aisc-team-a1/augmented-clinical-notes

Augmented Clinical Notes数据集是一个扩展的现有数据集，包含30,000个三元组，来源于不同来源：真实临床笔记（PMC-Patients）、合成对话（NoteChat）和结构化患者信息（使用GPT-4生成）。该数据集用于训练MediNote-7B和MediNote-13B模型，这些模型是从MediTron大型语言模型微调而来的临床笔记生成器。数据集主要用于从对话中提取结构化患者信息，也可用于医疗领域的其他应用，如从临床笔记中提取全面的表格患者特征。

原始信息汇总

增强临床笔记数据集

数据集概述

• 名称: 增强临床笔记 (Augmented Clinical Notes)
• 任务类别: 文本生成
• 语言: 英语
• 大小: 10K<n<100K
• 标签: 医疗, 健康

数据集详情

• 特征:
  • idx: 字符串类型，唯一标识符
  • note: 字符串类型，NoteChat使用的临床笔记（可能被截断）
  • full_note: 字符串类型，完整的临床笔记
  • conversation: 字符串类型，患者-医生对话
  • summary: 字符串类型，患者信息摘要（JSON格式）
• 分割:
  • train: 包含30,000个样本，总字节数为355,231,590
• 下载大小: 158,941,722字节
• 数据集大小: 355,231,590字节

数据集创建

• 临床笔记: 主要来源是PMC-Patients数据集，包含167K个患者摘要。
• 合成对话: 使用NoteChat数据集，包含167K个合成患者-医生对话。
• 患者信息: 从30K个最长的临床笔记中提取结构化患者信息，使用GPT-4和定制的医疗信息模板。

数据集结构

• 字段:
  • idx: NoteChat数据集中的唯一标识符
  • note: NoteChat使用的临床笔记
  • full_note: 完整的临床笔记
  • conversation: 患者-医生对话
  • summary: 患者信息摘要（JSON格式）

使用

• 该数据集最初用于微调LLM以从对话中提取结构化患者信息，也可用于医疗领域的其他应用，如从临床笔记中提取综合表格患者特征。

偏差、风险和限制

• 合成数据: NoteChat对话是合成生成的，不完全真实。
• 代表性: PMC-Patients临床笔记来自英语PubMed Central出版物，因此过度代表英语国家的临床环境。