跳到主要内容

DATASET 03 · 医学语言学

医患问诊多模态语料库

1,450 次真实问诊的音视频与去标识化转写,覆盖 6 个科室,支持医患沟通与临床语言研究。

语音视频文本医学语言学会话分析
医患问诊多模态语料库 · 封面示意
规模
620 小时
参与者
1,450 次问诊
语种
普通话(含 3 个方言区口音)
标注
话轮与话题转换、共情与安抚标记、医学实体标注、非言语行为编码
格式
WAV / MP4 / TextGrid / JSON
同步
音视频同步误差 ≤ 2 ms
授权
科研授权 / 商业授权(需伦理审查)
更新
2026 年 7 月 18 日

01 / 数据构成

规模、关键指标与数据流

在真实问诊场景中记录语言、表情与互动

620 h
总时长
1,450 次
问诊
6 个
科室
数据构成与规格
数据流规格说明
音频48 kHz / 24-bit · 双通道医生与患者独立通道,保留自然重叠
视频1920 × 1080 · 30 fps双机位,覆盖双方上半身
文本UTF-8 / JSON去标识化逐字转写与说话人分离

表格为示例批次的采集参数,最终规格以随数据交付的说明文档为准。

02 / 数据说明

采集、标注与质量控制

以下内容说明数据如何被采集、标注与验证,可作为方法学引用与方案评估的依据。

数据概况

医患问诊多模态语料库包含 1,450 次真实门诊问诊,累计 620 小时,覆盖内科、外科、儿科、皮肤科、心理科与康复科 6 个科室,采集时间为 2024 年 1 月至 2026 年 4 月。单次问诊平均时长 25.7 分钟,最短 6 分钟,最长 58 分钟,保留从患者入座到离开的完整过程。

语料按科室、问诊类型(初诊、复诊、随访)与医生年资分层,同一医生贡献 10 至 30 次问诊,用于比较个体沟通风格与稳定模式。

采集规范

诊室内布置双通道领夹麦克风,医生与患者各自独立通道、48 kHz / 24-bit 录制;视频采用两台 1920 × 1080 · 30 fps 机位,分别记录双方上半身与手部动作。采集前由医院伦理委员会审批,患者与医生分别签署知情同意书,允许在任何环节无条件退出。

为控制隐私风险,诊室内的病历屏幕、检验单与身份信息在采集端即做遮挡;转写阶段执行严格的去标识化流程,人名、地名、机构名、日期与编号统一替换为类型化占位符,替换映射表不随数据交付。

标注体系

标注由具备医学背景的标注员完成,医学实体部分由临床医生复核。

层级内容规模复核方式
会话层话轮切分、话题转换、打断与重叠约 38 万话轮双盲复核 20%
沟通层共情、安抚、解释、共同决策12 类沟通行为双人标注,κ 报告
实体层症状、检查、诊断、用药、剂量约 21 万实体医生抽检 15%
非言语层点头、皱眉、手势、目光8 类行为关键片段双人标注

质量与验证

音视频同步误差中位数 1.2 ms,95 分位不超过 2 ms;转写字准确率 98.9%;沟通行为标注一致性 κ = 0.88;医学实体 F1 为 0.94。每批次抽取 10% 问诊做双盲复核,去标识化结果由独立小组二次扫描,漏检率低于 0.1%。交付附伦理审批文件摘要、去标识化说明与标注一致性报告。

典型研究问题

  • 医生共情表达与患者后续依从性的关联。
  • 不同科室问诊结构的差异与信息传递效率。
  • 患者犹豫、回避等非言语信号的出现规律。
  • 临床对话摘要模型在真实问诊上的事实一致性。
  • 方言口音对医患理解与重复解释的影响。

获取与授权

本数据集仅面向通过伦理审查的研究项目与合规商业场景开放。科研授权需提交研究方案、伦理批件与数据管理计划;商业授权另需签署数据处理协议,禁止再识别与原始影像二次传播。交付格式为 WAV、MP4、TextGrid 与 JSON,可按科室与问诊类型筛选。可先通过示例数据查看脱敏字段结构,或在联系页预约伦理与授权沟通。

03 / 典型用途

这批数据可以回答的问题

以下为典型研究与产品方向,具体分析方案需结合研究设计与统计方法确定。

  • 01

    医患沟通质量评估

  • 02

    共情语言与患者满意度研究

  • 03

    临床对话摘要与实体抽取

  • 04

    问诊流程与沟通培训

NEXT STEP

需要调整采集场景或标注体系?

现有数据集可直接授权,也可基于你的研究设计扩展说话人、场景与标注层级。

1 个工作日内回复 · 支持 NDA 与数据授权协议 · 高校科研专属方案