JAMA Internal Medicine Journal for Medical AI Training 1908-1930

JAMA Internal Medicine (originally Archives of Internal Medicine) from 1908‑1930. Professional OCR, full provenance tracking, bias audit included. Ready for LLM training and medical NLP research.

**Use this dataset to:**

- Train domain‑specific LLMs on peer‑reviewed internal medicine literature
- Extract clinical entities (cardiac conditions, endocrine disorders, infectious diseases)
- Understand pre‑1930 diagnostic criteria and treatment approaches
- Study the evolution of medical terminology in areas like cardiology, nephrology, and metabolism
- Support research in medical history and longitudinal clinical language

**What makes this different from raw OCR archives:**

- Professionally cleaned and structured (not messy PDFs)
- Full provenance tracking (Devin Media Corp)
- Bias audit with historical context notice
- 100% public domain (pre‑1930)
- Snowflake‑ready JSONL format

**Sample content areas:**

- Cardiac pathology and electrophysiology
- Vasomotor regulation and blood pressure
- Thyroid function and metabolic disorders
- Infectious disease (tuberculosis, syphilis)
- Clinical case reports and therapeutic outcomes

<p><br/></p>

原始信息汇总

数据集概述：JAMA Internal Medicine Journal for Medical AI Training 1908-1930

该数据集由 Devin Media Corp. 提供，收录了《美国医学会内科杂志》（JAMA Internal Medicine，原名 Archives of Internal Medicine）1908年至1930年的历史医学文献。数据经过专业OCR处理、清洗和偏见审计，适用于大语言模型训练和医学自然语言处理研究。

1. 核心特征与优势

• 数据来源：1908-1930年间的《美国医学会内科杂志》，属于公共领域（pre-1930），版权清晰。
• 数据质量：经过专业OCR（光学字符识别）处理并结构化清洗，非原始PDF。
• 完整性：包含完整的来源追踪（Devin Media Corp.）、历史背景偏见审计说明。
• 格式：以JSONL格式提供，可直接用于Snowflake平台。
• 刷新频率：每年更新一次。
• 交付方式：安全共享（Secure share）。

2. 数据集用途

数据集支持以下典型应用场景：

• 模型开发：训练特定领域的LLM（大语言模型），支持临床文本理解、诊断推理和时间语言建模。
• 实体识别：提取临床实体，如心脏疾病、内分泌疾病、传染病及治疗方法，用于预1930年医学术语的高精度命名实体识别。
• 文本摘要：利用全文文章与原始标题作为源-摘要对，训练模型生成长篇历史病例报告和研究文章的精炼摘要。
• 临床路径分析：分析二十年间内科诊断标准、治疗方法和临床推理的演变，支持医学史研究和纵向临床建模。

3. 数据字典

数据表名为 JAMA_INTERNAL_MEDICINE，包含以下列：

列名	数据类型	描述
ISSUE	Varchar	期刊期号（如：1917-sim_jama-internal-medicine_1917-03-15_19）
TITLE	Varchar	文章标题（部分条目显示为截断文本）
AUTHOR	Varchar	作者信息（示例中多显示为“Unknown”）
TYPE	Varchar	文章类型（如：article）
TEXT	Varchar	全文文本内容（经过清洗的OCR文本）
INGESTION_DATE	Timestamp_NTZ	数据摄入时间（示例：2026-05-06 10:50:04.753）

数据预览示例：展示了从1914年至1927年间的多篇文章片段，内容涵盖胰腺实验、流感、心脏病学、代谢疾病、哮喘治疗、尿胆原检测等，文本长度从简短摘要到数百字不等。

4. 使用示例（SQL查询）

平台提供了多个可直接运行的SQL查询示例，用于快速探索数据：

• 查看数据概览：SELECT ISSUE, TITLE, TYPE, LENGTH(TEXT) AS TEXT_LENGTH FROM JAMA_INTERNAL_MEDICINE LIMIT 10;
• 搜索特定疾病文章：SELECT ISSUE, TITLE, LENGTH(TEXT) AS TEXT_LENGTH FROM JAMA_INTERNAL_MEDICINE WHERE TEXT ILIKE %heart% LIMIT 20;
• 按年份统计文章数量：SELECT SUBSTR(ISSUE, 1, 4) AS YEAR, COUNT(*) AS ARTICLE_COUNT FROM JAMA_INTERNAL_MEDICINE WHERE TYPE = article GROUP BY YEAR ORDER BY YEAR;

5. 其他信息

• 提供方：Devin Media Corp.，专注于为AI训练提供高质量历史数据，涵盖医学、金融、时尚、法律等领域。
• 定价：页面显示“Get Unlock New Insights”，具体定价需联系获取。
• 联系方式：销售/支持邮箱均为 [e-mail]。
• 相关数据集：该提供方还拥有其他历史医学数据集，如《加拿大护士档案》（The Canadian Nurse Archive）、《医学和外科报道者档案》（Medical and Surgical Reporter Archive）、《JAMA皮肤病学》（JAMA Dermatology）等。
• 分类：AI & ML（人工智能与机器学习）。