WitnessDataFactory/cardiology-1k

--- license: cc-by-4.0 task_categories: - text-classification - token-classification - question-answering language: - en tags: - medical - healthcare - synthetic-data - nlp - cardiology - clinical-ai - hipaa-compliant - medical-nlp - healthcare-ai - electronic-health-records - labeled-data pretty_name: Cardiology Medical Dataset (1K Free Sample) size_categories: - 1K<n<10K --- # Cardiology Medical Dataset — 1,000 Record Free Sample > **Enterprise-grade synthetic medical data. Zero PHI. 100% HIPAA-compliant.** [](https://creativecommons.org/licenses/by/4.0/) [](https://https://witness-data-factory.onrender.com) [](https://https://witness-data-factory.onrender.com) --- ## Quality Metrics | Metric | Score | Industry Benchmark | |--------|-------|---------------------| | **Trinity Consensus Score (TAS)** | 98.0% | 85-92% typical | | **Inter-Annotator Agreement** | 0.97 | 0.75-0.85 typical | | **Macro F1** | 0.97 | 0.80-0.90 typical | | **PHI Present** | None | -- | | **Generation Method** | 3-LLM Trinity Ensemble | Single model typical | --- ## What's Included (Free) - **1,000 clinically-structured synthetic cardiology records** - Full label taxonomy with confidence scores per record - Trinity consensus scores per record (filter by your own threshold) - Structured Parquet format (load with Hugging Face `datasets` in one line) - Zero PHI -- safe for unrestricted research and commercial use --- ## Quick Start ```python from datasets import load_dataset # Load free 1K sample ds = load_dataset("WitnessDataFactory/cardiology-1k", split="train") print(ds[0]) # Filter by quality gate high_quality = ds.filter(lambda x: x["consensus_score"] >= 0.97) print(f"Records passing 97% gate: {len(high_quality)}") # Export to pandas df = ds.to_pandas() df.to_csv("cardiology_sample.csv", index=False) ``` --- ## Dataset Schema ```json { "record_id": "uuid-v4", "domain": "cardiology", "category": "Specific clinical subcategory", "note_type": "Clinical note type", "patient_age": 42, "patient_gender": "Female", "primary_label": "diagnosis", "labels": { "primary": "diagnosis", "category": "Subcategory name", "confidence": 0.972 }, "consensus_score": 0.972, "inter_annotator_agreement": 0.941, "macro_f1": 0.963, "model_scores": { "llama3.3": 0.975, "mistral": 0.968, "qwen2.5": 0.972 }, "passes_quality_gate": true, "generation_method": "Trinity_Ensemble_v2", "phi_present": false, "hipaa_compliant": true } ``` --- ## Upgrade to Production Scale This 1K sample is your **proof-of-concept dataset**. When you're ready to train production models: | Tier | Records | Price | Per-Record | Best For | Buy | |------|---------|-------|------------|----------|-----| | **Starter** | 10,000 | **$1,999** | $0.20 | Pilot deployment, MVP | [Buy Now](https://witness-data-factory.onrender.com/pay/cardiology-10k) | | **Production** | 50,000 | **$7,999** | $0.16 | Model training, Series C+ | [Buy Now](https://witness-data-factory.onrender.com/pay/cardiology-50k) | | **Enterprise** | 250,000 | **$29,999** | $0.12 | FDA-track, clinical AI | [Buy Now](https://witness-data-factory.onrender.com/pay/cardiology-250k) | | **Strategic** | 1,000,000 | **$99,999** | $0.10 | Multi-year partnerships | [Contact Sales](mailto:[e-mail]) | ### Multi-Domain Bundles | Bundle | Contents | Price | Discount | |--------|----------|-------|---------| | **3-Domain Bundle** | 50K x 3 domains of choice | **$19,999** | 17% off | | **Complete Collection** | 50K x all 9 specialties | **$49,999** | 22% off | [View All Bundles](https://witness-data-factory.onrender.com/pay/complete-collection-9x50k) > **Delivery:** Instant checkout -> Full dataset delivered within 24 hours. --- ## Why WITNESS DATA FACTORY? ### Speed Your research timeline shouldn't wait 3-6 months for custom data generation. Production datasets delivered in **under 24 hours** from purchase. ### Quality - **98.0% Trinity consensus** vs. 85-92% industry standard - 3-LLM ensemble eliminates single-model hallucination bias - Every record validated through Trinity quality gates before delivery - Documented, reproducible QA certificate included with every order ### Scale - Proven on **100M+ record PostgreSQL infrastructure** - Billion-record architecture ready for enterprise contracts - 9 medical domains, 4 volume tiers, instant zero-touch fulfillment ### Compliance - **Zero PHI** -- 100% synthetic, no de-identification liability - HIPAA-compliant by architecture (no real patient data ever ingested) - No IRB required -- fully synthetic generation pipeline - Commercial use permitted under CC BY 4.0 (sample tier) --- ## Citation ```bibtex @dataset{witness_data_factory_cardiology_2026, title = {Cardiology Synthetic Medical Dataset}, author = {WITNESS DATA FACTORY}, year = {2026}, publisher = {HuggingFace}, url = {https://huggingface.co/datasets/WitnessDataFactory/cardiology-1k} } ``` --- ## Contact | Channel | Address | |---------|---------| | Sales and Licensing | [[e-mail]](mailto:[e-mail]) | | Technical Support | [[e-mail]](mailto:[e-mail]) | | All Datasets | [huggingface.co/WitnessDataFactory](https://huggingface.co/WitnessDataFactory) | | Store | [witness-data-factory.onrender.com](https://witness-data-factory.onrender.com) | --- *Powered by **WITNESS DATA FACTORY** -- Enterprise Synthetic Medical Data at Scale* *Trinity Ensemble Pipeline v3.2.1 | Zero PHI | Zero-Touch Fulfillment*--- 许可协议：CC BY 4.0 任务类别： - 文本分类 - Token分类 - 问答 语言： - 英语 标签： - 医疗 - 医疗保健 - 合成数据 - 自然语言处理（NLP） - 心脏病学 - 临床AI - 符合HIPAA标准 - 医疗自然语言处理 - 医疗保健AI - 电子健康记录 - 带标签数据 友好名称：心脏病学医疗数据集（1K免费样本） 规模区间：1000 < 记录数 < 10000 --- # 心脏病学医疗数据集——1000条记录免费样本 > **企业级合成医疗数据。零受保护健康信息（Protected Health Information，简称PHI），100%符合健康保险流通与责任法案（Health Insurance Portability and Accountability Act，简称HIPAA）标准。** [](https://creativecommons.org/licenses/by/4.0/) [](https://https://witness-data-factory.onrender.com) [](https://https://witness-data-factory.onrender.com) --- ## 质量指标 | 指标 | 得分 | 行业基准 | |--------|-------|---------------------| | **Trinity共识评分（TAS）** | 98.0% | 行业典型值为85%-92% | | **标注者间一致性** | 0.97 | 行业典型值为0.75-0.85 | | **宏F1值** | 0.97 | 行业典型值为0.80-0.90 | | **PHI存在情况** | 无 | -- | | **生成方法** | 三LLM集成方案 | 行业典型为单模型生成 | --- ## 免费包含内容 - **1000条临床结构化合成心脏病学记录** - 每条记录均附带完整标签分类体系与置信度分数 - 每条记录包含Trinity共识评分（可自定义阈值进行筛选） - 采用结构化Parquet格式（可通过Hugging Face `datasets`库一行代码加载） - 零PHI——可安全用于无限制的研究与商业用途 --- ## 快速入门 python from datasets import load_dataset # 加载免费1K样本 ds = load_dataset("WitnessDataFactory/cardiology-1k", split="train") print(ds[0]) # 按质量阈值筛选 high_quality = ds.filter(lambda x: x["consensus_score"] >= 0.97) print(f"通过97%质量阈值的记录数: {len(high_quality)}") # 导出为pandas数据框 df = ds.to_pandas() df.to_csv("cardiology_sample.csv", index=False) --- ## 数据集Schema json { "record_id": "uuid-v4格式", "domain": "领域", "category": "具体临床子类别", "note_type": "临床记录类型", "patient_age": 患者年龄, "patient_gender": "患者性别", "primary_label": "主标签", "labels": { "primary": "主标签", "category": "子类别名称", "confidence": 置信度分数 }, "consensus_score": 共识评分, "inter_annotator_agreement": 标注者间一致性, "macro_f1": 宏F1值, "model_scores": { "llama3.3": 模型评分, "mistral": 模型评分, "qwen2.5": 模型评分 }, "passes_quality_gate": 是否通过质量阈值, "generation_method": "生成方法", "phi_present": 是否存在PHI, "hipaa_compliant": 是否符合HIPAA标准 } --- ## 升级至生产级规模 此1K样本可作为您的概念验证数据集。当您准备训练生产级模型时： | 层级 | 记录数 | 总价 | 单条记录成本 | 适用场景 | 购买链接 | |------|---------|-------|------------|----------|-----| | **入门级** | 10,000 | **$1,999** | $0.20 | 试点部署、最小可行产品（MVP） | [立即购买](https://witness-data-factory.onrender.com/pay/cardiology-10k) | | **生产级** | 50,000 | **$7,999** | $0.16 | 模型训练、C轮及以上融资阶段 | [立即购买](https://witness-data-factory.onrender.com/pay/cardiology-50k) | | **企业级** | 250,000 | **$29,999** | $0.12 | FDA追踪项目、临床AI研发 | [立即购买](https://witness-data-factory.onrender.com/pay/cardiology-250k) | | **战略合作级** | 1,000,000 | **$99,999** | $0.10 | 多年期合作项目 | [联系销售](mailto:[e-mail]) | ### 多领域套餐 | 套餐类型 | 内容 | 价格 | 折扣 | |--------|----------|-------|---------| | **三领域套餐** | 自选3个领域各5万条记录 | **$19,999** | 享17%折扣 | | **完整合集** | 9个专科各5万条记录 | **$49,999** | 享22%折扣 | [查看全部套餐](https://witness-data-factory.onrender.com/pay/complete-collection-9x50k) > **交付说明**：即时结账后24小时内交付完整数据集。 --- ## 为什么选择WITNESS DATA FACTORY？ ### 交付速度 您的研究进度不应等待3-6个月获取定制生成数据。购买后生产级数据集可在**24小时内**完成交付。 ### 质量保障 - **98.0% Trinity共识评分**，远超行业标准的85%-92% - 采用三LLM集成方案，消除单模型幻觉偏差 - 每条记录在交付前均通过Trinity质量门验证 - 每份订单均附带可复现的文档化质量保证证书 ### 规模能力 - 基于**1亿+记录的PostgreSQL基础设施**，支持十亿级记录的企业级合同需求 - 覆盖9个医疗领域，4种容量层级，实现零接触即时交付 ### 合规性 - **零PHI**——100%合成数据，无需承担去标识化责任 - 架构上完全符合HIPAA标准（从未接入真实患者数据） - 无需伦理审查委员会（IRB）审批——采用全合成生成流程 - 免费样本层级可在CC BY 4.0协议下用于商业用途 --- ## 引用格式 bibtex @dataset{witness_data_factory_cardiology_2026, title = {Cardiology Synthetic Medical Dataset}, author = {WITNESS DATA FACTORY}, year = {2026}, publisher = {HuggingFace}, url = {https://huggingface.co/datasets/WitnessDataFactory/cardiology-1k} } --- ## 联系方式 | 渠道 | 联系方式 | |---------|---------| | 销售与授权 | [[e-mail]](mailto:[e-mail]) | | 技术支持 | [[e-mail]](mailto:[e-mail]) | | 全部数据集 | [huggingface.co/WitnessDataFactory](https://huggingface.co/WitnessDataFactory) | | 官方商店 | [witness-data-factory.onrender.com](https://witness-data-factory.onrender.com) | --- *由WITNESS DATA FACTORY提供支持——大规模企业级合成医疗数据* *Trinity集成流水线v3.2.1 | 零PHI | 零接触即时交付*

搜集汇总

数据集介绍

构建方式

在医学人工智能领域，高质量标注数据的匮乏长期制约着临床自然语言处理模型的发展。Cardiology-1k数据集采用创新的Trinity集成方法构建，通过融合三个大型语言模型的生成能力，协同产生结构化的合成心脏病学临床记录。该流程不仅确保了数据的临床合理性与多样性，还通过严格的共识评分机制对每条记录进行质量验证，最终生成完全不含受保护健康信息的合成数据集，规避了传统真实病历数据面临的隐私与合规风险。

特点

该数据集的核心特征体现在其卓越的质量保证体系与合规性设计。每一条记录均附有详尽的元数据，包括由Trinity集成模型计算得出的共识分数、模型间标注者一致性以及宏观F1分数，为研究者提供了透明的质量过滤依据。数据集完全由合成数据构成，实现了受保护健康信息的零存在，符合HIPAA架构要求，可直接用于研究与商业用途，无需伦理审查。其数据模式涵盖了患者年龄、性别、临床子类别、笔记类型及多层级标签体系，为心脏病学领域的多任务模型训练提供了丰富而规范的输入。

使用方法

为便利研究社区快速开展实验，数据集以Parquet格式发布，可通过Hugging Face的`datasets`库单行代码加载。用户可依据`consensus_score`等字段对数据进行筛选，例如设定阈值以获取高质量子集，并轻松转换为Pandas DataFrame进行后续分析。该免费样本旨在作为概念验证，而更大规模的生产级数据集（从一万至一百万条记录）可供升级，以满足模型训练、试点部署乃至临床人工智能产品开发等不同阶段的需求。

背景与挑战

背景概述

在临床人工智能与自然语言处理领域，高质量、可扩展且符合隐私规范的医学数据集是推动诊断辅助系统与电子健康记录分析技术发展的关键基石。Cardiology-1k数据集由WITNESS DATA FACTORY于2026年创建并发布，其核心研究目标在于提供一种零真实患者健康信息、符合HIPAA架构的合成心脏病学临床记录，以支持文本分类、实体识别及问答等多种医疗NLP任务的模型训练与验证。该数据集通过创新的三大型语言模型集成生成与质量评估流程，旨在缓解医学数据因隐私法规严格而导致的获取困难与标注成本高昂的普遍困境，为心血管疾病领域的临床人工智能研究提供了安全、可靠且标准化的数据资源。

当前挑战

该数据集致力于应对医疗自然语言处理中因数据稀缺与隐私约束所带来的核心挑战，即如何在严格遵守HIPAA等法规、确保零真实患者健康信息暴露的前提下，生成大规模、高质量且临床可信的标注数据，以训练鲁棒的疾病诊断与信息抽取模型。在构建过程中，主要挑战体现在生成技术的复杂性上，包括如何通过多模型集成方法有效规避单一模型可能产生的幻觉与偏见，以及如何设计并实施如Trinity共识评分等严格的质量保障体系，以确保每一条合成记录在医学准确性与逻辑一致性上达到接近真实临床文本的标准，从而支撑起严肃的科研与商业应用。

常用场景

经典使用场景

在心血管医学自然语言处理领域，高质量标注数据的稀缺长期制约着临床人工智能模型的研发进程。Cardiology-1k数据集通过提供千条结构化心脏病学记录，为研究者构建文本分类、实体识别和问答系统等任务奠定了数据基础。其经典应用场景集中于训练和评估临床文档自动化处理模型，例如从电子健康记录中自动提取诊断信息、识别关键医学实体，以及构建智能临床决策支持系统的原型验证。

实际应用

在实际医疗场景中，基于此类数据训练的模型可部署于医院信息系统，实现心血管疾病临床笔记的自动化编码与摘要生成。例如，系统能够实时分析入院记录，自动标注心肌梗死、心力衰竭等关键诊断，辅助医生快速完成病历书写与质量控制。此外，这些模型还能集成到临床研究平台，高效筛选符合特定条件的患者队列，为回顾性研究和临床试验招募提供技术支持，从而提升医疗机构的运营效率与研究能力。

衍生相关工作

该数据集的发布催生了一系列围绕合成医学数据质量评估与应用的创新研究。学者们以此为基础，探索了多模型集成生成技术在保持临床语义真实性方面的优势，并发展了新的合成数据质量量化指标。相关工作进一步拓展至跨专科医学语言模型的预训练，以及合成数据在罕见病诊断模型开发中的迁移学习策略。这些研究不仅验证了合成数据在复杂医学领域的可行性，也为构建更大规模、多模态的医疗人工智能基础设施提供了方法论参考。