README.md

---
language:
- es
- en
license: apache-2.0
dataset_info:
  features:
  - name: raw_text
    dtype: string
  - name: topic
    dtype: string
  - name: speciallity
    dtype: string
  - name: raw_text_type
    dtype: string
  - name: topic_type
    dtype: string
  - name: source
    dtype: string
  - name: country
    dtype: string
  - name: document_id
    dtype: string
  splits:
  - name: train
    num_bytes: 179312532
    num_examples: 2020868
  download_size: 46021399
  dataset_size: 179312532
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
---
# Dataset Card for Dataset Spanish Medical

<!-- Provide a quick summary of the dataset. -->
Este dataset agrupa y organiza varios dataset presentes en hugginface (p.ej: PlanTL-GOB-ES/cantemist-ner, PlanTL-GOB-ES/pharmaconer) 
y otros recursos públicos creados por investigadores con distintos formatos (p.ej.; MedLexSp ) 
para permitir ser fuente de conocimiento de grandes modelos de lenguaje en idioma español para el dominio médico.

## Dataset Details

### Dataset Description

<!-- Provide a longer summary of what this dataset is. -->

- **Funded by:** [Dionis López Ramos](), [Alvaro Garcia Barragan](https://huggingface.co/Alvaro8gb), [Dylan Montoya](https://huggingface.co/dylanmontoya22), [Daniel](https://huggingface.co/Danielbrdz)  
- **Language(s) (NLP):** Spanish
- **License:** Apache License 2.0

### Dataset Sources [optional]

<!-- Provide the basic links for the dataset. 

- **Repository:** [More Information Needed]
- **Paper [optional]:** [More Information Needed]
- **Demo [optional]:** [More Information Needed]
-->

## Uses

 Se sugiere el uso de este dataset para lograr el autojuste y prentrenamiento de LLM para el dominio médico con información en idioma español.

### Out-of-Scope Use

<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. -->

Los creadores del dataset no se hacen responsable de resultados nocivos que puedan generar los modelos al ser entrenados con esta información.
Se sugiere un proceso de evaluación riguroso con especialistas de los resultados generados por modelos de LLM entrenados.

## Dataset Structure

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->
Por cada entrada o documento en la fuente de información organizarla en un dataset de hugginface de la siguiente forma:

- **question (raw_text)**: Texto asociado al documento, pregunta, caso clínico u otro tipo de información.
- **answer (topic)**: (Texto asociado al tratamiento médico (healthcare_treatment), diagnóstico (healthcare_diagnosis),
             tópico de salud (topic),  respuesta de una pregunta (answer), other, o estar vacío p.ej en el texto abierto)
- **speciality**: (Especialidad médica a la que se relaciona el raw_text p.ej: cardiología, cirugía, otros)
- **raw_text_type**: (Puede ser clinic_case, open_text, question o vacio)
- **topic_type**: (Puede ser medical_topic, medical_diagnostic,answer,natural_medicine_topic, other, o vacio)
- **source**: Identificador de la fuente asociada al documento que aparece en el README  y  descripción del dataset.
- **country**: Identificador del país de procedencia de la fuente (p.ej.; ch, es) usando el estándar ISO 3166-1 alfa-2 (Códigos de país de dos letras.).
- **document_id**: Identificador del documento en el dataset de procedencia, este valor puede estar vacio en caso que no se conozca
- **idioma**: (Variedad geográfica) código ISO del idioma
- **registro** (Variedad funcional): Siempre es  `medio`.
- **periodo** (Variedad histórica):  Siempre es `actual`.
- **dominio**: salud (clínico, biomédico, farmacia).
- **tarea**: `pregunta` | `resumen` | `open_text` | `clinic_case`.
- **país_origen**:  País de origen de los datos.
  
Al inicio de este proceso de construcción se debe actualizar en la tabla de la sección [Source Data](#source_data) la 
descripción de la fuente de información con los siguientes datos: 

- **Id**: Este será un número para que la fuente de información pueda ser referenciada en   
           cada entrada del conjunto de datos.
- **Nombre**: Nombre de la fuente de donde procede.
- **Tokens**: Cantidad de tokens que contiene.
- **Memoria**: Tamaño en memoria del dataset generado para hugginface
- **Licencia**: En este caso si es solo para investigación o si posee otra licencia como MIT, 
               Apache 2 u otras
- **Dirección**: URL de donde se puede descargar o consultar la información.
- **País**: País de procedencia de la información.
  
### Source Data

<!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). -->

| Id | Nombre | Tokens | Memoria | Licencia | Dirección | País |
| --- | ----------- | ----------- | ----------- | ----------- | ----------- | ----------- | 
| 1 | Cantemist corpus: gold standard of oncology clinical cases annotated with CIE-O 3 terminology | 349287 | 9157 kB | [CC Attribution 4.0 International](https://creativecommons.org/licenses/by/4.0/) | https://huggingface.co/datasets/bigbio/cantemist/viewer/cantemist_bigbio_kb | es |
| 2 | MedlinePlus Spanish (National Library of Medicine, NLM) | 7757337 | 35 MB |  | https://medlineplus.gov/spanish/ | es |
| 3 | PharmaCoNER  | 275955 | 2 MB | [CC Attribution 4.0 International](https://creativecommons.org/licenses/by/4.0/) | https://huggingface.co/datasets/PlanTL-GOB-ES/pharmaconer | es |
| 4 | Spanish Biomedical Crawled Corpus  | 1973048 | 264 MB | cc-by-4.0 | https://zenodo.org/records/5513237 | es |
| 5 | CARES  | 322353 | 1828 kB | Afl-3.0 | https://huggingface.co/datasets/chizhikchi/CARES | es |
| 6 | MEDDOCAN  | 364462 | 1639 kB | cc-by-4.0 | https://huggingface.co/datasets/bigbio/meddocan | es |
| 7 | Alvaro8gb/enfermedades-wiki-marzo-2024  | 1424685 | 9073 kB | [MIT](https://choosealicense.com/licenses/mit/) | https://huggingface.co/datasets/Alvaro8gb/enfermedades-wiki-marzo-2024 | es |
| 8 | BioMistral/BioInstructQA(**spanish**)  | 1072476 | 5963 kB | [Apache 2.0](https://choosealicense.com/licenses/apache-2.0/) | https://huggingface.co/datasets/BioMistral/BioInstructQA | ca |
| 9 | DisTEMIST  | 550203 | 2754 kB | cc-by-4.0  | https://huggingface.co/datasets/bigbio/distemist | es |
| 10 | The Chilean Waiting List Corpus  | 678934 | 3116 kB | cc-by-4.0  | https://zenodo.org/records/5518225 or https://huggingface.co/plncmm | chl |
| 11 | BARR2  | 1732432 | 8472 kB | cc-by-4.0  | https://temu.bsc.es/BARR2/downloads/background_set.raw_text.tar.bz2 | es |
| 12 | SPACC  | 551849 | 2711 kB | cc-by-4.0  | https://zenodo.org/records/2560316 | es |
| 13 | MedLexSp | 608374 | 21 MByte | MedLexSp is distributed freely for research or educational purposes. You need to sign an agreement with the authors for other purposes. | https://digital.csic.es/handle/10261/270429 | es |

#### Data Collection and Processing

<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. -->

 - En el caso de [BioMistral/BioInstructQA](https://huggingface.co/datasets/BioMistral/BioInstructQA) se utilizó la información en idioma español. Para más información consultar el artículo [BioMistral: A Collection of Open-Source Pretrained Large Language Models for Medical Domains](https://arxiv.org/pdf/2402.10373.pdf?trk=public_post_comment-text).
 - Para [Cantemist](https://huggingface.co/datasets/bigbio/cantemist/viewer/cantemist_bigbio_kb) se hizo una búsqueda del código asociado a la patología y se estableció como tópico.
 - En [CARES](https://huggingface.co/datasets/chizhikchi/CARES) se busco el tipo asociado en la tabla de códigos establecido.
 
## Bias, Risks, and Limitations

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

Se sugiere tener en cuenta el alcance de las licencia de cada una de las fuentes (e.d., revisar el campo source y Licencia de la tabla anterior).

En el caso de necesitar filtrar por fuente de datos u otro criterio usted puede auxiliarse de las propiedades de la estructura de datos `Dataset` del marco de trabajo
Hugginface. En el siguiente ejemplo de código se obtienen del conjunto de datos las entradas que tienen un tipo de tópico sobre diagnóstico medico o un tópico médico:


` 
  spanishMedicaLllmDataset = load_dataset(SPANISH_MEDICA_LLM_DATASET, split="train")
  spanishMedicaLllmDataset = spanishMedicaLllmDataset.filter(lambda example: example["topic_type"] in ['medical_diagnostic' | 'medical_topic'])
`

### Recommendations

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->

Users should be made aware of the risks, biases and limitations of the dataset. More information needed for further recommendations.
Se sugiere tener en cuenta las filas donde el tipo del topic (e.d., campo topic_type) tenga valores `medical_topic`, `medical_diagnostic`, `answer`, `natural_medicine_topic`
para un autojuste del modelo y en el caso de que el texto se `open_text` un pre-entranmiento inicial del modelo LLM.

## Dataset Card Contact

 For any doubt or suggestion contact to: PhD Dionis López ([email protected])