bluesky333/synthetic_discharge_summ

该数据集名为Synthetic Discharge Note Summarization，主要用于医疗领域的出院记录摘要任务。数据集包含13,584条记录，这些记录是从PMC-Patients案例报告中通过GPT-3.5生成的合成笔记。数据集的结构包括患者ID、笔记、问题和答案等字段，支持问答、摘要、文本生成和对话等任务。该数据集名为Synthetic Discharge Note Summarization，主要用于医疗领域的出院记录摘要任务。数据集包含13,584条记录，这些记录是从PMC-Patients案例报告中通过GPT-3.5生成的合成笔记。数据集的结构包括患者ID、笔记、问题和答案等字段，支持问答、摘要、文本生成和对话等任务。

原始信息汇总

数据集概述

• 名称: Synthetic Discharge Note Summarization
• 类别: 医学、合成数据
• 大小: 10,000 < n < 100,000

支持的任务

• 问答
• 摘要
• 文本生成
• 对话

语言

• 英语

数据集结构

• 数据实例: discharge_notes.csv，包含临床笔记 - 问题 - 答案对
• 数据字段:
  • patient_id: 来自PMC-Patients的唯一案例报告ID
  • note: 案例报告文本
  • question: GPT-3.5生成的来自患者的指令
  • answer: GPT-3.5生成的针对给定案例报告和问题的答案

源数据

• PMC-Patients
• Asclepius

许可信息

• CC-BY-NC-SA 4.0

搜集汇总

数据集介绍

构建方式

在临床自然语言处理领域，高质量的数据集对于模型训练至关重要。bluesky333/synthetic_discharge_summ数据集源自Asclepius项目，其构建过程严谨而富有创新性。该数据集以PMC-Patients病例报告为原始素材，借助GPT-3.5模型生成合成临床笔记。具体而言，研究者从PMC-Patients中提取患者病例报告，利用精心设计的提示词引导GPT-3.5生成指令与答案对，最终通过过滤筛选，聚焦于出院小结的摘要任务，形成了包含13,584条笔记的专门子集。这一方法既保留了病例的医学真实性，又通过合成技术扩充了数据规模。

特点

该数据集在医学文本摘要领域展现出独特优势。其核心特点在于数据来源的权威性与合成质量的平衡——基于PMC-Patients真实病例报告，确保了临床信息的准确性；而GPT-3.5的介入则赋予了数据多样性与可控性。每条记录由患者标识符、病例报告原文、GPT-3.5生成的提问指令及相应答案构成，结构清晰。数据集规模介于1万至10万之间，采用CC-BY-NC-SA 4.0许可协议，兼顾了开放共享与学术规范，为医疗文本生成与问答任务提供了坚实基准。

使用方法

使用该数据集时，研究者可直接加载discharge_notes.csv文件，其中包含patient_id、note、question和answer四个字段。该数据集支持多项自然语言处理任务，包括问答、摘要生成、文本生成及对话系统。用户可将其用于微调大型语言模型，以提升在临床出院小结场景下的理解与生成能力。建议将note字段作为输入，question与answer作为监督信号，构建序列到序列的学习任务。数据集托管于HuggingFace平台，可通过datasets库便捷调用，便于复现Asclepius相关工作或开展新研究。

背景与挑战

背景概述

在临床自然语言处理领域，出院小结的自动摘要生成对于提升医疗文书处理效率、辅助临床决策具有重要意义。然而，真实医疗数据因涉及患者隐私而难以公开获取，严重制约了相关研究的发展。为此，bluesky333/synthetic_discharge_summ数据集于2023年由Asclepius项目团队创建，基于PMC-Patients病例报告，借助GPT-3.5模型生成合成临床笔记及问答对，筛选出13,584条出院小结摘要任务数据。该数据集遵循CC-BY-NC-SA 4.0许可，旨在为医疗文本摘要、问答及对话生成等任务提供大规模、可公开访问的基准资源，推动了合成数据在临床自然语言处理中的可信应用。

当前挑战

该数据集面临的核心挑战包括：其一，领域问题层面，临床出院小结摘要需在保留关键诊断、治疗及预后信息的同时，压缩冗长病历文本，而现有模型常难以平衡信息完整性与摘要简洁性；其二，构建过程中，合成数据依赖GPT-3.5生成，可能引入模型偏见或事实错误，导致与真实临床记录的语义一致性不足；此外，从PMC-Patients提取的病例报告存在格式差异，需设计统一预处理流程以确保数据质量；最后，缺乏专家标注验证，使得合成数据的临床可靠性与泛化能力存疑，限制了其在高风险医疗场景中的直接应用。

常用场景

经典使用场景

在临床自然语言处理领域，Synthetic Discharge Note Summarization数据集为出院小结的自动摘要生成提供了重要的基准资源。该数据集包含13,584条由GPT-3.5基于PMC-Patients病例报告合成的临床笔记，其核心应用场景聚焦于训练和评估能够将冗长、非结构化的出院记录精炼为简洁、信息完整的摘要的模型。研究者可利用该数据集监督学习范式，探索序列到序列模型在医学文本压缩中的表现，从而推动临床文档自动化的技术边界。

实际应用

在实际医疗场景中，该数据集驱动的模型可辅助临床医生快速生成标准化的出院小结，显著减少文书工作负担，提升诊疗效率。通过集成到电子健康记录系统中，自动摘要功能能够从繁杂的病程记录中提取关键诊断、用药调整及随访建议，降低信息遗漏风险。此外，该技术还可用于患者端健康摘要的生成，增强医患沟通透明度，在远程医疗和分级诊疗体系中发挥优化信息流转的实用价值。

衍生相关工作

该数据集源自Asclepius项目，其衍生工作包括基于指令微调的临床语言模型Asclepius的提出，以及多项针对合成数据质量与真实临床数据分布对齐性的研究。后续工作进一步探索了利用该数据集进行少样本学习、跨机构迁移学习以及结合知识图谱增强摘要事实一致性的方法。这些研究不仅验证了合成数据在医学NLP中的可行性，还催生了关于临床文本生成中幻觉抑制与伦理合规性的深入讨论，形成了从数据构建到模型部署的完整研究脉络。