Datasets:
File size: 3,767 Bytes
c8c30b0 976190b c8c30b0 976190b c8c30b0 cede721 c8c30b0 cede721 c8c30b0 cede721 c8c30b0 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 | ---
language:
- pt
license: mit
size_categories:
- 100K<n<1M
task_categories:
- text-generation
- token-classification
- text-classification
- question-answering
tags:
- medical
- clinical
- healthcare
- nlp
- portuguese
- brazil
- anamnese
- clinical-notes
- ehr
- health-ai
pretty_name: Texto Clinico Brasileiro
dataset_info:
features:
- name: id
dtype: string
- name: text
dtype: string
- name: source
dtype: string
- name: text_type
dtype: string
- name: specialty
dtype: string
- name: metadata
dtype: string
splits:
- name: train
num_bytes: 262926904
num_examples: 384285
download_size: 98501175
dataset_size: 262926904
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Texto Clinico Brasileiro
Dataset unificado de texto clinico em portugues brasileiro para NLP.
Agrega multiplos datasets publicos em um schema Parquet padronizado, facilitando
o treinamento e avaliacao de modelos de linguagem para o dominio clinico.
## Conteudo
| Dataset | Registros | Tipo | Acesso | Fonte |
|---------|-----------|------|--------|-------|
| **MedPT** | 384.085 | Perguntas e respostas medicas | Livre | [AKCIT/MedPT](https://huggingface.co/datasets/AKCIT/MedPT) |
| **Sepse HC-RP** | 200 | Resumos de alta hospitalar | Livre | [Dataverse](https://doi.org/10.7910/DVN/GWNBQQ) |
**Total:** 384.285 registros | **Tamanho:** ~95 MB (Parquet)
## Schema
```
id : str -- identificador unico (ex: "medpt_000001", "sepse_hcrp_0001")
text : str -- texto clinico
source : str -- dataset de origem (medpt, sepse_hcrp)
text_type : str -- tipo de texto (qa_pair, discharge_summary)
specialty : str -- especialidade medica
metadata : str -- JSON com campos especificos do dataset original
```
## Especialidades (top 10)
| Especialidade | Registros |
|---|---|
| Psicologo | 57.112 |
| Ginecologista | 26.618 |
| Urologista | 16.173 |
| Dermatologista | 15.051 |
| Ortopedista | 14.818 |
| Oftalmologista | 12.109 |
| Psiquiatra | 11.149 |
| Dentista | 11.143 |
| Psicanalista | 9.742 |
| Otorrino | 7.734 |
## Como usar
```python
from datasets import load_dataset
ds = load_dataset("LABDAPS/texto-clinico-brasileiro")
# Filtrar por fonte
medpt = ds["train"].filter(lambda x: x["source"] == "medpt")
sepse = ds["train"].filter(lambda x: x["source"] == "sepse_hcrp")
# Filtrar por especialidade
cardio = ds["train"].filter(lambda x: "Cardiologista" in x["specialty"])
```
## Pipeline de geracao
O dataset e gerado pelo pipeline do repositorio [pt-br-clinical-nlp](https://github.com/fabianofilho/pt-br-clinical-nlp),
que baixa, normaliza e unifica os datasets originais em um schema padrao.
## Extensibilidade
O pipeline suporta datasets adicionais com acesso credenciado:
| Dataset | Registros | Acesso |
|---------|-----------|--------|
| **SemClinBr** | 1.000 | Credenciado (PUCPR) |
| **BRATECA** | 2.800.000+ | Credenciado (PhysioNet) |
Para incluir esses datasets, siga as instrucoes em [pt-br-clinical-nlp](https://github.com/fabianofilho/pt-br-clinical-nlp).
## Citacao
```bibtex
@dataset{texto_clinico_brasileiro_2026,
title={Texto Clinico Brasileiro: Dataset Unificado de Texto Clinico em Portugues para NLP},
author={Fabiano Filho},
year={2026},
url={https://huggingface.co/datasets/LABDAPS/texto-clinico-brasileiro},
note={Agrega MedPT e Sepse HC-RP em schema padronizado}
}
```
## Licenca
Codigo do pipeline: MIT. Dados pertencem aos autores originais com suas respectivas licencas.
## Autor
[LABDAPS](https://www.fsp.usp.br/labdaps/) -- Laboratorio de Big Data e Analise Preditiva em Saude, FSP-USP
[Fabiano Filho](https://github.com/fabianofilho) -- Medico, Cientista de Dados, Doutorando FSP-USP (LABDAPS)
|