eCREAM-MedCorpus

eCREAM-MedCorpus是由布鲁诺·凯斯勒基金会等机构联合构建的意大利首个大规模急诊临床笔记语料库，涵盖都灵和韦尔切利两家医院2021-2023年间的急诊记录。该语料库包含约420万条完全匿名化的临床笔记，总词汇量达2.21亿个单词，数据来源涵盖问诊记录、医疗日记、出院摘要等10个标准化临床文档类别。数据集通过严格的伦理审查流程和两级匿名化处理（包括专业软件脱敏）构建，确保了符合欧盟GDPR规范的数据安全性。该资源旨在填补意大利语临床自然语言处理研究的空白，支持大型语言模型在急诊医学领域的开发与应用，特别为结构化信息提取（如CRF填充任务）和临床决策支持系统提供高质量训练数据。eCream-MedCorpus is a large-scale Italian clinical note corpus jointly constructed by the Bruno Kessler Foundation and other institutions, specifically collecting free-text medical records generated in the emergency departments of Italian hospitals. This dataset contains approximately 4.2 million fully anonymized clinical notes, with a total vocabulary size of 221 million, covering 10 document categories including medical history, medical visits, nursing records and others. The data is sourced from the emergency electronic health record systems of two hospitals in Turin and Vercelli between 2021 and 2023. The dataset is processed via a two-level anonymization pipeline, and includes a subset of 5,746 notes manually annotated by clinical experts. These notes are finely labeled for two emergency conditions, dyspnea and loss of consciousness, using a structured case report form with 132 items. This resource aims to fill the gap in Italian clinical data, supporting the development and application of large language models (LLMs) in clinical natural language processing tasks such as medical information extraction and automatic compilation of digital health records.

原始信息汇总

• 数据集名称: eCREAM-medCorpus
• 语言: 意大利语 (it)
• 许可证: CC-BY-4.0
• 标签: 医疗 (medical)
• 数据规模:
  • 总下载大小: 约669.87 MB
  • 总数据集大小: 约2.56 GB
  • 包含约400万份匿名临床笔记 (2.2亿个词)
• 数据来源: 来自两家意大利医院的急诊科：
  • 圣乔瓦尼·博斯科医院 (都灵， 数据集拆分 sgb)
  • 圣安德烈亚医院 (韦尔切利， 数据集拆分 vercelli)
• 数据特征 (features):
  • id: 字符串类型， 记录唯一标识
  • category: 字符串类型， 记录类别
  • text: 字符串类型， 记录笔记文本内容
  • source_file: 字符串类型， 记录源文件信息
• 数据集拆分 (splits):
  • vercelli: 约2,396,325条示例， 约1.31 GB
  • sgb: 约1,972,254条示例， 约1.25 GB
• 配置 (configs):
  • default: 包含 vercelli 和 sgb 两个拆分， 数据文件位于 data/vercelli-* 和 data/sgb-*
• 引用文献: 以BibTeX格式引用:

@misc{labruna2026ecreammedcorpuslargescalecorpusclinical, title={eCream-MedCorpus A Large-Scale Corpus of Clinical Notes for Italian}, author={Tiziano Labruna and Guido Bertolini and Pietro Ferrazzi and Bernardo Magnini}, year={2026}, eprint={2606.12569}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2606.12569}, }

搜集汇总

数据集介绍

构建方式

在临床自然语言处理研究中，真实世界医疗数据的匮乏是制约模型发展的关键瓶颈，尤其对于非英语语言而言。为弥合这一缺口，eCream-MedCorpus 应运而生，它由意大利都灵的圣乔瓦尼·博斯科医院和韦尔切利的圣安德烈亚医院两家急诊科联合贡献，采集自2021年至2023年间的全部自由文本临床记录。整个构建遵循严格的伦理与隐私协议：首先经医院伦理委员会批准，再对文本进行两阶段匿名化处理——先移除患者及临床背景信息，随后使用认证软件消除第三方残余引用，最终将脱敏文本传输至中央服务器。该语料库为eCREAM欧洲地平线项目的一部分，旨在通过大规模语言模型实现急诊电子健康记录中结构数据的自动提取。

特点

这一语料库的独特价值体现在其体量与专业性的双重高度。当前版本包含约420万份意大利语临床笔记，总计2.21亿词，涵盖既往史、临床日记、出院记录、实验室信息系统、影像学报告、分诊记录等十余类笔记类型，是迄今为止规模最大的公开意大利语临床语料库。与科研文献相比，其语篇特征鲜明：整体词汇重复率较高（类符形符比仅0.6%），反映临床记录中标准化术语和公式化表达的普遍使用；但单篇笔记内部词汇密度却更高（校正后类符形符比达91.3%），说明医生在有限篇幅内承载了大量特定信息。此外，语料库还包含由临床专家手动标注的5,746份笔记子集，针对呼吸困难和意识丧失两类急诊情况，定义了包含132个条目的结构化病例报告表，涵盖二元、类别、数值及混合类型，标注过程经多轮校准与评审，确保了临床可靠性。

使用方法

数据集的使用范式极具针对性，核心任务为病例报告表填充——即给定一份临床笔记，模型需为132个条目逐一预测其值（或标记为未知）。研究者可基于Hugging Face平台直接访问完整语料和标注子集。在零样本实验预设下，Gemma-27B与MedGemma-27B模型被用于评估，提示策略分为逐条提示、分组提示和全笔记提示三种配置。其中分组提示在提取质量（宏平均F1达0.702）与推理效率之间取得了最佳平衡，仅需约三小时即可完成857份测试笔记的处理。这一配置为未来开展少样本学习与微调研究提供了可靠基线，并为多语言急诊临床NLP研究开辟了标准化评估路径。

背景与挑战

背景概述

eCream-MedCorpus是由意大利布鲁诺·凯斯勒基金会与马里奥·内格里药理学研究所等机构的研究人员于近年创建的大规模临床笔记数据集，旨在填补非英语临床自然语言处理领域的资源空白。该数据集聚焦于意大利医院急诊部门产生的真实临床文本，包含约400万份完全匿名化的临床记录，覆盖就诊、检查、治疗、出院等多阶段患者护理信息。其核心研究问题在于利用大语言模型从结构松散、用词高度专业化的急诊临床文本中自动提取结构化医学信息，以支撑数字健康档案的自动化填写、临床决策支持等实际应用。作为eCREAM欧盟项目的重要组成部分，该数据集对推动多语言临床信息抽取、跨机构医疗数据复用以及低资源语言医学自然语言处理研究具有重要影响力。

当前挑战

该数据集面临的核心领域挑战在于从急诊科高度异质性、格式不统一且充满专业缩写的非结构化临床文本中精确提取结构化信息，尤其是涉及二元、类别、数值及混合类型的132项病例报告表条目填充任务，数据极度不平衡使得模型容易偏向预测占支配性地位的缺失值。在构建过程中，研究团队遭遇了严苛的监管瓶颈：伦理委员会的审批流程耗时远超预期，部分委员会对涉及大规模匿名化文本数据和自然语言处理方法的回顾性研究缺乏评估框架；跨机构数据传输协议的签署因数据保护与隐私顾虑而遭遇层层阻碍，导致多家医院无法成功加入合作网络。此外，临床笔记高度依赖统一的专业术语但单篇文档词汇密度极大，且来自不同医院的书写习惯存在显著差异，给模型在跨院场景下的泛化能力提出了严峻考验。

常用场景

经典使用场景

在临床自然语言处理研究领域，eCream-MedCorpus的核心应用场景是作为大规模意大利语急诊临床笔记的结构化信息提取基准。研究者利用该数据集中约400万份经过完全匿名化的真实临床笔记，结合其中5746份由临床专家依据包含132个条目的病例报告表（CRF）进行精细标注的子集，开展从非结构化自由文本中自动抽取结构化临床信息的研究。该数据集特别针对急诊科两大典型临床情景——呼吸困难和意识丧失——设计了标注方案，为开发和评估面向医疗领域的大型语言模型在零样本、少样本及微调等不同学习范式下的信息抽取能力提供了关键资源。

实际应用

在实际应用层面，eCream-MedCorpus为智能化急诊医疗信息系统提供了关键技术支撑。该数据集赋能自动从临床文本中填充电子健康记录的结构化字段，极大提升临床数据的可及性与再利用价值。具体而言，其支撑的CRF填充技术可实时从医生书写的自由文本中提取关键生命体征、诊断结论、治疗方案及检查结果，辅助临床决策支持系统快速获取患者全貌。同时，该资源在跨机构、多语种临床数据标准化整合中发挥桥梁作用，推动欧洲多中心急诊医学真实世界研究的开展，为构建符合FAIR原则（可发现、可访问、互操作、可重用）的开放医疗数据集提供了范本。

衍生相关工作

eCream-MedCorpus的发布催生了一系列创新性学术工作。首先，它启发了针对意大利语临床语言的专门领域模型开发，如基于Gemma-27B和MedGemma-27B的零样本临床信息提取研究，揭示了分组提示策略在效率与质量间的理想平衡。其次，数据集的CRF填充任务框架被后续扩展为共享任务（如CRF 2026 Shared Task），吸引了更多研究团队探索利用小模型约束解码、多阶段微调等技术应对类别不平衡问题。此外，该语料为构建多语种急诊临床注释库提供了原型，推动了跨语言临床NLP基准的统一化进程，并促进了面向医疗领域推理能力的大语言模型（如MedReason、Huatuo-o1）在意大利语场景下的适应性研究与评估方法创新。