eCREAM-MedCorpus 意大利语临床笔记大型语料库

我们推出了 eCREAM-MedCorpus，这是意大利医院急诊科生成的全新且独特的大规模临床记录数据集。该语料库当前版本由大约 400 万条完全匿名的临床记录组成，涵盖了急诊科患者护理期间的不同阶段。此外，临床专家通过结构化病例报告表 (CRF) 手动注释了约 6000 条注释，其中包含 132 条与急诊科两种患者情况（呼吸困难和意识丧失）相关的项目。项目可以采用数值（例如，血液饱和度）、分类值（例如，意识水平）、二元值（例如，是否存在创伤）和混合值类型。注释过程涉及多名临床医生，并进行了迭代修订，以解决项目表述中的歧义，从而产生了结构丰富（尽管高度不平衡）的资源。该数据集旨在填补能够支持 大语言模型 在具体医疗应用中的开发和使用的相关数据空白。我们描述了数据收集协议、现场匿名化管道、语料库统计和注释方案。最后，我们提出 CRF 填充作为一种新颖的结构化信息提取基准，并提供由 Gemma-27B 和 MedGemma-27B 产生的零样本基线。据我们所知，eCREAM-MedCorpus 是现有的最大的意大利语临床笔记免费数据集。