HealthDataHub/PARHAF

PARHAF 是一个开放的法语语料库，包含由人类撰写的虚构患者临床报告。该数据集旨在在严格的健康数据保护约束下，支持临床自然语言处理（NLP）系统的开发和评估。每个患者记录都附有结构化的临床信息（如诊断、手术、护理路径、出院数据）。这些记录由资深医学住院医师撰写，并由同一专业的另一位资深医学住院医师审核。数据集包含4259名患者、6190份文档，总计3,952,583个单词，覆盖心脏病学、心血管外科、重症监护、消化外科、胃肠肝病学、普通内科、老年病学、妇科学、血液学、传染病学、内科学、肾病学、神经学、产科学、肿瘤学、骨科与创伤外科、病理学、儿科学、肺病学和泌尿学等多个医学专业。数据来源于法国国家医院索赔数据库（SNDS），通过采样观察分布构建临床场景，以减少常见病症的过度代表并包含较少见情况。预期用途包括共享临床笔记和注释、汇集临床NLP社区努力、基准测试法语医学LLM、支持可重复的临床NLP研究、促进医学教学、推动PARTAGES项目的7个用例，以及实现隐私安全的数据增强。排除用途包括临床决策或患者护理、临床验证或性能声明、推广到未见过的医院或实践、流行病学推断、评估真实世界安全风险、替代真实临床数据进行部署，以及压力测试模型在真实临床语言上的表现。数据集仅限医院临床文档，聚焦核心文档类型，不包括影像报告、处方、转诊信等类别。

PARHAF is an open French corpus of human-authored clinical reports of fictional patients. It was created to support the development and evaluation of clinical NLP systems under strict health-data protection constraints. Each patient is each documented with structured clinical information (diagnosis, procedures, care pathway, discharge data). Each patient record was written by a senior medical resident and reviewed by another senior medical resident, from the same specialty. The dataset includes 4259 patients, 6190 documents, and 3,952,583 words across specialties such as Cardiology, Cardiovascular Surgery, Critical Care, Digestive Surgery, Gastro-Hepatology, General Internal Medicine, Geriatrics, Gynecology, Hematology, Infectious Diseases, Internal Medicine, Nephrology, Neurology, Obstetrics, Oncology, Orthopedic & Trauma Surgery, Pathology, Pediatrics, Pulmonology, and Urology. Data origin is from the French national hospital claims database (SNDS), with scenarios built by sampling observed distributions to reduce over-representation of common conditions and include less frequent situations. Intended usages include sharing clinical notes and annotations, pooling efforts within the clinical NLP community, benchmarking French medical LLMs, enabling reproducible clinical NLP research, supporting medical teaching, promoting PARTAGES 7 use cases, and enabling privacy-safe data augmentation. Excluded usages cover clinical decision-making or patient care, clinical validation or performance claims, generalization to unseen hospitals or practices, epidemiological inference, assessing real-world safety, replacing real clinical data for deployment, and stress-testing models on realistic clinical language. The dataset is limited to hospital-based clinical documentation and focuses on selected document types, excluding categories like imaging reports and prescriptions.

搜集汇总

数据集介绍

构建方式

PARHAF数据集构建于法国国家住院数据库（SNDS）的真实临床分布之上，通过精心采样诊断代码以平衡常见病症与罕见情境，从而衍生出虚构患者的临床场景。每份患者档案均由资深住院医师依据标准化报告模板撰写，并经同专科的另一位资深住院医师严格审校，以确保内容既符合临床逻辑又具备医学真实性。整个语料库涵盖20个医学专科，最终汇聚成4259例患者、6190份临床文档，总计近400万词的法语文本，形成了结构严谨、质量可靠的数据基础。

特点

该数据集最鲜明的特点在于其结构化与自由文本的深度融合。每位患者均关联着包含诊断、手术、入院方式、出院状态等在内的详细结构化场景，同时配以完整且未经标注的原始临床报告文本。文档类型覆盖住院总结、会诊记录、手术报告、病理报告及急诊记录等，展现了临床文档的多维面貌。此外，数据集专设通用与特定用例（如ICD-10编码、肿瘤学生物标志物等）划分，并为每一例文档提供了明确的作者与审校者标识，保障了溯源性与透明度。

使用方法

PARHAF可通过Hugging Face数据集库直接加载，仅需一行代码`load_dataset("HealthDataHub/PARHAF")`即可获取列式存储的Parquet格式数据，其中文本内容已嵌入每条记录。研究者亦可选用相同路径下的独立JSON规范版本，该版本中文本以外部文件形式存在，便于灵活读取与自定义处理。数据集的训练集包含4254例样本，无预设测试集，旨在支持法语临床自然语言处理模型的基准测试、隐私保护下的数据增强及医学教育等多种应用场景。

背景与挑战

背景概述

PARHAF数据集由法国健康数据中心HealthDataHub团队于2023年创建，隶属于PARTAGES项目，旨在解决临床自然语言处理领域中高质量法语医疗文本匮乏的困境。该数据集收录了4259名虚构患者的6190份临床报告，涵盖20个医学专科，由资深住院医师撰写并经过同行审校，确保内容的专业性与真实性。其核心研究问题是如何在严格保护患者隐私的前提下，为法语临床NLP模型提供可共享、可复现的基准数据。该数据集已对法国临床信息学社区产生重要影响，为医疗文本匿名化、ICD-10编码、肿瘤学标志物识别等七个应用场景提供了基础设施，并推动了法语医学大语言模型的基准测试与可重复研究。

当前挑战

PARHAF数据集所面临的挑战主要体现在两个层面。在领域问题层面，它致力于解决临床NLP研究中的数据隐私壁垒，即如何在遵守法国国家健康数据系统（SNDS）严格监管的条件下，获取足够规模且具备临床代表性的文本数据，以支撑模型训练与评估。在构建过程层面，其挑战包括：虚构病案必须基于真实诊断分布采样，同时避免常见疾病的过度代表，这要求复杂的统计建模；编写者需在给定标准化场景（如诊断、年龄、入院方式）下生成逻辑自洽且语言自然的临床报告，并确保不同专科间风格与术语的一致性；此外，审查流程需平衡医学准确性与语言多样性，人工撰写与审校的耗时性也限制了数据集的扩展速度。

常用场景

经典使用场景

PARHAF数据集作为首个大规模、高保真的法语虚构临床报告语料库，其经典使用场景集中于临床自然语言处理（NLP）模型的训练与评测。该语料库由资深住院医师依据法国国家医院索赔数据SNDS中的诊断、手术与护理路径信息撰写，并经同专业医师同行评审，确保了临床文本的专业性与真实性。研究者可借助PARHAF预训练医疗领域大语言模型（LLM），或微调现有的法语医学BERT等模型，以提升其在临床文本理解、信息抽取与自动摘要等任务上的表现。此外，该数据集还支持构建与评估伪匿名化、诊断编码、肿瘤学与感染病学等相关NLP基准任务，为可复现、隐私合规的临床NLP研究提供了坚实的资源基础。

实际应用

在实际应用中，PARHAF数据集主要服务于法语医疗系统的智能化转型。医疗机构可利用该数据集训练临床决策支持模型，包括自动生成出院小结、辅助诊断编码、预测住院时长等。由于其虚构性质，这些模型在研发阶段避免了真实患者数据的暴露风险，降低了伦理审查与数据共享的门槛。此外，PARHAF还可用于医学教育与培训，为医学生和住院医师提供标准化、多样化的临床案例库，支持病历书写训练与诊断推理练习。该数据集也已被整合至PARTAGES项目的七大用例中，涵盖伪匿名化、ICD-10自动编码、肿瘤生物标志物判读等场景，展示了其在临床工作流自动化与医疗质量提升方面的广泛应用潜力。

衍生相关工作

PARHAF数据集的发布催生了一系列衍生研究工作。围绕PARTAGES项目的七大用例，研究人员已分别构建了标注版本，例如用于伪匿名化的PARHAF-pseudo-annotated数据集，以及面向肿瘤学与感染病学等专科任务的标注子集。在方法学层面，研究者基于PARHAF提出了针对法语临床文本的LLM微调框架与评估协议，探索了合成数据在医疗NLP中的有效性。此外，PARHAF还被用作联邦学习与差分隐私等隐私保护技术的测试平台，推动了隐私合规型临床NLP范式的形成。未来，该数据集有望进一步激发在低资源语言临床预训练模型、跨语种迁移学习以及合成数据生成策略等方面的创新探索。