grafnatt/russian-medical-complaints-dataset

Russian Medical Complaints Dataset

1. Описание задачи

Данный датасет предназначен для обучения и оценки моделей классификации текстов и маршрутизации медицинских обращений пациентов на русском языке. Основная цель — автоматическое определение узкой врачебной специализации (10 основных классов) по описанию жалобы и симптоматики пациента.

2. Описание процесса генерации и сборки

Датасет сформирован в рамках гибридной схемы разметки и синтеза данных:

• —Базовый источник: Агрегированные медицинские жалобы на русском языке.
• —Аннотация и сэмплирование: Для разметки и оценки уверенности использовались LLM-подходы Zero-Shot и Few-Shot с применением подходов Self-Consistency (сэмплирование ответов при $T=0.8$).
• —Фильтрация и контрольный анализ: Примеры с высокой вероятностью неопределенности или ошибок маршрутизации проходили процесс эмуляции ручной экспертной проверки (Human-in-the-loop).

3. Численные показатели

• —Общий объем: >= 1000 записей.
• —Структура полей:
• —desc (string) — текст жалобы или обращения пациента.
• —spec10 (string) — медицинская специализация (целевой класс).
• —confidence (float) — показатель уверенности аннотации ($0.2 - 1.0$).

4. Визуализация распределения классов

На рисунке ниже представлено распределение целевых врачебных специализаций в датасете:

[image]

5. Примеры данных