心血管临床文本智能处理新突破：CARDIO:DE数据集的扩展与NLP模型评估

本研究针对德语心血管临床文本缺乏高质量标注数据的问题，扩展了CARDIO:DE数据集的标注体系，新增诊断程序、医学发现等5类临床实体，通过迭代标注使标注者一致性达0.98。研究团队评估了GBERT、medBERT.de等4种NLP模型，发现TinyLlama以0.845的F1值表现最优，为德语临床文本信息抽取提供了新基准。

　　

心血管疾病(CVD)作为全球头号健康杀手，每年仅在欧洲就造成410万死亡，其诊疗过程产生的海量临床文本却长期沉睡在电子健康记录(EHR)中。德语医疗领域尤其面临标注数据匮乏的困境——现有BERT模型缺乏心血管专科语料的精调，制约了临床决策支持系统的发展。海德堡大学医院的研究团队为此展开攻关，其成果近期发表于《International Journal of Medical Informatics》。

研究团队采用多阶段技术路线：首先扩展CARDIO:DE标注体系，新增Diagnostic、Therapy等5类临床实体；通过三轮迭代标注优化流程，由专家团队完成304,582个标注；最后微调GBERT、XLM-RoBERTa等4种预训练模型，采用精确率、召回率等指标进行实体识别评估。数据来源于该院2020-2021年的500份临床信函，其中400份(CARDIO:DE400)用于训练，100份(CARDIO:DE100)作为测试集。

Dataset description CARDIO:DE
构建首个德语心血管专科语料库，包含500份临床信函，按8:2划分训练测试集。标注覆盖药物剂量等传统字段，新增诊疗过程等结构化字段，支持ICD编码映射。

Quantitative assessment
标注质量显著提升，Medical_Finding占比达66%。经三轮迭代，标注者一致性从初始0.82提升至0.98，证明标注指南的有效性。

Discussion
TinyLlama的优异表现(0.845 F1)颠覆了"领域专用模型必优"的认知，其7B参数规模更利于临床机构部署。标注体系扩展使数据集能表征完整诊疗路径，支持ICD-10等标准编码。

Conclusions
该研究创建了德语临床NLP的新基准，证明通用模型经专业标注数据精调后可超越领域专用模型。Matthias Becker团队的工作为德语区医疗机构提供了开箱即用的NLP解决方案，特别在药物不良反应监测、诊疗方案优化等场景具应用潜力。未来可结合SNOMED CT等术语体系进一步扩展标注维度。