数巨有谱数据集团
[01 · SHP-MED-05-035]

临床文本去标识化数据

按声明策略处理后的临床文书全文,标识位置以统一标记占位。逐份配一条标识替换汇总,记标识类别、替换策略与替换处数。原文与去标识正文之间逐段给出偏移映射。去标识策略版本及其可逆性状态随数据交付。可用于去标识引擎测试、既有标注的坐标换算与合规说明。

临床文本与标准化 · 评估与研究使用许可 · 更新日期 2026-08-05

5
实体
33
字段
2
实体关系
05
所属体系
[02 · 产品说明]

读懂数据结构与交付边界

以下内容来自产品说明书,包含数据拓扑、字段字典、脱敏样例、使用场景及定制方式。

[01]

数据产品概览

数量内容
实体5去标识文书版本 · 标识替换汇总 · 偏移映射 · 去标识策略 · 数据质量项
字段33交付范围内的字段总数
实体关系2受保护回链表不进入客户交付包,与去标识正文物理分离保存 · 替换汇总与半开区间偏移映射逐份绑定到具体的文书版本

交付与供应方式

  1. 数据集交付:清单 CSV/Parquet + 单一对象文件夹 + Meta.jsonl/Parquet
  2. API 调用
  3. Token 计量
  4. 数巨有谱可信数据空间连接器合约使用

权利与来源

  • 数据取得方式:数据资源持有方书面授权
  • 数据来源机构:医疗机构(含等级医院、社区医院及康复机构、疾控机构)
  • 数据加工机构:数巨有谱或数据资源持有方
  • 数据经营机构:数巨有谱(经营权权利人)
[02 · DATA CONTENT]

数据内容与字段结构

在同一位置切换字段字典、实体血缘与脱敏样例,避免重复铺陈造成页面过长。

数据血缘拓扑

实体与连接关系分层呈现:上方先识别全部数据对象,下方逐条阅读关系基数,避免连线交叠、标签遮挡或内容被裁切。

5 个实体4 条连接响应式完整展示

实体概览

核心实体以品牌蓝标识
01核心实体

去标识文书版本

全文/策略版本/保真状态

02关联实体

标识替换汇总

类别/策略/处数

03关联实体

偏移映射

原文↔去标识两套坐标

04关联实体

去标识策略

版本/可逆性状态

05辅助实体

数据质量项

未知即写未知

连接关系

每条关系独占一行,基数置于两实体之间

实体 A01

去标识策略

版本/可逆性状态

1—n
实体 B

去标识文书版本

全文/策略版本/保真状态

实体 A02

去标识文书版本

全文/策略版本/保真状态

1—1
实体 B

标识替换汇总

类别/策略/处数

实体 A03

去标识文书版本

全文/策略版本/保真状态

1—n
实体 B

偏移映射

原文↔去标识两套坐标

实体 A04

去标识文书版本

全文/策略版本/保真状态

1—n 该版本的质量结论口径登记
实体 B

数据质量项

未知即写未知

核心实体关联实体1—1 / 1—n / n—1 表示关系基数
查看关系语义清单
基数关系语义
去标识策略1—n去标识文书版本一版策略之下产出的多份去标识文书版本
去标识文书版本1—1标识替换汇总每份文书版本一条替换汇总
去标识文书版本1—n偏移映射该版本的逐段偏移映射,覆盖替换段与原样段
去标识文书版本1—n数据质量项该版本的质量结论口径登记

一版策略之下产出多份去标识文书版本。每份带一条替换汇总与若干段偏移映射。偏移在原文与去标识正文两个坐标系上成对给出,替换导致长度变化时按段对应。原值与受保护回链不在本交付包内,替换汇总与偏移映射均标明原值未披露。策略的可逆性状态随数据交付,本例记为受保护回链在内部保存。

[03]

使用场景

病历文本对外提供前的处理与口径说明

三甲医院 · 科研合作与数据对外办公室

  • 处理过程逐份成表:每份文书替换了几处、属哪类标识、用什么策略,都在表里。对外说明时可直接引这张表
  • 原值不同包:替换汇总与偏移映射均标明原值未披露。原文与回链在受保护层单独保存,不在交付包内
  • 用词按实际口径:策略的可逆性状态写作「受保护回链在内部保存」。对合作方的承诺范围以这一口径为准
  • 无金标准就不给数字:漏检率与误检率如实记为未知,不以未经验证的比例充当验收结论
  • 临床内容不被削减:语义保真状态单列,说明处理只动标识、不动临床叙述。合作方拿到的仍是可用于研究的文本

获得:处理过程逐份可说明、承诺口径不夸大的对外文本材料

可直接进入训练的文本与既有标注坐标续用

医疗科技企业 · 训练语料准备团队

  • 全文不截断:去标识正文按全文交付,长病程记录与手术记录全文保留,训练样本的上下文完整
  • 标注坐标可换算:原文与去标识正文的逐段偏移成对给出。已在原文坐标系上做过的实体、时间与章节标注可按段换算过来
  • 占位标记统一:占位符在同批数据内一致,不引入随机假名,避免模型将替换值当作真实实体学习
  • 剂量与否定不动:处理只针对标识。剂量、单位、否定表达与时序间隔保持原样
  • 策略版本随语料走:语料带策略版本。日后换一版策略重出语料时,两版可对照评估处理强度对模型的影响

获得:上下文完整、既有标注坐标可续用的训练语料

去标识引擎的对照基线与偏移回放测试

医疗信息化企业 · 去标识产品团队

  • 逐段回放可脚本化:偏移映射按半开区间成对给出。可写脚本逐段核对处理后文本是否仍与原坐标对应
  • 密度分布作基线:各份文书的替换处数从零处到二十处不等。可作为引擎在不同文书类型上命中密度的对照基线
  • 原样段也在册:本批含一段无标识命中的原样段。映射表覆盖全文,回放时未变更区间也在其中
  • 质量口径写明:质量状态写明无金标准可比,漏检率与误检率均属未知。产品据此设定验收口径

获得:可脚本化回放、覆盖全文区间的去标识引擎测试底料

研究用病历文本的取得与处理留痕

药械企业与合同研究机构 · 真实世界研究文本材料

  • 拿到即可读:处理后仍是完整的临床叙述,研究人员可直接读病程与手术记录,不需要另作还原
  • 时间处理写明:日期采取的处理方式随文本交付。研究方案写时间窗口条款时能据此判断日期能否直接使用
  • 口径可写进方案:标识类别、替换策略与可逆性状态可整段引入研究方案的数据处理章节
  • 批次可分辨:每份文本带策略版本与来源正文指纹,跨批次取得的材料能分辨出自哪一版处理

获得:可直接阅读、处理口径可写进研究方案的病历文本材料

[04]

定制与定向

  • 是否支持定制:是
  • 替换策略(单选):按类别统一遮蔽 / 按主体稳定假名
  • 其他定制项(多选):标识类别范围 / 日期处理方式 / 文书类型范围 / 跨文书一致性范围 / 偏移映射粒度
  • 最低定制数量:10,000 份去标识文书
  • 偏移映射交付:是否随文本交付原文与去标识正文的逐段偏移映射,按项目确定
  • 其他可定制项:与项目商务确定
[05]

去标识化与交付

  1. 直接标识符移除:姓名、证件号码、联系方式、住址
  2. 间接标识符不可逆映射:患者标识、就诊号、报告单号
  3. 时间平移:整体平移并保持时序与时间间隔
  4. 机构与医师信息去除或泛化
  5. 自由文本二次核查:叙述内容中的标识信息
  6. 可按项目追加 K-匿名等泛化处理,匿名化的判定与出具方式随项目约定
  7. 原值与受保护回链表不进入交付包,与去标识正文物理分离保存
  8. 同一主体在多份文书中的替换保持一致,不同主体不因同名而被合并
  9. 启用日期平移时,同一主体的全部日期一致平移,保序保间隔,平移参数在受保护层保存
  • 加密通道交付:支持
[06]

关联数据集

  • SHP-MED-05-031 临床文书分类与章节切分数据——提供被处理文书的版本与章节坐标
  • SHP-MED-05-033 临床时间事件标注数据——日期处理方式直接影响的时间标注层
  • SHP-MED-06-036 临床指令微调训练数据——以去标识文本为底组织的训练样本形态
[07]

常见问题

临床文本去标识化数据包含哪些内容?

临床文本去标识化数据(SHP-MED-05-035)交付按声明策略处理后的临床文书全文,标识位置以统一标记占位。逐份配标识替换汇总,记标识类别、替换策略与替换处数;原文与去标识正文之间逐段给出偏移映射,策略版本与可逆性状态随数据交付。

临床文本去标识化数据适合做什么?

适合作为上下文完整的模型训练语料:全文不截断,剂量与否定表达保持原样,既有实体、时间与章节标注可按偏移映射换算坐标续用;也适合去标识引擎的对照基线与偏移回放测试、科研合作对外提供文本时的处理口径说明。

临床文本去标识化数据有样例吗?怎么交付?

产品页提供真实脱敏样例:二十六份去标识后的文书全文,逐份配替换台账与一百三十段偏移映射,日期处理方式与语义保真状态一并附上。交付形态含数据集(CSV/Parquet 加对象文件夹)、API 调用、Token 计量与可信数据空间连接器。

临床文本去标识化数据如何定制与起步?

替换策略可选按类别统一遮蔽或按主体稳定假名,再按标识类别、日期处理方式、文书类型、跨文书一致性与偏移映射粒度定制,起订量为 10,000 份去标识文书,数据量按项目商定。可先申请开源子集或测试数据核对替换与映射格式。

临床文本去标识化数据与哪些产品搭配使用?

常与临床文书分类与章节切分数据(SHP-MED-05-031)取得被处理文书的版本与章节坐标,与临床时间事件标注数据(SHP-MED-05-033)联动日期处理方式对时间标注层的影响,与临床指令微调训练数据(SHP-MED-06-036)作为训练样本的文本底料。

[08]

获取方式

  • 有明确科研/临床项目:提供研究方向与所需字段范围,可先申请开源子集用于可行性验证。
  • 有明确数据智能场景:提供模型或应用场景,可先申请测试数据与接入方式完成联调。
  • 许可:评估与研究使用许可。

© 数巨有谱数据集团

[03 · 关联产品]

继续查看可连接的数据产品

按产品资料中登记的患者、就诊、事件或任务标识关系继续查看。