Überblick über den Datensatz

Die Synthetic Patient Data von CancerGUIDE ist ein synthetischer onkologischer Patientendatensatz, der im Jahr 2025 vom Microsoft Research veröffentlicht wurde und auf GPT-4.1 basiert. Die zugehörige wissenschaftliche Publikation finden Sie unter „CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation“. Der Datensatz zielt darauf ab, eine datenschutzkonforme und kontrollierbare Benchmark-Datenbasis für die Bewertung und das Training großer Sprachmodelle bei Aufgaben zur Einhaltung klinischer Leitlinien und zu Schlussfolgerungen bereitzustellen.

Der Datensatz enthält synthetische Krankenakten aus der Onkologie sowie entsprechende Behandlungsempfehlungen. Er wird in zwei Generierungsarten unterschieden: strukturierte und unstrukturierte Daten. Dabei umfasst der strukturierte Teil 165 Aufzeichnungen und der unstrukturierte Teil 151 Aufzeichnungen. Diese Daten wurden mit GPT-4.1 generiert, um Forschungen an großen Modellen im Bereich des klinischen Reasonings und der Empfehlungssysteme zu unterstützen, wobei gleichzeitig die Datenschutzrisiken vermieden werden, die durch die Nutzung echter Patientendaten entstehen würden.

Zusammensetzung des Datensatzes

Der Datensatz beinhaltet zwei Konfigurationsdateien (Configs), die jeweils einer anderen Generierungsmethode entsprechen:

• synthetic_structured: Enthält 165 Aufzeichnungen und verwendet eine strukturierte Generierungsmethode (Tabellen-Prompt-Templates).
• synthetic_unstructured: Enthält 151 Aufzeichnungen und verwendet eine unstrukturierte Generierungsmethode (Freitext-Beschreibungen).

Jede Aufzeichnung liegt im JSON-Format vor und enthält folgende Felder:

• patient_id: Eindeutiger Patientenidentifikator
• patient_note: Textbeschreibung der Krankengeschichte des synthetischen Patienten
• label: Vom Modell empfohlene Behandlungsmaßnahme

Zitation

@article{CancerGUIDE,
  title = {CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation},
  author = {Unell,  Alyssa and Codella,  Noel C. F. and Preston,  Sam and Argaw,  Peniel and Yim,  Wen-wai and Gero,  Zelalem and Wong,  Cliff and Jena,  Rajesh and Horvitz,  Eric and Hall,  Amanda K. and Zhong,  Ruican Rachel and Li,  Jiachen and Jain,  Shrey and Wei,  Mu and Lungren,  Matthew and Poon,  Hoifung},
  url = {https://doi.org/10.48550/arxiv.2509.07325},
  publisher = {arXiv},
  year = {2025},
}