MDS-ED

MDS-ED数据集由卡尔·冯·奥西茨基大学奥尔登堡分校AI4Health部门创建，专注于紧急医疗部门的决策支持。该数据集包含71,098名患者的121,195次独特访问，涵盖多种医疗特征，如人口统计学、生物统计学、生命体征、实验室值和心电图波形。数据集的创建过程结合了MIMIC-IV和MIMIC-IV-ED数据集的临床特征和ECG波形。MDS-ED主要用于预测诊断和患者恶化，旨在改善急性医疗和紧急医学中的决策过程。

The MDS-ED dataset was created by the AI4Health Department at Carl von Ossietzky University Oldenburg, focusing on decision support for emergency departments. It contains 121,195 unique visits from 71,098 patients, covering a variety of medical characteristics including demographics, biostatistics, vital signs, laboratory values, and electrocardiogram (ECG) waveforms. The creation of the MDS-ED dataset integrates clinical features and ECG waveforms from both the MIMIC-IV and MIMIC-IV-ED datasets. MDS-ED is primarily used for predictive diagnostics and patient deterioration prediction, with the goal of improving decision-making processes in acute care and emergency medicine.

搜集汇总

数据集介绍

构建方式

MDS-ED数据集的构建基于MIMIC-IV和MIMIC-IV-ECG数据集，选取了患者到达急诊科后前1.5小时内收集的多样化数据模态，包括人口统计学、生物计量学、生命体征、实验室值和心电图波形。这些数据被用于预测患者出院诊断（ICD-10代码）和患者病情恶化。数据集包含来自71,098名患者的121,195次就诊记录，共129,095个样本。数据集采用了分层分割的方法，分为训练集、验证集和测试集，比例为18:1:1。

使用方法

MDS-ED数据集可用于评估多模态决策支持在急诊科的应用。研究者在数据集上进行了多种模型的实验，包括仅使用表格数据、仅使用心电图波形、使用心电图特征+表格数据以及使用心电图波形+表格数据。结果表明，多模态模型在诊断和病情恶化预测任务中表现出优异的性能。数据集的开放源代码和详细的说明文档，使得其他研究者可以轻松地使用该数据集进行模型训练和评估。

背景与挑战

背景概述

MDS-ED数据集由德国Oldenburg的Carl von Ossietzky Universität的AI4Health部门与荷兰Groningen大学的内科学、急性护理学和临床药学与药理学系的研究人员共同创建。该数据集旨在为急诊医学中的诊断和病情恶化预测提供一个基准数据集，其构建基于MIMIC-IV数据集，并利用了患者到达急诊室后最初的1.5小时内收集的多种数据模态，包括人口统计学、生物测量学、生命体征、实验室值和心电图波形。MDS-ED数据集的创建填补了医疗决策支持算法基准测试中的空白，因其广泛的数据收集和预测任务，以及对多种临床任务的全面覆盖，对急诊医学领域产生了重要影响。

当前挑战

MDS-ED数据集面临的挑战包括：1) 所解决的领域问题，即急诊医学中的诊断和病情恶化预测，这对算法的准确性和及时性提出了高要求；2) 构建过程中遇到的挑战，例如如何有效地整合多种数据模态，并确保数据的准确性和完整性。此外，数据集的开放性和可用性也带来了挑战，需要确保数据隐私和安全性。

常用场景

经典使用场景

MDS-ED数据集经典使用场景描述：MDS-ED数据集主要用于评估多模态决策支持在急诊科（ED）中的应用。该数据集包含了从患者到达急诊科后的前1.5小时内收集的多种数据模态，包括人口统计学、生物特征、生命体征、实验室值和心电图波形。通过分析这些数据，可以预测患者的出院诊断（使用ICD-10代码）和预测患者的病情恶化情况。

解决学术问题

MDS-ED数据集解决学术问题描述：MDS-ED数据集解决了医学决策支持算法在急诊科等高风险领域的性能评估和验证问题。该数据集提供了多种数据模态，并分析了1443个临床标签，涵盖了预测诊断和预测病情恶化两个场景。这使得研究人员可以评估算法的性能，并发现算法在急诊科等高风险领域的应用潜力。

实际应用

MDS-ED数据集实际应用情况描述：MDS-ED数据集的实际应用场景包括预测急诊科患者的出院诊断和预测患者的病情恶化情况。通过分析患者的多种数据模态，可以准确预测患者的病情，并帮助医生做出更好的临床决策，提高患者的治疗效果。

数据集最近研究

最新研究方向

MDS-ED数据集的引入，旨在解决医疗决策支持算法在急诊医学中面临的挑战，特别是在数据集获取限制、预测任务狭窄以及输入模态受限的问题。该数据集基于MIMIC-IV，结合了患者到达急诊室前1.5小时内的多种数据模态，包括人口统计学、生物识别、生命体征、实验室值和心电图波形。MDS-ED数据集的创建，不仅为预测诊断提供了1428个临床标签，还用于预测患者恶化情况。该研究通过将原始波形数据与表格数据相结合，显著提高了模型性能，为急诊医学中的决策支持提供了新的可能性。该数据集的开放性和全面性，为医疗研究和创新提供了宝贵的资源，有望推动急诊医学中决策支持算法的发展和验证。

相关研究论文

• MDS-ED: Multimodal Decision Support in the Emergency Department -- a Benchmark Dataset for Diagnoses and Deterioration Prediction in Emergency Medicine

  卡尔·冯·奥西茨基大学奥尔登堡分校AI4Health部门 · 2024年