bigbio/chia

---
language:
- en
bigbio_language:
- English
license: cc-by-4.0
multilinguality: monolingual
bigbio_license_shortname: CC_BY_4p0
pretty_name: CHIA
homepage: https://github.com/WengLab-InformaticsResearch/CHIA
bigbio_pubmed: False
bigbio_public: True
bigbio_tasks:
- NAMED_ENTITY_RECOGNITION
- RELATION_EXTRACTION
---

# Dataset Card for CHIA

## Dataset Description

- **Homepage:** https://github.com/WengLab-InformaticsResearch/CHIA
- **Pubmed:** False
- **Public:** True
- **Tasks:** NER,RE

A large annotated corpus of patient eligibility criteria extracted from 1,000
interventional, Phase IV clinical trials registered in ClinicalTrials.gov. This
dataset includes 12,409 annotated eligibility criteria, represented by 41,487
distinctive entities of 15 entity types and 25,017 relationships of 12
relationship types.

## Citation Information

```
@article{kury2020chia,
title = {Chia, a large annotated corpus of clinical trial eligibility criteria},
author = {
Kury, Fabr{'\i}cio and Butler, Alex and Yuan, Chi and Fu, Li-heng and
Sun, Yingcheng and Liu, Hao and Sim, Ida and Carini, Simona and Weng,
Chunhua
},
year = 2020,
journal = {Scientific data},
publisher = {Nature Publishing Group},
volume = 7,
number = 1,
pages = {1--11}
}

```

language:
- 英语（English）
bigbio_language:
- BigBIO标注语言：英语
license:
- CC BY 4.0
multilinguality:
- 单语（monolingual）
bigbio_license_shortname:
- CC_BY_4p0
pretty_name:
- 展示名称：CHIA
homepage:
- https://github.com/WengLab-InformaticsResearch/CHIA
bigbio_pubmed:
- 否
bigbio_public:
- 是
bigbio_tasks:
- 命名实体识别（Named Entity Recognition）
- 关系抽取（Relation Extraction）

# CHIA 数据集卡片

## 数据集描述
- **官方主页：** https://github.com/WengLab-InformaticsResearch/CHIA
- **PubMed关联情况：** 否
- **公开属性：** 是
- **支持任务：** 命名实体识别（Named Entity Recognition, NER）、关系抽取（Relation Extraction, RE）

本数据集为从ClinicalTrials.gov（临床试验注册平台）注册的1000项介入性IV期临床试验中提取的患者入组与排除标准大规模标注语料库。该数据集共包含12409条标注完成的患者入组与排除标准，涵盖15类实体共计41487个唯一实体，以及12类关系共计25017条关系。

## 引用信息

@article{kury2020chia,
title = {CHIA：临床试验入组与排除标准大规模标注语料库},
author = {Kury, Fabrício、Butler, Alex、Yuan, Chi、Fu, Li-heng、Sun, Yingcheng、Liu, Hao、Sim, Ida、Carini, Simona、Weng, Chunhua},
year = 2020,
journal = {科学数据（Scientific Data)},
publisher = {自然出版集团},
volume = 7,
number = 1,
pages = {1-11}
}

原始信息汇总

数据集概述

基本信息

• 名称: CHIA
• 语言: 英语
• 许可证: CC-BY-4.0
• 多语言性: 单语种
• 公开状态: 公开
• PubMed链接: 无

数据集描述

• 来源: 1000项干预性、第四阶段临床试验，注册于ClinicalTrials.gov
• 内容: 包含12,409个注释的资格标准，涉及41,487个独特的实体和25,017个关系
• 实体类型: 15种
• 关系类型: 12种

任务类型

• 命名实体识别 (NER)
• 关系抽取 (RE)

引用信息

@article{kury2020chia, title = {Chia, a large annotated corpus of clinical trial eligibility criteria}, author = { Kury, Fabr{i}cio and Butler, Alex and Yuan, Chi and Fu, Li-heng and Sun, Yingcheng and Liu, Hao and Sim, Ida and Carini, Simona and Weng, Chunhua }, year = 2020, journal = {Scientific data}, publisher = {Nature Publishing Group}, volume = 7, number = 1, pages = {1--11} }

搜集汇总

数据集介绍

构建方式

CHIA数据集源自对ClinicalTrials.gov平台上注册的1,000项干预性、IV期临床试验的深入挖掘，旨在系统捕获患者资格标准中的语义信息。研究者从这些试验中提取了12,409条资格标准文本，并采用人工标注的方式，对其中蕴含的实体与关系进行了精细化的标记。标注过程遵循严谨的指南，共定义了15种实体类型和12种关系类型，最终形成了包含41,487个独特实体和25,017个关系实例的高质量标注语料库，为临床文本挖掘提供了坚实的数据基础。

特点

该数据集的核心特点在于其大规模与高密度的语义注释，覆盖了临床试验资格标准这一专业领域。其不仅标注了如疾病、药物、年龄、性别等多样化的实体类型，还细致刻画了实体间复杂的逻辑关系，例如包含、排除、数值比较等。这种丰富的结构化信息，使得CHIA成为训练深度学习模型以进行命名实体识别和关系抽取任务的宝贵资源，尤其适用于处理生物医学文本中长尾、嵌套的语义现象。

使用方法

CHIA数据集专为自然语言处理中的命名实体识别与关系抽取任务而设计。使用者可直接加载该数据集，将其划分为训练集、验证集和测试集，用于训练和评估模型性能。数据以标准的序列标注格式提供，便于集成到主流深度学习框架中。研究者可以基于其标注的实体和关系，开发自动化工具来解析临床试验资格标准，从而辅助临床研究中的患者筛选、方案设计等环节，提升临床试验的效率和准确性。

背景与挑战

背景概述

在临床试验领域，患者资格标准的精确表达与自动化解析是提升试验匹配效率、加速医学研究进程的关键环节。CHIA数据集由WengLab信息学研究团队于2020年创建，依托ClinicalTrials.gov平台，从1000项干预性IV期临床试验中系统提取并标注了12,409条资格标准。该数据集涵盖了41,487个实体（分属15种类型）与25,017个关系（分属12种类型），构建了大规模、结构化的临床语料库。其核心研究问题在于推动命名实体识别与关系抽取技术在生物医学文本中的深度应用，为后续临床试验自动筛选系统的研发提供了基础性资源，显著提升了领域内对复杂医学文本的语义理解能力。

当前挑战

CHIA数据集所面临的挑战首先体现在临床文本本身的复杂性：资格标准中频繁出现的否定表述、数值阈值、时间条件与逻辑组合，对实体识别和关系抽取模型提出了高精度要求。其次，在数据集构建过程中，标注一致性是重大难题，因为医学实体边界模糊、术语变体繁多，需依赖领域专家反复校验以确保标注质量。此外，不同临床试验间的表述风格差异导致泛化困难，模型在跨试验场景下性能易下降。最后，数据的隐私敏感性限制了公开共享的粒度，如何在保护患者信息的同时保持语料效用，亦是持续存在的构建性挑战。

常用场景

经典使用场景

在临床自然语言处理领域，CHIA数据集以其对临床试验纳排标准（Eligibility Criteria）的精细标注而著称。该数据集从ClinicalTrials.gov中收录的1000项IV期干预性临床试验中，提取了12,409条纳排标准，并标注出41,487个涵盖15种实体类型（如疾病、药物、年龄阈值等）的命名实体，以及25,017条涉及12种关系类型（如剂量限制、合并用药禁忌等）的关系三元组。这一丰富的语料资源为医学文本中结构化信息抽取提供了黄金标准，常用于训练和评估命名实体识别（NER）与关系抽取（RE）模型，尤其在处理半结构化的临床自由文本时，能够精准捕捉医学逻辑中复杂的互斥与依存关系。

解决学术问题

在学术研究中，CHIA数据集旨在解决临床试验纳排标准自动化解析这一长期存在的瓶颈问题。传统上，研究者依赖人工审阅海量、非结构化的临床试验文本，效率低下且易遗漏关键约束条件。该数据集通过大规模、高质量的人工标注，为构建可泛化的信息提取模型提供了基准，使得机器能够自动识别患者筛选条件中的实体（如具体疾病名称、实验室指标阈值）及其逻辑关系（如“且”、“或”、“非”约束）。这直接推动了临床决策支持系统、患者-试验匹配算法以及证据综合自动化等方向的研究进展，显著提升了大规模临床试验数据分析的客观性与可重复性。

衍生相关工作

自发布以来，CHIA数据集催生了多项具有影响力的衍生工作。一方面，研究者基于其标注体系开发了如EliIE（Eligibility Criteria Information Extraction）等专用抽取框架，将纳排标准解析任务标准化为序列标注与关系分类的复合流程。另一方面，该数据集被广泛用于预训练语言模型（如BioBERT、PubMedBERT）的领域微调与评估，推动了临床文本中长距离依赖关系建模的进步。此外，部分工作将其与EHR数据结合，构建了端到端的患者-试验匹配系统（如Criteria2Query），实现了从自然语言标准到数据库查询语句的自动化转换。这些衍生研究共同奠定了临床试验数字化与精准医学信息学的基础。