MIMIC-IV：30 万患者的 ICU 数据，从申请到跑起来

复现 MotherDuck：Qwen3.8 27B 在 MIMIC 上做到 96.8%

做医学 AI 的人，绕不开一个数据：MIMIC。

它是美国贝斯以色列女执事医疗中心（BIDMC）2008 到 2019 年的电子病历脱敏数据，全球研究者免费申请使用。30 万患者、43 万次住院、7.3 万次 ICU 入住，从化验单到医嘱到生命体征到影像报告，一套完整的重症监护记录。

过去十年，基于 MIMIC 的研究横跨重症医学、临床预测、医学 NLP、文本转 SQL，几乎所有医疗数据方向都用它做过基准。MIMIC-III 的原始论文发表在 Scientific Data（2016），是重症医学数据领域被引用最多的论文之一，MIMIC-IV 是它的继任者。

但拿到它的过程，说实话比想象中曲折。这篇把从申请到本地跑起来的路走一遍。

● ● ●

申请三步：凭据、培训、协议

MIMIC 走 PhysioNet 的 Credentialed Access 流程，三步缺一不可：

MIMIC 获取流程：认证 → 培训 → 协议 → 下载 → Parquet → DuckDB

第一步，注册 PhysioNet 账号并完成身份认证。 需要姓名、邮箱、机构信息，上传证件（护照或身份证）。审核一般几个工作日，通过后账号变成 credentialed user。

第二步，完成 CITI 培训。 PhysioNet 要求完成「Data or Specimens Only Research」课程（约 1 小时，全是选择题），这是美国研究伦理培训体系的标准模块，全球通用。完成后在 PhysioNet 设置页提交培训证书。

第三步，签署数据使用协议（DUA）。 承诺不重新识别患者、不传播原始数据、引用规范。签完立即生效，不需要等审核。

三步走完，就能在 MIMIC-IV 页面看到下载按钮了。总耗时取决于第二步的培训速度，快的话一天搞定。

● ● ●

数据长什么样

MIMIC-IV 按数据来源分成模块，核心是两个：

hosp 模块：医院级 EHR 数据。患者人口学（patients）、住院记录（admissions）、转科记录（transfers）、化验（labevents）、微生物（microbiologyevents）、用药（prescriptions、emar）、诊断（diagnoses_icd）、手术（procedures_icd）、医嘱（poe）。

icu 模块：ICU 临床信息系统（MetaVision）数据。ICU 入住（icustays）、生命体征与图表（chartevents）、液体出入量（inputevents、outputevents）、操作（procedureevents）、事件时间（datetimeevents）。所有事件表通过 stay_id 关联到 icustays，通过 itemid 关联到 d_items 字典表。

两个模块加起来 50 多张核心表。最常用的组合是：patients + admissions 拿人群，diagnoses_icd 拿诊断，prescriptions 拿用药，chartevents 拿监护数据。

另外还有 ED（急诊）、CXR（胸片影像）、Note（临床笔记）三个可选模块，按研究需要单独申请。

● ● ●

原始 CSV 的坑

PhysioNet 默认给的是 CSV 压缩包，直接拿来用有几个问题：

第一，表很大。 chartevents 解压后几十 GB，普通电脑的 pandas 直接内存爆炸。

第二，列类型混乱。 时间列有 string 有 timestamp，数值列混着文本（比如大于 200 这种临床标记），不同版本的 schema 还有差异。

第三，没有主外键约束。 官方文档说所有表都有 subject_id/hadm_id/stay_id 关联，但 CSV 文件本身不强制，查错关联是常态。

所以正经用法不是直接读 CSV，而是先转成分析友好的格式。

● ● ●

DuckDB + Parquet：我的本地化方案

我们团队的做法：CSV 转 Parquet，用 DuckDB 做查询引擎。

Parquet 是列式存储，压缩率惊人。 同样数据比 CSV 小一个数量级（30 万患者的住院记录，CSV 几个 GB，Parquet 几百 MB），而且列式格式让聚合查询只扫需要的列。

DuckDB 是嵌入式分析数据库，零部署。 单文件、无服务、Python 一行 import duckdb 就能用。它原生支持直接读 Parquet，不需要导入步骤：

import duckdb
con = duckdb.connect("catalog.duckdb")
con.execute("CREATE VIEW admissions AS SELECT * FROM read_parquet('hosp/admissions/*.parquet')")

我们最终把 MIMIC-IV 全部表转成 Parquet，挂在 DuckDB 的 catalog 里，schema 命名 catalog.hosp.admissions 这种三段式。日常查询秒级返回，一个 300 MB 的 catalog.duckdb 文件随身带。

这也是后续几篇的基础：31 个 SQL 模板、LLM 路由评测、OMOP 本体查询，全都跑在这个 catalog 上。

● ● ●

常见问题

Q：申请真的免费吗？ 免费。MIMIC 的获取和学术使用都不收费，但要在论文里引用（DOI 和原文都有规范格式）。

Q：数据是脱敏的吗？ 是。患者标识符替换成随机整数，日期整体随机平移（同一患者内部时间间隔保持不变），年龄超过 89 岁统一记为 91，死亡日期只保留出院后一年内的。

Q：能商用吗？ DUA 限制原始数据的再分发，派生数据集必须在 PhysioNet 上以同样协议发布。商用场景建议先咨询法务，或者用合成数据验证流程。

Q：除了 MIMIC-IV 还有什么？ MIMIC-III（40 万 ICU 患者的旧版）、eICU（美国 200 多家医院的 ICU 数据）、INSPIRE（韩国围手术期数据）。我们做本体交叉验证时用过 eICU，两个独立 ICU 库互相印证，结论更可信。

● ● ●

下一步

数据到手只是开始。下一篇讲怎么把 MIMIC 变成「AI 能安全查询的资产」——31 个工程验证过的 SQL 模板，让 LLM 只做选择题，不做自由发挥。

你申请过 MIMIC 吗？当时卡在哪一步，留言说说，没准能帮到后面的人。

● ● ●

参考来源

1. 01
   MIMIC-IV v2.2 官方页面（PhysioNet，含申请要求与数据规模）：https://physionet.org/content/mimiciv/2.2/
2. 02
   MIMIC-IV 原始论文《MIMIC-IV, a freely accessible electronic health record dataset》(Sci Data 2023)：https://doi.org/10.1038/s41597-022-01899-x
3. 03
   MIMIC 官方文档与代码仓库：https://mimic.mit.edu
4. 04
   DuckDB read_parquet 文档：https://duckdb.org/docs/data/parquet/overview