Glebkaa/MedSyn-synthetic

该数据集是一个合成的临床笔记数据集，包含41,185个样本，涵盖219个ICD-10代码。数据集主要用于文本分类和文本生成任务，涉及医疗领域，语言为俄语。数据集的生成使用了多种模型，包括GPT-3.5、GPT-4、LLaMA-7b和LLaMA-13b。此外，部分真实的临床笔记被隐藏并替换为`private_data`标记，30个来自私有真实数据的样本被完全匿名化并保留在数据集中。

原始信息汇总

数据集概述

基本信息

• 许可证: MIT
• 任务类别:
  • 文本分类
  • 文本生成
• 语言: 俄语
• 标签: 医疗

数据集详情

• 文件: generated.csv
• 样本数量: 41,185
• ICD-10代码数量: 219

数据字段

字段名	描述
idx	唯一样本标识符
ICD-10	用于先前数据采样的目标ICD-10代码
generation_model	用于样本生成的模型（GTP-3.5, GPT-4, LLaMA-7b, LLaMA-13b）
prompt	用于样本生成的提示
prior	用于样本生成的先前数据类型
example	生成过程中是否存在示例的布尔变量
example	示例来源（开源RuMedPrime或私有医疗数据）
response	模型生成的结果
symptoms	用于提示创建的症状
anamnesis	用作提示中样式示例的临床笔记示例
symptoms_recall	响应和症状的BERT分数
anamnesis_precision	响应和病史的BERT分数

数据处理

• 部分真实临床笔记中的内容被隐藏并替换为private_data标记。
• 30个来自私有真实数据的样本被完全匿名化（手动处理）并保留在数据集中。