1. 数据集名称:

The Medical Information Mart for Intensive Care IV (MIMIC-IV)

2. 数据集基本情况:

•项目背景:

–MIMIC重症医学数据库是2003年在NIH的资助下，由来自贝斯以色列女执事医疗中心(BIDMC)、麻省理工(MIT)、牛津大学和麻省总医院(MGH)的急诊科医生、重症科医生、计算机科学专家等共同建立的。数据库中收录了BIDMC所有内外科重症监护病房收治患者的相关信息，团队出于保护患者隐私的需求，对患者信息脱敏处理后向全世界的研究人员免费开放。数据涵盖患者生命体征、药物情况、实验室监测、护理人员绘制的观察结果和笔记、液体平衡、程序代码、诊断代码、成像报告、住院时间、生存数据等。

–数据跨度：2008-2019

•数据库结构:

–数据库分为五个主要模块：Hospital、ICU、ED（急诊）、Note、CXR（胸片），具体结构及覆盖信息类型见图1。除字典表（医疗术语对照）之外，表之间通过患者编号、病案号以及ICU编号进行连接，表1列出了各个模块所对应的表格名称。

图1：MIMIC-IV数据集结构示意

表1：MIMIC-IV数据表

Module	Information Type	Related Tables
Hospital	Patient Tracking	patients, admissions, transfers
	Administration	service, poe, poe_detail
	Billing	diagnoses_icd, d_icd_diagnoses; procedure_icd, d_icd_procedures; drgcodes; hcpsevents, d_hcps
	Measurement	microbiologyevents; omr; labevents, d_labitems
	Medication	emar, emar_details; pharmacy; prescriptions
ICU	Patient Tracking	icustays
	Measurement	d_items, chartevents, datetimeevents, ingredientevents, inputevents, outputevents, procedureevents
Note	Deidentified Free-text	discharge, discharge_detail; radiology, radiology_detail

•样本量:

–MIMIC-Ⅲ数据库收集了BIDMC 2001年6月至2012年10月ICU收治的53423例成年患者数据和2001年至2008年收治的7870例新生儿重症患者数据。MIMIC-Ⅳ数据库在MIMIC-Ⅲ的基础上做了一些改进，包括数据更新和部分表格重构，收集了2008至2019年BIDMC收治的超过19万名患者、45万次住院记录的临床数据。

–CXR模块（MIMIC-Ⅳ新增）：包含227835项影像学研究，涵盖了2011年至2016年间在贝斯以色列女执事医疗中心急诊科（BIDMC）就诊的64588名患者。数据集中共有377110张图像可用，每份影像研究可包含多张图像。

•其他重要信息:

–MIMIC已经对患者信息进行脱敏处理，无需临床伦理审核；

–按照数据格式，患者数据可以划分为结构化数据（实验室测量、生理数据等）以及非结构化数据（医嘱诊断信息等）；

–与MIMIC-III相比，MIMIC-IV说明了了每张表的源数据库，在澄清数据来源的同时说明了一些关于数据覆盖率的问题；

–MIMIC-IV代码库中记录了一般研究中经常需要用到的数据的获取代码。数据库持续更新维护，最新版本发布时间为2023年1月。但当前Note模块以及心电图波形数据官方尚未发布。

3. 适用任务:

•预测性任务：患者结局预测、干预结果预测、疾病进程预测；

•回顾性任务：临床表征规律、干预模式分析、危险因素分析；

•文本挖掘与图像识别。

4. MIMIC官方网站:

•https://mimic.mit.edu/docs/iv/

5. 文献出处:

•Johnson, A.E.W., Bulgarelli, L., Shen, L. et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data 10, 1 (2023). https://doi.org/10.1038/s41597-022-01899-x

•基于该数据集的研究文献：

S. Abdulrahman, H. Tout, H. Ould-Slimane, A. Mourad, C. Talhi and M. Guizani, 'A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site Learning and Beyond,' in IEEE Internet of Things Journal, vol. 8, no. 7, pp. 5476-5497, 1 April1, 2021, doi: 10.1109/JIOT.2020.3030072.

•基于该数据集的历年模型精度的结果:

https://paperswithcode.com/dataset/mimic-iv

https://paperswithcode.com/dataset/mimic-iii

5. 数据申请流程

•PhysioNet账户认证，完成要求的培训：

Step1：在CITI网站注册，选择组织为Massachusetts Institute ofTechnology Affiliates，在“人类受试者”培训类别中，选择“Data or Specimens Only Research”课程，注册完成后即可开始答题（可重复答题）。完成答题后下载学习报告，用于后续申请。

Step2：注册PhysioNet账户，申请权限，提交CITI认证报告

注册页面链接：https://physionet.org/login/

权限申请页面链接：https://link.zhihu.com/?target='https%3A//physionet.org/settings/credentialing/

•签署数据使用协议；

•登录PhysioNet账户，在云端访问（推荐）或者在本地下载

项目页面：MIMIC-IV v2.2 (physionet.org)，