rubend18/CIE10

CIE10是世界卫生组织（WHO）发布的国际疾病分类第十版，包含疾病、症状、异常发现、投诉、社会状况和外部伤害或疾病原因的代码。该分类系统自1994年起被成员国使用，并于2022年被ICD-11取代。WHO提供了详细的ICD信息，包括在线浏览器和培训材料。多个成员国对ICD-10进行了修改以适应其需求，某些国家的版本甚至扩展了代码集。

原始信息汇总

数据集概述

基本信息

• 任务类别：
  • 文本分类
  • 令牌分类
• 语言：西班牙语（es）
• 标签：
  • 健康
  • 诊断
  • ICD10Codes
  • MedicalCoding
  • HealthcareClassification
  • DiseaseClassification
  • ICD10Diagnosis
  • MedicalTerminology
  • HealthData
  • ClinicalCoding
  • HealthcareStandards
  • MedicalClassification
  • CódigosCIE10
  • CodificaciónMédica
  • ClasificaciónSanitaria
  • ClasificaciónEnfermedades
  • DiagnósticoCIE10
  • TerminologíaMédica
  • DatosSalud
  • CodificaciónClínica
  • EstándaresSanitarios
  • ClasificaciónMédica
• 数据集名称：Diagnósticos Médicos CIE10
• 数据集大小：10K<n<100K

数据集详情

• 作者：Rubén Darío Jaramillo
• 数据集摘要：
  • CIE10是国际疾病分类（ICD）的第10次修订版，由世界卫生组织（WHO）管理。它包含疾病、症状、异常发现、投诉、社会情况以及伤害或疾病的外部原因的代码。ICD-10于1983年开始工作，1990年被第四十三届世界卫生大会批准，并于1994年首次被成员国使用。2022年1月1日被ICD-11取代。
  • WHO管理并发布ICD的基础版本，多个成员国已对其进行修改以更好地满足其需求。基础分类中的代码集允许超过14,000个不同的代码，并允许跟踪许多新的诊断，与前一代ICD-9相比。通过使用可选的子分类，ICD-10允许对伤害或疾病的病因、表现、位置、严重程度和类型进行详细说明。改编版本可能在许多方面有所不同，一些国家版本甚至进一步扩展了代码集；有些甚至添加了程序代码。例如，ICD-10-CM有超过70,000个代码。

搜集汇总

数据集介绍

构建方式

在医疗健康领域，疾病分类编码是临床数据标准化与信息共享的基石。该数据集基于世界卫生组织发布的《国际疾病分类》第十次修订版（ICD-10）构建，聚焦于西班牙语语境下的医疗诊断编码。数据集的构建过程严格遵循ICD-10的官方分类体系，系统收集并整理了涵盖疾病、体征、症状、异常发现、社会情境及损伤外部原因等多元维度的编码条目，并针对西班牙语地区的临床实践进行了适配与优化。通过整合超过一万四千种基础代码及可选子分类，数据集确保了编码的完备性与细粒度，为西班牙语医疗文本的自动化编码任务提供了高质量的训练与评估资源。

特点

该数据集的核心特色在于其专业性与语言特异性。首先，它完整映射了ICD-10的层次化分类结构，赋予每条数据明确的诊断层级与语义关联，支持从粗粒度到细粒度的多级分类任务。其次，数据集专注于西班牙语医疗领域，其文本内容与编码规则均贴合西班牙语国家的临床用语习惯，有效弥合了通用英文编码资源在本地化应用中的鸿沟。此外，数据规模介于一万至十万条之间，兼顾了模型训练的充分性与数据管理的轻量性，特别适合作为医疗自然语言处理中文本分类与命名实体识别任务的基准数据集。

使用方法

在应用层面，该数据集主要服务于两大自然语言处理任务：文本分类与标记分类。对于文本分类任务，研究者可将诊断描述文本作为输入，训练模型自动预测其对应的ICD-10编码，从而辅助临床文档的自动化编码工作。对于标记分类任务，数据集可用于构建序列标注模型，从非结构化的医疗文本中精准抽取诊断实体及其编码。使用时可基于Hugging Face的Datasets库直接加载，并利用其标准化的train/validation/test划分进行模型训练与评估。建议在预处理阶段对西班牙语文本进行分词与归一化处理，以提升模型对专业术语的识别能力。

背景与挑战

背景概述

CIE10数据集由Rubén Darío Jaramillo创建，聚焦于国际疾病分类第十次修订版（ICD-10）在西班牙语医学文本中的自动编码任务。ICD-10是世界卫生组织（WHO）自1983年起研发、1990年通过并自1994年启用的全球性医疗分类标准，涵盖疾病、症状、异常发现及外部原因等超14,000种代码，其后继者ICD-11于2022年生效。该数据集的核心研究问题在于将非结构化的临床诊断描述映射至标准化CIE10代码，推动自然语言处理在拉丁美洲医疗系统中的应用。作为面向西班牙语医疗编码的稀缺资源，它填补了非英语医学分类数据集的空白，为跨语言临床信息抽取研究提供了关键基准，尤其对资源受限地区的医疗数据标准化具有深远影响。

当前挑战

数据集面临的核心挑战首先源于ICD-10体系本身的复杂性：代码层级嵌套（如扩展子分类允许超70,000种变体）导致模型需同时处理粗粒度分类与细粒度区分，例如区分‘糖尿病’（E10-E14）与‘1型糖尿病伴并发症’（E10.2）的细微差异。构建过程中，原始诊断文本常包含拼写错误、缩写或口语化表达（如‘infarto’代指‘心肌梗死’），需通过专家反复标注争议样本以统一标准。此外，医疗术语的地域性差异（如拉丁美洲与西班牙本土用词不同）增加了跨域泛化难度，而敏感健康数据的使用则需严格遵循匿名化与伦理合规要求，这些因素共同制约着数据集的规模与标注一致性。

常用场景

经典使用场景

在自然语言处理与医学信息学的交叉领域中，rubend18/CIE10数据集作为西班牙语医疗文本分类与实体识别的核心资源，广泛应用于诊断编码的自动化任务。该数据集基于世界卫生组织发布的国际疾病分类第十次修订版（ICD-10），收录了涵盖疾病、症状、异常发现、损伤原因等超过14,000种代码的医疗诊断记录。研究者通常利用该数据集训练文本分类模型，实现从非结构化临床叙述中精准提取并映射至标准化ICD-10代码，或通过序列标注技术识别诊断实体，为西班牙语地区的医疗数据智能化处理奠定基础。

实际应用

在实际应用中，rubend18/CIE10数据集赋能医疗保健领域的多项关键环节。医院信息系统可借助基于该数据集训练的模型自动完成入院诊断编码，降低人工负担并减少编码错误，从而优化医疗保险报销流程。公共卫生机构能利用该数据集构建疾病监测与流行病学分析工具，实时追踪疾病分布与变异趋势。此外，该数据集还支撑临床研究中的患者分层与疗效评估，通过标准化编码实现跨国医疗数据的整合与比较，提升西班牙语区域医疗信息系统的互操作性。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于预训练语言模型（如BERT、RoBERTa）的西班牙语医疗编码系统，以及融合知识图谱的ICD-10自动分配方法。研究者还开发了针对多标签不平衡问题的损失函数优化策略，并探索了零样本学习以应对新出现疾病代码的编码挑战。此外，该数据集被用于构建跨语言迁移学习框架，将英语ICD编码模型的先验知识迁移至西班牙语场景，同时催生了如CIE-10-CM扩展版的本土化适配工作，进一步丰富了医学编码领域的学术生态。