想做重症方向的研究，想拿到真实的 ICU（Intensive Care Unit，重症监护室）数据？前三个数据库——NHANES 是美国人群调查、CHARLS 是中国中老年追踪、GBD 是全球模型估算——都没有"病房里正在发生什么"这层颗粒度。MIMIC 是第四个完全不同的物种：它是波士顿 BIDMC 医院（Beth Israel Deaconess Medical Center，贝斯以色列女执事医疗中心）收治的急诊与 ICU 病人的逐小时记录——心率、血压、呼吸机参数、每一支药的给药时刻、每一次化验结果，时间戳精确到分钟。这篇继续老规矩——认识它（01）→ 拿到它（02）→ 看懂它（03）→ 用对它（04）→ 做研究（05）→ 发论文（06），先看图。
全称：Medical Information Mart for Intensive Care（重症医疗信息集市）
主持机构：MIT 计算生理学实验室 + 波士顿 Beth Israel Deaconess Medical Center（BIDMC）
官网：https://mimic.mit.edu/ · 数据托管：https://physionet.org/
最新版本：MIMIC-IV v3.1（2024 年 10 月发布），数据时间跨度 2008-2022 年
规模：ICU 患者 65,366 名、ICU 住院 94,458 次；含急诊在内的全库个体 364,627 名、住院 546,028 次
01 认识它：重症医学研究的事实标准数据集
MIMIC 由 MIT 计算生理学实验室与波士顿 BIDMC 医院联合构建。MIMIC-IV 是它目前的最新主版本，按"模块"组织——每个模块对应一种数据来源：官方文档列出六大模块——全院电子病历（Hosp）、ICU 临床信息系统（ICU）、急诊科（ED）、胸片影像与报告（CXR）、心电波形（ECG）、去标识化临床自由文本（Note）。其中 Hosp 与 ICU 是 MIMIC-IV 主数据集自带的两个核心模块（官方口径"two modules: hosp, and icu"），ED/CXR/ECG/Note 则是同一家族下需在 PhysioNet 单独签 DUA 申请的扩展数据集；另有旧版本 MIMIC-III（数据止于 2012 年）仍在维护、供历史研究迁移，官方明确建议新研究直接使用 MIMIC-IV。
与调查类数据库不同，MIMIC 的每一条记录都来自真实临床场景：不是问卷里的"您睡眠如何"，而是监护仪逐小时记录的心率；不是"您是否在用降压药"，而是哪一分钟推注了哪一毫克去甲肾上腺素。这种粒度让它成为重症预测模型、临床决策支持、器官支持策略研究里被广泛引用的公开 ICU 数据集。
02 拿到它：免费，但要先完成认证
MIMIC 不收费，但也不是"点一下就能下载"——PhysioNet 对受保护健康信息（PHI，Protected Health Information）设有"认证访问"（credentialed access）机制，需先完成下列流程：
- 注册 PhysioNet 账号（官方提示：机构邮箱非必需，但有助于通过审核）
- 完成 CITI（美国高校医院通用的在线伦理培训平台）"Data or Specimens Only Research" 模块培训——官方指定的人体受试者保护课程，在线完成；提交时需上传 CITI Completion Report（完成报告），不能只交证书
- 提交认证申请并等待审核——官方口径通常 1-2 周；通过后再登录数据集页面在线签署 DUA（Data Use Agreement，数据使用协议）
通过认证后，数据文件（CSV 格式压缩包，体量较大）直接在 PhysioNet 页面下载；官方同样推荐云端访问——提供 Google BigQuery、AWS、Google Cloud Storage 三种方式，其中 BigQuery 最适合直接写 SQL 查询。国内研究者同样可以申请——但要预留认证等待期，不要把选题启动和认证下载排进同一周。
03 看懂它：三级 ID 与多模块联用
MIMIC-IV 的数据结构比前三个数据库复杂得多，核心是三级标识。直观地说，它就是一张张按时间戳排列的记录表——"某患者、某时刻、某项测量"，海量数据行靠这些 ID 串联：
- subject_id：一位患者（同一人可能多次住院）
- hadm_id：一次住院（住院期间可能进出 ICU 多次）
- stay_id：一次 ICU 入住（最小分析单元）
常用表各司其职：patients（人口学）、admissions（住院记录）、icustays（ICU 入住）、chartevents（床旁监护的生命体征与仪器读数，通常约每小时记录一条、时间戳精确到分钟，是最大的一张表——官方文档标注 313,645,063 行，约 3.1 亿）、labevents（实验室化验）、inputevents/outputevents（液体出入量）、prescriptions（处方）、diagnoses_icd（ICD 诊断编码，即国际疾病分类的标准编码）。跨模块分析（如"ICU 患者同时合并的 ED 分诊信息"）靠这些 ID 联表完成。
官方在 GitHub 维护了 mimic-code 仓库，把常用的派生视图（如 SOFA（序贯器官衰竭评估）评分、脓毒症标记、首次入 ICU 24 小时指标汇总）做成了现成的 SQL——SQL 是操作数据库的查询语言，"物化视图"则是把常用统计预先算好存成表，跑查询时直接复用——不要从零写，先读 mimic-code。
04 用对它：时间对齐是最大技术难点
MIMIC 的深度是把双刃剑。四个必须正面处理的问题：
- 时间窗对齐：做"入 ICU 24 小时内预测死亡率"，要精确定义"入 ICU 时刻"为 t=0，所有特征落在 [t0, t0+24h]，标签落在 [t0+24h, 出院]——时间窗稍有偏差就构成数据泄漏
- 缺失与频次不均：不是每个患者每小时都有血压记录，缺失本身携带信息（"没测"往往意味着病情稳定）——填补策略（前向填充/插值/缺失指示变量）会显著改变结果
- 版本对应：MIMIC-III 与 MIMIC-IV 的表结构不同，III 时代的经典代码迁移到 IV 需要逐表核对
- 规模：chartevents 有 3 亿多行，本机 Excel/Python 直接读会爆内存——应先用 SQL 在 PostgreSQL（一种开源数据库软件）或 BigQuery（谷歌云的数据库服务）里筛出目标队列与变量，再做分析
05 做研究：MIMIC 高频发文方向
- 重症预后预测：ICU 死亡率、28 天死亡率、再入院、机械通气时长的机器学习预测——发文量很大
- 临床评分比较与优化：SOFA、APACHE II、qSOFA（ICU 常用的三种危重症严重程度评分）在特定亚组中的表现比较，或构建简化新评分
- 动态轨迹与亚型发现：脓毒症/AKI（急性肾损伤，Acute Kidney Injury）患者的生理轨迹聚类，识别异质性亚型
- 治疗策略评价：血管活性药物、液体复苏、镇静策略的早期启动时机与结局
- 多模态研究：CXR 影像 + Note 文本 + 结构化指标的联合建模
能力边界必须写清：单中心（数据只来自 BIDMC 一家医院）回顾性（基于既有病历记录事后汇总，而非前瞻设计）数据，结论外推到其他医院/其他国家需谨慎；回顾性观察研究不能回答因果；编码与录入误差存在；DUA 禁止再识别患者与数据二次分发——论文图表里不能出现任何可识别信息。
06 发论文：重症 AI 的高产数据源，也是方法学的试金石
MIMIC 是重症 AI 论文被广泛引用的数据集，也被审稿人"审美疲劳"——纯"用 XGBoost（一种常用机器学习模型）预测死亡率"的套路文章已很难出彩。差异化在临床问题本身：问一个 ICU 医生真的关心的问题（如"哪种患者能从早期液体复苏中获益"），比把模型从 XGBoost 换成 Transformer（一类深度学习架构）更有价值。
我们辅导的常规路径：选题查新与临床问题凝练（1-2 周）→ 认证、下载与队列构建（2-4 周）→ 特征工程、建模与敏感性分析（3-6 周）→ TRIPOD/PROBAST 规范写作与投稿（5-8 周）。导师一对一示范，从 PhysioNet 认证到投稿全程把关，分析与写作由你本人完成。
下一篇讲 SEER——美国国家癌症研究所的肿瘤登记数据库，肿瘤流行病学研究的重要入口。关注医嘉研科研资讯，九大临床公共数据库逐个讲透。