PMC-Patients

מה זה

הבסיס כאן הוא סיכומי חולים שנחתכו מתוך דוחות מקרה בתוך מאגר PubMed Central. הגרסה הראשונה כללה כ־167 אלף סיכומים עם 3.1 מיליון קישורי רלוונטיות למאמרים וכ־293 אלף צמדי חולים דומים, כולם מבוססים על גרף הציטוטים של PubMed. גרסה שתיים מעלה את המספר ל־250,294 מטופלים על בסיס נתוני 2024 באותו תהליך איסוף בדיוק.

כל רשומה כוללת מזהה ייחודי שקושר את החולה למאמר המקור, כותרת, נתיב קובץ, וטקסט חופשי שמתאר את המקרה. לצד הטקסט מופיעים נתונים מובנים של גיל, מגדר, ומילונים שמדרגים דמיון לחולים אחרים או רלוונטיות למאמרים רפואיים בציונים של 1 או 2.

מתאים ל

• אחזור חולים דומים

  אימון מודלים להשוואת מקרי בוחן ומציאת מטופלים עם מהלך מחלה מקביל לפי סימפטומים.

• חיפוש מאמרים רלוונטיים

  טיוב מערכות שמקבלות תיאור מקרה ומאתרות את הספרות הרפואית המתאימה ביותר לטיפול.

• חילוץ ישויות רפואיות

  הערכת ביצועים של מודלי שפה על טקסט קליני חופשי מול שדות מובנים כמו גיל ומגדר.

איפה זה נופל

הטקסט כולו באנגלית בלבד. אם המטרה היא עבודה מול מערכת בריאות בישראל או טקסטים בעברית, אין פה מענה ישיר. מעבר לזה, הנתונים נשענים על תיאורי מקרה שפורסמו בספרות הרפואית, מה שאומר שיש הטיה מובנית למקרים נדירים, חריגים או מורכבים יותר ממה שרופא פוגש ביום יום. קשרי הרלוונטיות והדמיון לא נבדקו ידנית על ידי רופאים עבור כל צמד, אלא נגזרו מגרף הציטוטים של המאמרים, ולכן הם מכילים רעש שצריך לקחת בחשבון.

איך טוענים

המאגר פתוח להורדה ישירה דרך Hugging Face ואין צורך בהרשאה מיוחדת. הנתונים מגיעים בקובץ CSV עבור הגרסה הראשונה ובקובץ JSON עבור גרסה שתיים, שניהם שומרים על אותם שדות מפתח. מומלץ לגשת ישר לגרסת ה־JSON כדי לקבל את היקף הנתונים המלא, ולהתמקד בשדות של טקסט המטופל והמילונים של החולים הדומים כדי לבנות את משימות הדירוג והאימון.

from datasets import load_dataset

ds = load_dataset("zhengyun21/PMC-Patients")

הרישיון

הרישיון הוא cc-by-nc-sa-4.0. המשמעות ברורה וסוגרת דלתות: השימוש מותר למחקר ולמטרות לא מסחריות בלבד, תוך מתן קרדיט ושיתוף כל נגזרת באותו רישיון בדיוק. אי אפשר לאמן על זה מודל שייכנס למוצר מסחרי סגור או שיימכר ללקוחות.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗