	动脉血氧分压
Lactate	numeric	mmol/L	乳酸
Serum Creatinine	numeric	mg/dL	血清肌酐
Fluid Boluses	categorical	mL	补液推注（动作）
Vasopressors	categorical	mcg/kg/min	血管升压药（动作）
FiO2	categorical	fraction	吸入氧浓度
GCS	binary	—	格拉斯哥昏迷评分
Urine (M)	binary	—	尿量是否测量
ALT/AST (M)	binary	—	肝酶是否测量
FiO2 (M)	binary	—	FiO2 是否测量
GCS (M)	binary	—	GCS 是否测量
PaO2 (M)	binary	—	PaO2 是否测量
Lactic Acid (M)	binary	—	乳酸是否测量
Serum Creatinine (M)	binary	—	肌酐是否测量

（另加 2 列 ID 与时间点标识，合计 22 列。）

7 个 (M) 后缀变量的设计很聪明：在真实 EHR 中，一个检验值缺失可能有两种含义——“没测"或"测了但没记录”。这两者在临床上不同。497 用显式的"是否测量"标志把这一信息编码进去，使 RL 智能体能够区分"数值为 0"与"没有数值"。这是合成数据设计上的一处细节，反映了对真实临床数据的深入理解。

3.3 脓毒症：44 变量的完整规格

数值型（35 个）：

类别	变量
人口学	Age
生命体征	HR、Systolic BP、Mean BP、Diastolic BP、RR
电解质	K+、Na+、Cl-、Ca++、Ionised Ca++、Mg++
血气	pH、BE、HCO3、PaO2、PaCO2、FiO2
生化	Glucose、BUN、Creatinine、Albumin、Lactate、Total Bili、SGOT、SGPT
血液	Hb、WBC、Platelets
出入量	Input Total、Input 4H、Output Total、Output 4H
用药	Max Vaso（最大升压药剂量）

非数值型（9 个）：

变量	类型	说明
Gender	binary	0=男，1=女
Readmission	binary	是否再入院
Mechanical Ventilation (Mech)	binary	机械通气
GCS	categorical	格拉斯哥昏迷评分
SpO2	categorical	血氧饱和度（十分位化）
Temperature	categorical	体温（十分位化）
PTT	categorical	部分凝血活酶时间（十分位化）
PT	categorical	凝血酶原时间（十分位化）
INR	categorical	国际标准化比值（十分位化）

（另加 2 列 ID 与时间点标识，合计 46 列。）

3.4 十分位化的代价

SpO2、Temp、PTT、PT、INR 五个变量被划分为十分位——这是"为简化生成过程"的有意失真。

代价是什么？

原始值是连续的（如 SpO2 = 97.3%），十分位化后只剩下"第 8 档"这样的粗粒度信息；
对于阈值敏感的临床任务（如"SpO2 < 90% 判定低氧"），十分位化可能恰好把阈值附近的样本归并到同一档，导致信息损失；
对于RL 状态表示，粗粒度会降低策略的精细度。

为什么可以接受？

十分位保留了排序与大致分布形状，对多数算法已足够；
简化生成过程能显著提升 GAN 训练稳定性；
这是一个明确的保真度与可训练性的权衡，且是公开声明的（不隐瞒）。

使用者若对这些变量敏感，需自行评估影响，或回到 MIMIC-III 取原始值（但那就失去了"可自由分发"的优势）。

3.5 两个数据集的时间结构差异（关键陷阱）

数据集	时间粒度	每患者行数	总跨度
急性低血压	1 小时	48	48 小时
脓毒症	4 小时	20	80 小时

这个差异意味着：

不能简单拼接：两者的状态向量维度（20 vs 44）、时间粒度（1h vs 4h）都不同；
不能直接迁移策略：在小时级数据上训练的 RL 策略，迁移到 4 小时级需要重新定义时间折扣；
研究设计要分开：如果你的研究涉及两者，必须分别报告，或显式做重采样对齐。

官方未提供统一时间粒度的版本，这是 497 使用中的一个实际约束（存照 F）。

3.6 访问与许可

项	值
首发许可	PhysioNet Credentialed Health Data License 1.5.0
数据性质	合成数据，设计目的为可自由分发
实际获取	通过 PhysioNet 页面下载
伦理声明	作者声明无伦理问题
COI	无

这里有一个需要说清的双重性（存照 I）：官方页面一方面说明"将在 Credentialed License 下首发"，另一方面强调"数据是合成的，可自由分发以绕过 DUA 限制"。这个表述在当时反映了项目的谨慎——先在受控框架下发布，再逐步开放；但可能给使用者造成困惑。

实用建议：以 PhysioNet 页面的实际下载条款为准。下载时若需要登录/接受条款，就遵守；下载后数据本身的再分发，参考官方对合成数据"可自由分发"的定位，但应注明来源与引用要求。

3.7 引用要求（三层）

层级	引用对象
数据本身	Kuo N, Finfer S, Jorm L, Barbieri S. Synthetic Acute Hypotension and Sepsis Datasets…(version 1.0.0). PhysioNet. 2022. DOI 10.13026/p0tv-0r98
项目论文	Kuo NI-H, Polizzotto MN, Finfer S, et al. The Health Gym. Sci Data. 2022;9(1):693. DOI 10.1038/s41597-022-01784-7
平台	Pollard T, et al. PhysioNet as a global platform for biomedical research. Nature Health. 2026. DOI 10.1038/s44360-026-00096-z

此外，若使用了队列定义，建议加引 Komorowski et al. 2018（脓毒症）与 Gottesman et al. 2020（低血压）——它们是队列标准的方法论来源。

3.8 版本锚定

锚点	值
数据集版本	v1.0.0
数据集 DOI	10.13026/p0tv-0r98
上游数据库	MIMIC-III Clinical Database
生成代码	github.com/NicKuo-ResearchStuff/Health_Gym_AI
关联论文	Sci Data 9:693 (2022)

注意 Health Gym 项目本身仍在演进（已有 V2.5 等版本），若引用"Health Gym"这一名称，需说明具体版本，避免与后续版本混淆。

3.9 数据对账清单

下载后逐项确认：

[ ] 两个 CSV 文件存在，大小分别约 21.7 MB 与 16.2 MB；
[ ] 低血压数据集：3,910 名唯一患者 ID × 48 行 = 187,680 行；
[ ] 脓毒症数据集：2,164 名唯一患者 ID × 20 行 = 43,280 行；
[ ] 低血压数据集的变量列数为 20（+2 列 ID/时间）；
[ ] 脓毒症数据集的变量列数为 44（+2 列 ID/时间）；
[ ] 7 个 (M) 后缀二值变量存在（低血压集）；
[ ] SpO2/Temp/PTT/PT/INR 呈离散分档（脓毒症集）；
[ ] 补充 PDF 可读。

3.10 与本系列其他数据集的对账关系

对照项	497	MIMIC-III（490/491）
数据真实性	合成	真实（去标识化）
患者数	6,074 合成	数万真实
体积	37.9 MB	GB 级
获取门槛	低（可自由分发）	高（CITI + DUA）
可复现性	高（公共基准）	低（受控）
变量范围	2 个队列的精选变量集	全库全表
时间覆盖	48h / 80h 窗口	全程记录
适用任务	RL 训练/评测	广泛（含监督学习）

这张表是理解 497 定位的最佳方式：它用范围换取了开放性。

3.11 DAIMS 评估：6.3 / 8

维度	评分	依据
文档完备性	0.8	官方页面给足变量表、风险数字、生成方法；但作者机构、资金、文件清单缺失
机器可读性	1.0	CSV 格式，开箱即用，无需解析；这是本数据集最强项
标签质量透明度	0.6	无人工标注（合成数据），但有生成的评价说明；风险计算方法公开
可访问性	1.0	可自由分发，无 DUA 门槛，下载即用
许可清晰度	0.5	双重表述（Credentialed 首发 vs 可自由分发），易混淆
格式标准化	1.0	标准 CSV，列名清晰，无需转换
评测协议完备性	0.6	提供数据与 RL 任务定位，但未给出官方划分与基线指标
生态可持续性	0.8	Health Gym 项目持续演进 + GitHub 仓库 + 同行评议论文
合计	6.3 / 8	可访问性与机器可读性是标杆；许可表述与评测协议是短板

对比 496（6.4/8）：两者分数接近但结构完全不同。496 强在透明度与协议、弱在可访问性与格式；497 强在可访问性与格式、弱在评测协议。这是"受控标注语料"与"开放合成数据"两种形态的必然差异。

3.12 元数据速查

字段	值
Title	Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III…
Version	1.0.0
Published	2022-02-23
DOI	10.13026/p0tv-0r98
RRID	SCR_007345
License	PhysioNet Credentialed Health Data License 1.5.0（首发）
Authors	Nicholas Kuo; Simon Finfer; Louisa Jorm; Sebastiano Barbieri
Code	github.com/NicKuo-ResearchStuff/Health_Gym_AI

§4 数据结构与生成设计

4.1 数据形态：长表（long format）

两个 CSV 都是长表结构——每行是"一个患者的一个时间点"，而非"一行一个患者"。这是时序数据的标准组织方式：

patient_id, timepoint, MAP, Systolic BP, Diastolic BP, ... , Vasopressors
P001,        0,        65,   90,          55,          ... , 0.0
P001,        1,        68,   95,          58,          ... , 0.0
...

长表的优势：

直接适配序列模型：RL 的轨迹天然是序列；
无需宽化：患者间时长不同时也能统一存储；
便于分组聚合：按 patient_id 分组即可还原轨迹。

4.2 状态表示的建议

把 CSV → RL 环境，需要构造状态向量。建议：

步骤	操作
1	按 patient_id 分组，按时间点排序，得到轨迹
2	选取状态变量（所有非动作变量）
3	对数值变量做标准化（z-score 或 min-max）
4	对分类/二值变量做 one-hot 或 embedding
5	处理缺失（注意 (M) 标志的语义）
6	拼接为固定维度的状态向量

4.3 动作空间的构造

数据集	动作变量	建议离散化
急性低血压	Fluid Boluses	按剂量分档（如 0 / 小 / 中 / 大）
急性低血压	Vasopressors	按剂量分档
脓毒症	Max Vaso	按剂量分档
脓毒症	Input 4H	可作为干预量或状态量（视研究设计）

关键设计问题：动作空间是"一维联合"还是"多维组合"？若把补液与升压药视为两个独立维度，动作空间大小 = |A1| × |A2|；若视为联合决策，则需定义联合动作集合。这个选择直接影响 RL 算法的可扩展性。

4.4 奖励函数：官方未定义的部分

497 不提供奖励信号——这是它需要使用者自行设计的部分。常见的奖励设计：

奖励方案	定义	优点	缺点
生存奖励	存活 +1，死亡 −1	简单直观	稀疏，难学
SOFA 变化	器官功能改善为正	稠密，与病情相关	需计算 SOFA
乳酸清除	乳酸下降为正	反映灌注改善	只反映一个维度
综合评分	多指标加权	全面	权重主观

这与 Komorowski et al. 2018 的做法一致（后者使用了基于终末状态的稀疏奖励）。奖励设计是医疗 RL 中最主观、也最影响结果的部分，497 把它留给使用者，既是灵活性也是负担。

4.5 生成管线（Wasserstein GAN）

从论文描述可还原生成管线：

┌─────────────────────────────────────────────┐
│ 1. 数据准备                                  │
│    MIMIC-III → 按已发表标准筛队列             │
│    （脓毒症：Komorowski 2018；低血压：Gottesman 2020）│
│    → 提取变量 → 时间窗口切分 → 预处理            │
└──────────────────┬──────────────────────────┘
                   ▼
┌─────────────────────────────────────────────┐
│ 2. Wasserstein GAN 对抗训练                   │
│    生成器：随机噪声 → biLSTM → 3×稠密层 → 合成轨迹 │
│    判别器：嵌入非数值 → 2×稠密 → biLSTM → 1×稠密  │
│              → 真假判别                        │
│    交替优化，用 Wasserstein 距离作为损失         │
└──────────────────┬──────────────────────────┘
                   ▼
┌─────────────────────────────────────────────┐
│ 3. 评价                                       │
│    · 保真度：分布、相关性、时间趋势对齐真实数据     │
│    · 隐私：欧氏距离 > 0 + El Emam 披露风险计算    │
│    · 效用：下游任务可用性                       │
└──────────────────┬──────────────────────────┘
                   ▼
┌─────────────────────────────────────────────┐
│ 4. 匿名化后处理                                │
│    数值变量十分位化（部分变量）→ 降低再识别风险      │
│    → 最终 CSV 发布                            │
└─────────────────────────────────────────────┘

4.6 生成器与判别器的结构细节

网络	层次	作用
生成器	输入：随机噪声	起始点
	biLSTM 层	建模序列依赖，生成时序连贯的轨迹
	3 个全连接稠密层	逐步映射到输出维度，生成各变量值
	输出：合成轨迹	与真实数据同维度
判别器	嵌入层（非数值）	把分类/二值变量转为连续表征
	2 个全连接层	特征变换
	biLSTM 层	建模序列，判断"临床合理性"
	1 个全连接层	输出真假判别分数

为什么判别器也要 biLSTM？ 因为判断一段数据"像不像真实患者"需要评估其时间连贯性——单点看起来合理但序列逻辑混乱的轨迹，应被判为假。这是时序 GAN 区别于静态表格 GAN 的关键设计。

4.7 保真度的三层验证

论文声称合成数据"镜像"真实数据的三个方面：

变量分布：每个变量的边缘分布应接近（如 MAP 的均值、方差、偏度）；
变量间相关性：如 Systolic BP 与 MAP 应强相关（解剖学约束）；
时间趋势：如脓毒症患者的乳酸应随时间下降（治疗反应）。

第 3 层是最难的——它要求生成器理解"临床轨迹的因果逻辑"，而非只是拟合静态分布。biLSTM 结构正是为此服务。

4.8 从合成数据到可复现基准

497 的真正价值在于它闭合了可复现性链条：

论文发表算法 → 数据集公开 → 读者下载 → 复现实验 → 公平比较
     （过去断在这里 ↑）

在 497 之前，读者从"论文发表"到"下载数据"这一步就被挡住了（DUA 无法获得或需要数周）。有了 497：

任何人在任何地方都可以立即下载；
结果是可比较的（同一份数据、同一批患者、同样的列）；
基准可以累积（后来的论文可以持续在同一数据集上改进）。

这是"公共基准"的标准形态，而 497 是医疗 RL 领域少数达成此标准的资源。

4.9 血缘关系图

MIMIC-III Clinical Database（Beth Israel Deaconess Medical Center, 2001-2012）
        │
        ├── 脓毒症队列（Komorowski et al. 2018 标准）
        │        └─→ 真实脓毒症数据集：23,882 条记录
        │                └─→ WGAN 训练 → 合成 2,164 患者 / 43,280 记录
        │
        └── 急性低血压队列（Gottesman et al. 2020 标准）
                 └─→ WGAN 训练 → 合成 3,910 患者 / 187,680 记录

上游"人群"参照：整个 MIMIC-III 有 248,930 条记录（用于披露风险计算的 population）

注意图中 248,930 与 23,882 这两个数字的来源：它们只用于隐私风险计算，分别代表"人群中可被攻击者掌握的总记录数"与"样本（真实数据集）的记录数"。它们不对应合成数据的规模。

4.10 与 492 的结构对照

维度	492 MIMIC-IV	497 Health Gym
数据性质	真实	合成
组织方式	关系型多表（数十张）	两张宽表 CSV
粒度	事件级/日级/ICU stay 级	小时级/4 小时级
规模	数十万住院	6,074 合成患者
获取	Credentialed + 完整 DUA	可自由分发
用途	广泛（含监督学习、流行病学）	聚焦 RL
变量覆盖	全库	精选（20 / 44）

两者的关系不是替代，而是互补：497 用于算法快速迭代与公开比较，492 用于最终验证与真实世界结论。理想的研究流程是"先在 497 上开发和比较，再到 492/真实数据上验证"。

4.11 数据质量的自查要点

使用前建议检查：

[ ] 每个 patient_id 的行数与时间结构一致（低血压 48、脓毒症 20）；
[ ] 数值变量的取值范围是否合理（如 MAP 不会为负、GCS 在 3-15）；
[ ] 变量间相关性是否合理（如 Systolic ≥ Diastolic）；
[ ] 时间趋势是否具有临床合理性（如乳酸总体下降趋势）；
[ ] (M) 标志与对应变量是否逻辑一致（M=0 时变量应有特定占位值）。

第 2、3 条是发现合成数据缺陷的最直接手段——如果合成数据里出现 Systolic < Diastolic 这样的解剖学不可能值，说明生成质量有问题。

§5 装载、环境构造与评测协议

5.1 最小装载路径

import pandas as pd

# 急性低血压
hypo = pd.read_csv('acute_hypotension.csv')
print(hypo.shape)                    # (187680, 22)
print(hypo['patient_id'].nunique())  # 3910

# 脓毒症
sepsis = pd.read_csv('sepsis.csv')
print(sepsis.shape)                  # (43280, 46)
print(sepsis['patient_id'].nunique())# 2164

# 还原一条轨迹
traj = hypo[hypo['patient_id'] == hypo['patient_id'].iloc[0]].sort_values('timepoint')
print(traj.shape)                    # (48, 22)

（列名以实际文件为准，官方页面使用的是变量显示名。）

5.2 构造 Gym 风格环境

把 CSV 包装成 RL 环境的基本骨架：

import numpy as np, pandas as pd

class ICUSyntheticEnv:
    def __init__(self, df, state_cols, action_cols, reward_fn):
        self.trajs = {pid: g.sort_values('timepoint').reset_index(drop=True)
                      for pid, g in df.groupby('patient_id')}
        self.state_cols = state_cols
        self.action_cols = action_cols
        self.reward_fn = reward_fn
        self.pids = list(self.trajs.keys())

    def reset(self, pid=None):
        self.pid = pid or np.random.choice(self.pids)
        self.t = 0
        return self._state()

    def _state(self):
        row = self.trajs[self.pid].iloc[self.t]
        return row[self.state_cols].values.astype(float)

    def step(self, action):
        # 注意：在离线数据中"执行动作"不改变真实轨迹；
        # 此处仅推进时间步并返回记录的下一状态（用于模仿/OPE 场景）
        self.t += 1
        done = self.t >= len(self.trajs[self.pid])
        reward = self.reward_fn(self.trajs[self.pid], self.t)
        nxt = None if done else self._state()
        return nxt, reward, done, {}

一个必须理解的关键点：由于这是离线数据，动作不会真正改变环境状态——你不能"探索"。真实使用方式有两种：

模仿学习 / 行为克隆：学习医生的实际动作（数据中已有）；
离线策略评估（OPE）：用历史数据评估一个新策略的价值，需要重要性采样、双重稳健估计等方法。

如果你把这个环境当真环境去做在线 RL，得到的结果毫无意义——这是使用 497 最常见的概念性错误。

5.3 离线 RL 的三种主流方法

方法	代表算法	核心思想
行为克隆	BC	直接监督学习"状态→动作"
价值估计	Fitted Q、CQL、BCQ	学习 Q 函数，避免外推误差
策略约束	BCQ、TD3+BC	让新策略接近行为策略，避免分布外动作

外推误差（extrapolation error） 是离线 RL 的核心难题：当新策略选择了一个数据中从未出现过的动作时，Q 函数的估计不可信，优化过程会利用这个错误的高估值，导致学出荒谬策略。CQL/BCQ 等方法正是为缓解此问题而设计。

5.4 评测协议：官方未提供，需要自建

这是一个必须诚实说明的短板：497 未提供官方训练/测试划分，也未提供基线算法与指标。

因此，使用 497 做研究时，你必须自己定义并公开评测协议：

患者级划分：训练/验证/测试按 patient_id 分割（避免同一患者的轨迹跨集）；
评估指标：如策略价值（用 OPE 估计）、与医生策略的一致性、模拟环境中的累积奖励（若有模拟器）；
基线：至少包含"医生策略"与"随机策略"两条对照。

这既是负担，也是机会——谁先建立被广泛采用的评测协议，谁就定义了基准。

5.5 建议的评测协议模板

数据划分（患者级，推荐 7:1:2）
├── Train: 70% 合成患者
├── Val:   10% 合成患者（用于超参选择）
└── Test:  20% 合成患者（仅用于最终报告）

评估指标
├── 主指标：OPE 估计的策略价值（如 WIS / DR 估计量）
├── 辅指标：与医生策略的动作一致率
└── 安全指标：动作分布与医生分布的 KL 散度（防止策略过激进）

基线
├── 医生策略（数据中的实际动作）
├── 零干预策略（不动）
└── 随机策略

第 3 条"安全指标"在医疗 RL 中尤其重要：一个策略如果在合成数据上"价值很高"但动作激进到医生从未见过，那多半是外推误差的产物，而非真本事。

5.6 保真度验证的实操

若你要验证 497 的保真度（或对比其他合成方法），建议做这三层检验：

层	方法	指标
边缘分布	逐变量比较合成 vs 真实	KS 统计量、Wasserstein 距离
相关性	计算相关矩阵差异	Frobenius 范数、最大偏差
时间趋势	比较变量随时间的均值轨迹	曲线距离

注意：你无法直接在 497 上做这件事——因为真实数据（MIMIC-III）需要单独申请。这正是 497 的一个固有局限：验证它需要访问它试图替代的数据。论文作者能访问，普通使用者通常不能。因此多数人只能信任论文的保真度声明。

5.7 与 MIMIC-III 的交叉使用

若你同时拥有 MIMIC-III 访问资格，可以做更有价值的研究：

合成 vs 真实的算法性能对比：同一算法在两个数据上训练/评测，量化"合成数据能否替代真实数据"；
混合训练：合成 + 真实联合训练，检验合成数据能否作为数据增强；
隐私-效用曲线：调节合成数据的隐私参数，观察效用变化。

这类研究是合成数据领域最需要的实证。

5.8 常见错误黑名单

❌ 把 497 当成真实数据做流行病学统计；
❌ 在 497 上做在线 RL 探索（数据不支持）；
❌ 用同一患者的不同时间点跨越训练/测试集（患者级泄漏）；
❌ 不做标准化直接用原始值训练（数值尺度差异大）；
❌ 忽略 (M) 标志，把"未测量"当作 0；
❌ 把两个数据集拼起来（时间粒度与变量数都不同）；
❌ 报告结果时不说明奖励函数设计（导致不可比较）。

5.9 与 492、496 的联合研究设计

联合方式	研究问题
497 + 无	纯合成数据上的 RL 算法开发与公开比较
497 → 492	"合成预训练 + 真实微调"能否提升真实数据上的表现
497 + 496	不适用（496 是文本抽取，497 无数值文本）
497 + Komorowski 2018 环境	用 497 复现/挑战 AI Clinician 的结论

最后一条尤其有价值：Komorowski et al. 2018 的 AI Clinician 是医疗 RL 的里程碑，但其代码与数据的可复现性一直受质疑。用 497 做一个完全开放的复现，本身就是一项有价值的工作。

5.10 部署形态与现实边界

场景	是否可行
算法教学	✅ 极适合
论文基准比较	✅ 正是设计目的
新算法原型验证	✅
临床决策支持	❌ 严禁
真实队列研究	❌ 不可
监管提交证据	❌ 不可

这条边界必须刻在脑子里：497 是方法学的试验场，不是临床证据的来源。

5.11 未来扩展方向

基于 497 与 Health Gym 项目后续演进，可预期的扩展：

更多队列（除低血压、脓毒症、HIV 外）；
更高保真度（扩散模型替代 GAN）；
更细的时间粒度；
更完整的变量覆盖；
配套的评测排行榜。

这些扩展会使 Health Gym 更接近"医疗 RL 的标准基准"这一目标。

§6 实证基座：合成数据的数字与它们意味着什么

6.1 两个数据集的规模全景

指标	急性低血压	脓毒症
合成患者	3,910	2,164
每患者记录数	48（小时级）	20（4 小时窗口）
总记录数	187,680	43,280
变量数（含 2 列 ID/时间）	22	46
变量数（纯变量）	20	44
文件大小	21.7 MB	16.2 MB
患者平均记录时长	48 小时	80 小时
数值/分类/二值构成	9 / 4 / 7	35 / 6 / 3

合计：6,074 名合成患者、231,560 条记录、37.9 MB。

6.2 为什么低血压数据集患者更多、脓毒症变量更多

这组数字的差异反映了两个队列的真实差别：

	低血压	脓毒症
队列入选标准	Gottesman 2020（关注低血压事件）	Komorowski 2018（脓毒症诊断）
临床常见度	低血压在 ICU 极常见	脓毒症相对少
监测变量	以血流动力学为主（血压为核心 3 变量）	需覆盖多器官（血气、肝肾、凝血）
结果	患者多（3,910）、变量少（20）	患者少（2,164）、变量多（44）

这实际上体现了合成数据的一个优点：它能忠实反映原队列的规模与结构。如果 GAN 训练失败（如模式崩溃），我们看到的可能是两个数据集规模相近的结果——它们明显不同，说明生成器捕捉到了队列差异。

6.3 记录数的算术自洽性

两套数据的记录数都能被"患者数 × 每患者行数"整除：

3,910 × 48 = 187,680 ✓
2,164 × 20 = 43,280 ✓

这意味着每个合成患者都有完整的时间序列，没有截断或缺失行。这是合成数据相对真实数据的一个结构性优势：真实 EHR 中患者的监测时长参差不齐，而合成数据可以保证整齐。但这也意味着它失去了真实数据中的"时长异质性"——所有低血压合成患者都恰好 48 小时，这在真实世界不会发生。这是一个保真度的微妙损失，值得使用者知晓。

6.4 披露风险的完整解读

指标	合成数据	真实数据
Population-to-sample 风险	0.044%	0.057%
Sample-to-population 风险	0.045%	0.057%
总体最大风险	0.045%	0.057%

（本表为脓毒症数据集；官方表 2 标题即为"脓毒症数据集的身份泄露风险"。）

几个观察：

合成风险低于真实风险——这不是说合成数据"更安全所以风险必然低"这么简单。真实数据的 0.057% 包含了"这些记录真实存在、确实对应某个人"的固有属性；而合成记录不对应真实个体，因此即使攻击者"匹配"上了，也不会获得真实个体的信息。合成数据的 0.045% 更接近于"通过合成数据间接推断出某真实个体的风险"。
两/种攻击的风险几乎相等（0.044% vs 0.045%）——差异仅为万分之一个百分点，说明两种攻击路径在这个数据上难度相当。
绝对量级极小——0.045% 意味着每 10 万次攻击尝试约成功 45 次。相对于 9% 的监管阈值，低三个数量级。

6.5 最坏情况：0.796% 的含义

官方还报告了一个更严格的场景：

攻击者同时掌握整个 MIMIC-III 数据库（248,930 条记录）与患者的队列选择标准时，新的样本到人群风险为 0.796%。

这个场景的现实性在于：队列选择标准是公开的（Komorowski 2018 是发表的论文），MIMIC-III 是可申请获取的。所以一个有动机、有资源的攻击者确实可能同时具备这两个条件。

结果解读：

0.796% 比基线 0.045% 高了约 17.7 倍——说明"掌握选择标准"确实显著提升了攻击能力；
但 0.796% 仍远低于 9% 的监管阈值（差 11 倍），也低于 El Emam 的 5% 阈值；
官方同时说明：当攻击者已掌握数据库与选择标准时，讨论 population-to-sample 风险已无意义（因为攻击者已具备识别脆弱患者的全部信息），因此只报 sample-to-population。

这个透明度值得赞赏：它没有只报最漂亮的数字，而是把最坏情况也摆出来，让使用者自己判断。

6.6 欧几里得距离检验的两个数字

数据集	最小欧几里得距离	含义
急性低血压	49.06（合成 vs 真实）	无任何合成记录与真实记录完全相同
脓毒症	328.78（任意记录对之间）	更大的间隔，说明生成更"分散"

这两个数字的差异本身也是信息：

低血压数据集的 49.06 较小（但仍远大于 0），说明其合成记录与真实记录的"最近邻"距离较短——生成分布更贴近真实分布；
脓毒症数据集的 328.78 较大，说明其合成记录之间更为分散——可能与它变量维度更高（44 vs 20）有关（高维空间距离天然更大）。

需要注意：欧几里得距离在混合类型数据上并非理想度量（需要先做编码归一化），因此这个数字更多是一个"排除了直接复制"的必要性验证，而非"保真度"的度量。

6.7 阈值体系与安全边际

阈值来源	值	497 的安全边际
EMA (2014)	9%	风险是其 1/200（0.045% vs 9%）
Health Canada (2014)	9%	同上
El Emam et al. (2020)	5%	风险是其 1/111
最坏情形 vs EMA	—	0.796% 是其 1/11.3

即便在最坏情形下，497 仍保有十倍以上的安全边际。这个余量是"可自由分发"这一结论的量化支撑。

6.8 与 Komorowski 2018 的关系

脓毒症队列直接沿用 Komorowski et al. 2018（Nature Medicine）的纳排标准，这带来两层含义：

正面：

该标准是学界公认的脓毒症队列定义，用它保证了可比性；
该论文的 AI Clinician 是医疗 RL 的标杆工作，用同一队列意味着结果可直接对照。

需要警惕：

Komorowski 2018 的结论本身存在争议（后续有多篇论文质疑其 OPE 方法的可靠性，认为其报告的"AI 策略优于医生"可能是估计偏差的产物）；
497 继承了该队列的选择偏差——如果原队列的筛选有偏，合成数据也会继承这个偏。

结论：497 提供的是"与 AI Clinician 可比的数据"，而不是"无偏的真相"。用它做研究时，应了解其上游方法论的争议。

6.9 与 Gottesman 2020 的关系

低血压队列沿用 Gottesman et al. 2020（ICML，“Interpretable Off-Policy Evaluation in RL by Highlighting Influential Transitions”）。

这篇论文的贡献是改进 OPE 的可靠性——通过识别"有影响力的转移"来诊断 OPE 估计的偏差。这个方法论选择很有意味：497 的低血压队列是为"可靠评估"而设计的。它不是在追求"更大的队列"，而是在追求"能可靠评估策略的队列"。

这从侧面说明了项目的方法论严谨性：不是为了发数据而发数据，而是围绕"如何可靠地做医疗 RL"这一核心问题来构建资源。

6.10 体量的双重意义

37.9 MB 这个数字有两重含义：

技术意义：

可秒级加载；
可放进 Git 仓库（虽然不推荐）；
可在 CPU 上训练小型模型；
可作为 CI 测试数据。

方法学意义：

它证明"高保真合成数据不必是胖的"——关键信息在分布结构，不在数据量；
相对的，MIMIC-IV 数百 GB 的体积正是"访问门槛"的一部分；
497 用 37.9 MB 达成了"开放"，这是设计上的胜利。

当然，小体积也有代价：它无法覆盖罕见事件。如果某个并发症的发生率是 0.01%，那么 6,074 名合成患者里可能一例都没有，相关研究就做不了。真实大数据的价值在长尾。

6.11 时间粒度的实证影响

数据集	粒度	48/80 小时内的决策点数
急性低血压	1 小时	48 步
脓毒症	4 小时	20 步

对 RL 的直接影响：

决策点数决定轨迹长度：48 步 vs 20 步，前者更长但每步变化更小（小时级血压波动有限），后者更短但每步变化更大；
折扣因子的选择：γ 的合理取值依赖步长；在 4 小时步长下，同样的 γ 意味着更短的"有效视野"；
不可直接迁移：在低血压数据上学到的策略，其时间折扣语义在脓毒症数据上不成立。

这是 497 最重要的一个实操约束——两个数据集应被视为两个独立问题，而非一个问题的两个实例。

6.12 变量设计的临床合理性检查

以脓毒症数据集为例，做一次"临床合理性"抽查：

变量组合	应有的关系	检查意义
Systolic ≥ Diastolic	解剖学必然	若违反说明生成质量差
MAP ≈ (Systolic + 2×Diastolic)/3	血压计算公式	若偏离说明变量间相关性未学到
Lactate 随时间下降	治疗有效的表现	检验时间趋势保真度
Max Vaso 与 Mean BP 负相关	低血压时加药	检验动作-状态关联
Creatinine 与 BUN 正相关	肾功能同步变化	检验相关性保真度

这套检查是使用者的自查工具：你不需要访问 MIMIC-III 就能做前两条（纯数学校验），这为"验证合成数据质量"提供了不依赖上游数据的路径。

6.13 静态 vs 活跃

维度	状态
497 数据集本体	静态（v1.0.0，2022 年后未更新）
Health Gym 项目	活跃（后续版本 V2.5 等）

这意味着：

引用 v1.0.0 的结果永远可复现（静态是优点）；
但要关注项目动态，后续版本可能提供更好的数据；
若研究"合成数据方法学"，应同时考察项目的最新进展。

6.14 家族治理：合成数据生态位

数据形态	代表	生态位
原始真实库	MIMIC-III/IV、PIC	地基
真实库上的自动标签	493	派生层
真实库上的人工标注	494、496	派生层
合成数据	497	再生成层
派生-再生成（如合成+标签）	较少见	待开拓

497 在生态中的位置很特殊：它不与任何真实数据竞争，而是开辟了一个新物种。未来一个有意思的方向是"合成数据 + 人工标注"，即生成后标注——但会面临"标注合成数据是否等于标注真实数据"的效度问题。

6.15 口径诊断树

当你发现数字与官方不符时：

数字不符？
├─ 患者数不对？
│   └─ 是否把"记录数"当成了"患者数"？→ 187,680 是行数不是人数
├─ 行数不对？
│   ├─ 是否漏读了部分行？→ 检查分隔符与引号转义
│   └─ 是否把两个 CSV 合并了？→ 分开统计
├─ 变量数不对？
│   └─ 是否把 ID/时间列算进了变量？→ 官方 22/46 含 2 列元数据
└─ 记录数不能被整除？
    └─ 数据损坏或下载不完整 → 重新下载

6.16 八个坑点

坑点 1：把合成数据当真实数据。 这是最根本的错误。497 的任何统计结果都不能推广到真实患者群体。

坑点 2：混合两个数据集。 时间粒度（1h vs 4h）与变量数（20 vs 44）都不同，不可直接拼接。

坑点 3：忽略 (M) 测量标志。 低血压数据集的 7 个 (M) 变量编码了"是否测量"，忽略它们会把"未测"当作"正常值"。

坑点 4：忽略十分位化。 脓毒症数据集的 SpO2/Temp/PTT/PT/INR 是分档值，按连续值处理会引入错误。

坑点 5：在离线数据上做在线 RL。 数据是固定的历史轨迹，不能探索。真做在线 RL 会让智能体"学会"利用数据中不存在的自由度。

坑点 6：把 0.045% 当作"零风险"。 风险低不等于没有。DUA/引用规范仍然适用。

坑点 7：忽视患者级泄漏。 划分时必须按 patient_id 分割，否则同一患者的轨迹跨集会导致虚高性能。

坑点 8：不定义奖励函数就报结果。 奖励设计高度主观且影响结果，不说明奖励函数的结果无法与他人比较。

6.17 自查清单

[ ] 确认理解"合成数据 ≠ 真实数据"的边界；
[ ] 两个数据集分别处理，未混合；
[ ] 已明确 (M) 变量的处理方式；
[ ] 已明确十分位变量的处理方式；
[ ] 按 patient_id 做患者级划分；
[ ] 数值变量已标准化；
[ ] 奖励函数已定义并公开；
[ ] 评测协议已定义并公开；
[ ] 未在离线数据上做在线探索；
[ ] 已引用数据集 + 项目论文 + 平台论文；
[ ] 未将结果用于临床或流行病学推断；
[ ] 已核查变量间的基本数学校验（如 Systolic ≥ Diastolic）。

§7 AI 实践指南：把合成数据用到位

7.1 五种用法

用法	具体做法	价值
离线 RL 基准	构造环境 + 固定划分 + 报告 OPE 价值	建立可比较的基准
教学	用 37.9 MB 数据跑通完整 RL 流程	无门槛教学
合成方法研究	对比不同生成方法的保真度/隐私	方法学贡献
隐私技术研究	以 0.045% 为基线测试攻击/防御	有已知参照
CI 测试数据	作为管线测试的固定输入	快速、稳定

7.2 一个 30 分钟的最小实验

（5 分钟） 下载两个 CSV，用 pandas 加载，核对行数与患者数；
（5 分钟） 做数学校验：检查 Systolic ≥ Diastolic 的违反比例；
（10 分钟） 用 §5.2 的骨架构造环境，实现一个"行为克隆"基线（用状态预测动作）；
（10 分钟） 在测试集上报告动作预测准确率，并与"永远预测最常见动作"的朴素基线对比。

这个实验能在半小时内让你判断：这个合成数据的动作是否可预测——如果行为克隆的准确率远高于朴素基线，说明数据中状态与动作的关联是真实存在的。

7.3 泄漏防控

患者级划分：按 patient_id 而非按行划分；
轨迹完整性：同一患者的全部时间点必须落在同一侧；
近重复检测：虽然合成数据理论上无重复，仍建议做一次距离检查；
划分随机种子固定：保证可复现。

7.4 公平性与偏差

合成数据的偏差继承自真实数据，需关注：

来源机构偏差：MIMIC-III 来自单中心（BIDMC），其患者构成、诊疗习惯具有机构特征；
时代偏差：2001-2012 年的诊疗方式；
队列选择偏差：用 Komorowski/Gottesman 标准筛选，继承了这些标准的倾向（如可能偏向病情更重者）；
合成放大偏差：GAN 可能放大数据中已有的模式（训练时对多数模式拟合更好）。

使用建议：不要在合成数据上做"不同人群间差异"的结论——它的群体结构是生成的，不是观察的。

7.5 离线 RL 的实践建议

建议	理由
从行为克隆开始	最简单、最稳的基线
谨慎使用 Q-learning 类方法	外推误差风险高
优先选择保守算法（CQL/BCQ）	抑制对分布外动作的过度乐观
报告动作分布距离	量化策略与医生行为的偏离
做敏感性分析	变换奖励函数，看结论是否稳健

第 5 条尤其重要：医疗 RL 的结论对奖励设计极敏感。如果你的结论在换一个合理奖励后就翻转了，那这个结论不稳健。

7.6 LLM 时代的合成数据

LLM 与合成数据有天然联系：

LLM 可用于生成：用文本生成临床叙述（但 497 是数值数据，不适用）；
LLM 可用于评估：判断合成数据是否"临床合理"；
合成数据可用于训练 LLM：作为隐私安全的训练语料；
LLM 可用于策略解释：把学到的策略翻译成临床语言。

一个值得探索的方向：用 LLM 作为"临床合理性判别器"，替代或补充 GAN 的判别器——这可能是合成数据生成的下一个范式。

7.7 弱监督与混合训练

策略	做法	适用
合成预训练 + 真实微调	在 497 上预训练，在 MIMIC 上微调	有真实数据访问权
合成 + 真实联合训练	混合批次	数据增强
纯合成训练 + 真实评测	在 497 训练，在 MIMIC 评测	研究"合成能否替代真实"

第二、三条是合成数据研究最有价值的方向——它们直接回答"合成数据的效用"这一核心问题。

7.8 成本核算

方案	数据获取成本	算力成本	适合
497 纯合成	零（自由下载）	低（37.9 MB）	算法开发与教学
MIMIC-III	高（数周审批）	高（GB 级）	真实世界研究
自建合成	中（需真实数据训练 GAN）	高（GAN 训练）	有特殊需求

497 的经济价值一目了然：它把数据获取成本降到了零。对一个只想验证算法想法的人，这是巨大的时间节省。

7.9 复现包清单

基于 497 发表研究时，建议附带：

[ ] 数据集版本与 DOI；
[ ] 使用的 CSV 与列选择；
[ ] 数据划分脚本与种子；
[ ] 状态/动作/奖励的定义；
[ ] RL 算法与超参；
[ ] OPE 方法与估计量；
[ ] 基线结果（医生策略、随机策略）；
[ ] 动作分布距离指标；
[ ] 环境依赖文件。

7.10 三个可立即执行的建议

今天：下载两个 CSV，核对行数与患者数，做基本的数学校验（1 小时）；
本周：构造环境，跑通行为克隆基线，得到第一个可报告的数字（半天）；
本月：设计并公开你的评测协议（划分 + 指标 + 基线），这本身就是对社区的贡献。

7.11 教学用法详解

497 特别适合作为医疗 RL 的入门教学案例：

教学环节	内容	时长
数据探索	加载、可视化轨迹、理解变量	1 小时
环境构造	状态/动作/奖励的定义练习	2 小时
基线实现	行为克隆 + 评估	2 小时
离线 RL	实现 CQL 或调用现成库	3 小时
结果讨论	为什么不能在线探索、外推误差	1 小时

相比用 MIMIC 教学（学生拿不到数据），用 497 教学可以做到人手一份数据、从头跑到尾。

7.12 与临床的结合点（及其边界）

可结合：

让临床医生参与奖励函数设计（他们的判断是必要的）；
用真实世界的证据检验策略的合理性（不依赖合成数据）；
把 RL 输出作为"假设生成器"，而非"决策者"。

不可越过：

不把合成数据上验证的策略直接用于患者；
不用合成的统计结果支持任何临床结论。

7.13 监控与回归（若用于生产研究管线）

虽然是合成数据，若作为组织内部的算法研发基准，仍建议监控：

监控项	作用
数据校验通过率	确保数据未被误改
基线指标稳定性	保证基准可比
划分一致性	防止无意破坏可比较性

7.14 未来可能性：从"数据"到"平台"

Health Gym 的设计愿景明确包含"平台"成分（Python 包 + 网站 + wiki + DataThon）。若这一愿景完全实现，497 将从"一个数据集"进化为"一个生态"：

统一的数据加载接口；
官方的基准排行榜；
社区共享的解法库；
定期的竞赛/DataThon。

这会让医疗 RL 领域第一次拥有类似 ImageNet 之于 CV、GLUE 之于 NLP 的公共基准。497 是这条路的起点。

7.15 与 496 的路线对照

维度	496 NIHSS	497 Health Gym
数据来源	真实（标注）	真实（合成）
核心资产	人工标注的金标准	可自由分发的分布
解决的痛点	“文本无法结构化”	“数据无法公开”
适用时代	抽取模型/LLM 评测	RL 算法开发
共同点	都是"让真实数据的价值可被更多人使用"的方式	同左

两条路线的对照很有意思：496 是把真实数据"翻译"成可用形式，497 是把真实数据"复制"成可用形式。前者增加结构，后者释放约束。

§8 伦理、合规与引用

8.1 合成数据的伦理特殊性

合成数据看似绕过了隐私问题，但它引入了新的伦理议题：

议题	说明
效度误导	使用者可能忘记它是合成的，把结果当真实结论
上游同意	合成数据源自真实数据，原患者的同意边界是否覆盖"生成的合成记录"？
偏差固化	生成过程可能固化上游数据的偏差，且更难察觉
责任模糊	合成数据导致的决策失误，责任归谁？

第一条是最现实的："合成"这个标签很容易在使用中被淡忘。所有基于 497 的发表都应明确声明数据的合成性质。

8.2 上游同意的延伸问题

MIMIC-III 的患者同意范围，理论上覆盖"去标识化后的二次利用"。而合成数据是再加工——它不对应任何具体患者，但它的统计结构来自这些患者。

这是法律与伦理的前沿问题，目前没有统一定论。497 的做法（量化披露风险 + 公开评估方法）是当前较稳健的应对：用可验证的风险数字说明"即便有伦理争议，实际伤害风险极低"。

8.3 使用红线

红线	说明
❌ 用于临床决策	合成数据不能支撑任何真实患者的决策
❌ 做流行病学推断	发病率/死亡率等统计不具真实意义
❌ 声称代表真实人群	不得用于任何群体性结论
❌ 隐瞒合成性质	必须明确标注数据为合成
❌ 跳过引用	引用义务不因"可自由分发"而免除

8.4 引用义务

即便数据可自由分发，引用仍是强制的：

数据集本身（DOI 10.13026/p0tv-0r98）；
Health Gym 项目论文（Sci Data 9:693）；
PhysioNet 平台论文（Nature Health 2026）；
队列标准来源（Komorowski 2018 / Gottesman 2020，视使用情况）。

第 3 条尤其容易漏——2026 年 PhysioNet 的新要求。

8.5 与机构合规流程的衔接

即使数据自由可得，许多机构仍要求：

数据使用的内部登记/备案；
IRB 的"非人类受试者研究"认定（因为数据是合成的，通常可豁免，但需走确认流程）；
论文发表的合规审查。

建议：先走一次机构确认流程，拿到"无需 IRB 审查"的正式认定，可以省去后续反复沟通。

8.6 合成数据与真实数据的伦理对照

维度	真实受控数据	合成数据
隐私风险	有（个体可识别）	极低（0.045%）
获取门槛	高（CITI + DUA）	低
使用约束	严格（不再分发）	宽松（可分发）
伦理责任	保护个体	防止误用与效度误导
引用义务	强制	强制

这张表的核心信息：合成数据降低了"获取门槛"，但没有降低"责任门槛"。责任从"保护隐私"转移到了"防止误用"。

8.7 一个反面案例的警示

合成数据领域已有因误用引发争议的案例：某些研究用合成数据得出临床结论并对外传播，被批评为"以合成之名行真实结论之实"。

教训：一份数据集的"能力边界"，必须由数据集提供者明确声明、由使用者严格遵守。497 在这一点上是明确的（“重点为开发机器学习算法及教育用途”），使用者应守住这条线。

§9 FAQ：五十问

9.1 关于身份与获取

Q1：官方名称是什么？
Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III and Published as Part of the Health Gym Project。

Q2：官方 slug？
synthetic-mimic-iii-health-gym。

Q3：DOI 是多少？
10.13026/p0tv-0r98。

Q4：几个版本？
v1.0.0，2022-02-23 发布。

Q5：免费吗？
数据免费，且设计为可自由分发。

Q6：需要 DUA 吗？
官方表述为"首发于 Credentialed License 1.5.0"，但因是合成数据，其设计目的即为绕过 DUA 限制。

Q7：能再分发吗？
作为合成数据，设计上可以；但须遵守官方条款并注明引用。

Q8：谁做的？
UNSW 健康大数据研究中心的团队（Nicholas Kuo、Sebastiano Barbieri 等）。

Q9：资金来自哪里？
Wellcome Trust Open Research Fund（2019）。

Q10：Health Gym 是什么？
一个持续增长的合成医学数据集集合项目，聚焦强化学习。

9.2 关于数据内容

Q11：有多少患者？
合成急性低血压 3,910 例；合成脓毒症 2,164 例；合计 6,074 例。

Q12：有多少记录？
187,680 + 43,280 = 231,560 条。

Q13：文件多大？
21.7 MB + 16.2 MB = 37.9 MB。

Q14：格式是什么？
CSV。

Q15：包含哪些变量？
急性低血压 20 个变量；脓毒症 44 个变量。

Q16：包含文本数据吗？
不包含。全部为结构化时序数值/分类数据。

Q17：包含影像吗？
不包含。

Q18：时间跨度多少？
急性低血压 48 小时（小时级）；脓毒症 80 小时（4 小时级）。

Q19：为什么两个数据集时间粒度不同？
沿用各自上游队列的研究设计，未统一。

Q20：有 HIV 数据吗？
Health Gym 项目有，但不在本 PhysioNet 条目内。

9.3 关于合成方法

Q21：怎么生成的？
用生成对抗网络（GAN）生成。

Q22：具体是哪种 GAN？
Wasserstein GAN。

Q23：生成器结构？
1 个 biLSTM 层 + 3 个全连接稠密层。

Q24：判别器结构？
非数值嵌入 → 2 个全连接层 → 1 个 biLSTM 层 → 1 个全连接层。

Q25：为什么用 biLSTM？
捕捉时序依赖，生成临床连贯的轨迹。

Q26：为什么用 WGAN 而非原始 GAN？
训练更稳定、损失有物理意义、对超参更鲁棒。

Q27：为什么有些变量被十分位化？
为简化生成过程，是公开的保真度权衡。

Q28：合成数据"像"真实数据吗？
论文主张变量分布、相关性、时间趋势三方面镜像真实数据。

Q29：我能验证保真度吗？
需要访问 MIMIC-III 才能完整验证；部分数学校验可独立完成。

Q30：生成代码在哪？
github.com/NicKuo-ResearchStuff/Health_Gym_AI。

9.4 关于隐私

Q31：披露风险多大？
0.045%（最坏情形 0.796%）。

Q32：这个数字怎么算的？
按 El Emam et al. (2020) 的方法，评估两种攻击的成功概率。

Q33：两种攻击是什么？
population-to-sample 与 sample-to-population。

Q34：风险阈值是多少？
EMA 与 Health Canada 为 9%；El Emam 等为 5%。

Q35：合成数据比真实数据风险更低？
是（0.045% vs 0.057%），因为合成记录不对应真实个体。

Q36：怎么证明没有复制真实数据？
最小欧几里得距离 > 0（低血压 49.06，脓毒症 328.78）。

Q37：0.045% 等于零风险吗？
不等于。风险低但非零，引用与合规义务仍适用。

Q38：最坏情况是什么？
攻击者掌握整个 MIMIC-III（248,930 条）与队列选择标准时，风险升至 0.796%。

Q39：0.796% 危险吗？
仍远低于 9% 阈值，安全边际约 11 倍。

Q40：能尝试再识别吗？
不应尝试；虽为合成数据，仍应遵守数据伦理。

9.5 关于使用

Q41：能用于临床吗？
绝对不能。

Q42：能做流行病学研究吗？
不能，统计结果不具真实意义。

Q43：能做强化学习吗？
这是它的核心用途。

Q44：能做在线 RL 吗？
不能，数据是固定的离线轨迹。

Q45：推荐什么 RL 算法？
从行为克隆开始，谨慎使用 Q-learning 类方法，优先 CQL/BCQ 等保守算法。

Q46：有奖励函数吗？
没有，需使用者自行定义。

Q47：有官方划分吗？
没有，需自行划分（建议患者级）。

Q48：有官方基线吗？
官方未提供具体基线指标。

Q49：能和 MIMIC-III 一起用吗？
可以，适合做"合成 vs 真实"的对比研究。

Q50：两个数据集能合并吗？
不能，时间粒度与变量数都不同。

9.6 进阶问答

Q51：为什么说合成数据能解决可复现性危机？
因为它去掉了获取门槛。受控数据需要审批、不可再分发，导致读者无法复现；合成数据没有这个限制。

Q52：合成数据能完全替代真实数据吗？
不能。它能替代真实数据做算法比较，不能替代它做临床结论。

Q53：为什么 GAN 会模式崩溃？
生成器只学会生成少数几种样本，丢失多样性。WGAN 的 Wasserstein 距离缓解了这个问题。

Q54：什么是外推误差？
离线 RL 中，新策略选择了数据里没有的动作，Q 函数高估其价值，导致学到错误策略。

Q55：为什么医疗 RL 必须是离线的？
不能让未验证的策略在真实患者身上在线试错，这违反伦理。

Q56：Komorowski 2018 的结论有争议吗？
有。后续多篇论文质疑其 OPE 方法的可靠性，认为"AI 策略优于医生"可能是估计偏差。

Q57：那 497 继承了这些争议吗？
继承了队列定义的偏向，但本身只是数据，不携带结论。

Q58：能不能用 497 复现 AI Clinician？
这是 497 最有价值的使用方式之一——做一个完全开放的复现。

Q59：合成数据会放大偏差吗？
可能。GAN 对训练中常见模式拟合更好，可能强化已有偏差。

Q60：怎么检测合成数据的质量问题？
做数学校验（如 Systolic ≥ Diastolic）与相关性检验。

Q61：为什么有些合成患者恰好 48 小时？
因为生成时固定了时长，这是"整齐"带来的保真度损失（真实数据时长参差）。

Q62：37.9 MB 够用吗？
对算法开发与教学足够；对罕见事件研究不够。

Q63：能用于 LLM 训练吗？
可以（作为隐私安全的数值语料），但要注意它本身是表格式数据。

Q64：扩散模型会更好吗？
可能。后续 Health Gym 版本已引入扩散概率模型。

Q65：为什么官方页面用了将来时？
那段文本可能写于项目早期（数据尚未上线时），未随发布更新。

Q66：PhysioNet 平台论文必须引用吗？
2026 年起 PhysioNet 要求一并引用。

Q67：能用于商业产品吗？
数据本身可自由使用，但用于临床产品受其他法规约束，且不能声称临床有效性。

Q68：如何声明使用了合成数据？
在方法与数据可用性部分明确说明"使用了合成数据"及其 DOI。

Q69：有后续版本吗？
497 本身未更新，但 Health Gym 项目持续演进。

Q70：值得用它做研究吗？
值得——尤其如果你关注 RL 算法、合成数据方法或隐私技术。

9.8 番外：三个反问

反问一：如果合成数据已经足够好，为什么还要真实数据？
因为"分布像"不等于"事实是"。合成数据能告诉你算法的相对优劣，不能告诉你疾病的真实规律。真实数据的不可替代性在于它记录了实际发生的事。

反问二：37.9 MB 能代表数百 GB 的 MIMIC-III 吗？
不能代表其广度（长尾事件、变量覆盖），但能代表其核心分布结构。这就像用几 MB 的 MNIST 代表手写数字——它不覆盖所有手写样本，但足以训练和比较算法。

反问三：合成数据会不会让研究者变懒？
这是一个真实的风险。便利性可能让人跳过"理解数据来源"这一步。但反过来看，497 的透明度（公开生成方法、风险计算、局限声明）恰恰要求使用者读更多背景，而不是更少。

§10 存照、引文与系列关系

10.1 存照（口径局限与勘误）

存照 A（作者机构缺失）：PhysioNet 页面未列作者机构，机构信息由关联论文（Sci Data 9:693）补全。

存照 B（资金信息缺失）：PhysioNet 页面未列资金，Wellcome Trust Open Research Fund（2019）由项目页面确认。

存照 C（文件清单未明）：官方未说明发布文件总数，仅知 2 个 CSV + 1 个 PDF；PDF 文件名未公布。

存照 D（HIV 数据集不在本条目）：Health Gym 论文含三套合成数据（急性低血压、脓毒症、HIV），PhysioNet 条目 497 仅含前两套。

存照 E（页面时态未更新）：访问级别段落使用将来时表述，推测为项目早期文本，未随 2022 年发布更新。

存照 F（时间粒度不统一）：急性低血压为小时级（48 行/患者），脓毒症为 4 小时级（20 行/患者），官方未提供统一粒度的版本，也未说明原因。

存照 G（十分位化失真）：脓毒症数据集的 SpO2/Temp/PTT/PT/INR 被划分为十分位，细粒度信息有意丢失，官方说明为"简化生成过程"。

存照 H（RL 动作空间假设）：把 fluid boluses 与 vasopressors 定义为动作空间，隐含观察性数据中干预与混杂不可分的假设；该假设继承自 Komorowski 2018 与 Gottesman 2020。

存照 I（许可表述双重性）：官方一方面说明"首发于 Credentialed License 1.5.0"，另一方面强调合成数据可自由分发，两种表述可能造成使用者的合规困惑。

存照 J（评测协议缺失）：官方未提供训练/测试划分、基线算法与评估指标，"基准"属性目前更多是潜能而非既成事实。

存照 K（时长整齐性失真）：所有合成患者的时长恰好为 48/20 行，丧失真实数据中的时长异质性。

存照 L（保真度验证的悖论）：完整验证保真度需要访问 MIMIC-III，而非所有使用者都具备；多数人只能依赖论文的保真度声明。

存照 M（风险数字的适用范围）：官方表 2 的完整数字（0.044%/0.045%/0.057%）明确标注为脓毒症数据集；急性低血压数据集的对应披露风险数值未在同一表中列出。

存照 N（平台引用义务）：PhysioNet 2026 年要求一并引用平台论文（Pollard et al., Nature Health 2026, DOI 10.1038/s44360-026-00096-z, Vol.1 No.8, pp.792-795）。

10.2 引文

Kuo N, Finfer S, Jorm L, Barbieri S. Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III and Published as Part of the Health Gym Project (version 1.0.0). PhysioNet. 2022. RRID:SCR_007345. DOI: 10.13026/p0tv-0r98.
Kuo NI-H, Polizzotto MN, Finfer S, et al. The Health Gym: synthetic health-related datasets for the development of reinforcement learning algorithms. Scientific Data. 2022;9(1):693. DOI: 10.1038/s41597-022-01784-7. PMID: 36369205.
Pollard T, Moody BE, Lehman L, et al. PhysioNet as a global platform for biomedical research. Nature Health. 2026;1(8):792-795. DOI: 10.1038/s44360-026-00096-z.
Johnson AEW, Pollard TJ, Shen L, et al. MIMIC-III, a freely accessible critical care database. Scientific Data. 2016;3:160035.
Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nature Medicine. 2018;24(11):1716-1720.
Gottesman O, Liu Y, Gupta S, et al. Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions. ICML 2020.
Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Nets. NeurIPS 2014.
Gulrajani I, Ahmed F, Arjovsky M, et al. Improved Training of Wasserstein GANs. NeurIPS 2017.
El Emam K, Mosquera L, Bass J. Evaluating Identity Disclosure Risk in Fully Synthetic Health Data: Model Development and Validation. JMIR. 2020.
Goncalves A, Ray P, Soper B, et al. Generation and Evaluation of Synthetic Patient Data. BMC Medical Research Methodology. 2020;20:108.

10.3 与既有条目的系列关系

关系	说明
分布来源	497 的分布原型是 MIMIC-III（490/491），不是 MIMIC-IV（492）
派生层对照	493（自动标签）、494（人工标注）、496（人工抽取）都是真实数据上的派生层；497 是再生成层
数据生产路径	495 是"自建库"，497 是"从既有库合成"——两种生成路径
核心对照	496 把真实数据"翻译"成可用形式；497 把真实数据"复制"成可用形式

10.4 变更日志

日期	变更
2026-09-20	初版发布：完成身份核查（PhysioNet v1.0.0）、关联论文核查（Sci Data 9:693）、项目背景核查（Wellcome）、三段撰写、双检、发布、封面、DB 验证

声明：本条目为千方病案医数集 AI-Ready 数据集百科的组成部分，仅整理公开元数据与公开文献信息。本数据集为合成数据，不代表任何真实患者；任何将其结果用于临床决策或流行病学推断的做法均属误用。所有数字均标注来源，存疑处列入 §10 存照。实际使用须遵守 PhysioNet 的相应条款与引用规范。

使用须知：本文内容用于研究与信息参考，不构成临床决策依据。合成数据不可用于任何面向真实患者的临床用途。