当前位置：首页 > news >正文

[开源] 交班信息一致性校验系统：面向临床医护的实时语义冲突检测与结构化摘要生成

news 2026/5/23 6:31:03

本项目是专为国内医院交班场景设计的电子病历（EMR）辅助工具，解决护士与医生在护理记录和病程记录中同步填写、异步理解、隐性冲突这一长期存在的质控盲区。我们不替代人工判断，而是把“同一时间窗内两条记录是否说同一件事”这件事，拆解成可对齐、可比对、可确认的三步动作：先按时间粒度自动归集数据，再用规则+大模型双轨检测数值与语义矛盾，最后输出符合国内交班习惯的「清单+确认」式摘要。核心交付形态包括命令行彩色报告（CLI）、本地 HTML 可视化看板，以及可嵌入院内系统的 Python 接口层；技术栈以 Python 3.10+ 为后端中枢，LLM 调用走 OpenAI API（支持无密钥降级为纯规则模式），前端 CLI 用 TypeScript 封装，可视化看板完全静态免服务部署。

定位与能力范围

我们不做全量病历分析，也不覆盖出院评估或手术安全核查等跨环节流程。本项目的边界非常明确：只处理单患者、单班次、护理记录与病程记录两类文本之间的即时一致性验证。所谓“单班次”，指由--shift-start与--shift-end明确界定的时间窗口（如 08:00–20:00），系统会在此范围内拉取所有已归档的护理记录条目和病程记录段落，并完成三项基础对齐：

时间戳对齐：将不同系统录入、不同格式书写的时间字段（如 “2024-01-15T08:12” 或 “1月15日 08:12”）统一解析为标准 datetime 对象；
患者身份对齐：依赖传入的--patient-id作为唯一锚点，不尝试跨 ID 关联或模糊匹配；
记录类型对齐：严格区分“护理记录”（nursing note）与“病程记录”（progress note），不混入医嘱、检验报告或会诊记录。

超出该范围的需求，比如多患者批量扫描、历史趋势回溯、与 LIS/PACS 系统直连，不在当前设计目标内。我们相信，把一个高发、高频、高风险的小切口做深，比摊薄资源做泛更有临床价值。

核心功能

系统围绕交班场景的三个刚性动作构建能力闭环：发现冲突、解释冲突、固化交接。每一项都对应具体可配置、可复现、可审计的行为。

功能模块	实现方式	面向角色	输出示例
时间窗口对齐	基于患者 ID 和时间范围，从模拟或真实数据源提取护理/病程记录片段	护士长、质控员	日志显示“共匹配护理记录 7 条、病程记录 3 条，时间交集覆盖率 92%”
数值冲突检测	规则引擎扫描血压、体温、心率、呼吸、血氧等字段，对比`config/vital_ranges.yaml`中定义的正常区间	当班护士、值班医生	报告中标红：“体温 39.2℃（护理记录） vs 37.8℃（病程记录），差值 >1.0℃”
语义冲突检测	LLM（OpenAI）根据`config/semantic_prompts.yaml`提示词，判断两段文字是否存在逻辑矛盾（如“神志清楚” vs “嗜睡状态”）	医护共同确认环节	清单条目：“护理记录称‘患者主诉腹痛’，病程记录未提及腹痛，且诊断为‘上呼吸道感染’”
结构化摘要生成	按「患者基本信息—当班关键事件—待跟进事项」三级组织内容，支持`--format summary`输出	交班双方、实习医师	文本块含标题“【需床边确认】：右侧肢体活动障碍加重，建议神经科会诊”
多端输出	CLI 支持 color/json/summary 三种格式；HTML 看板提供折叠面板、冲突跳转、导出按钮	不同使用习惯的用户	彩色 CLI 中数值冲突标红、语义冲突标黄；HTML 页面左侧为原始记录对照，右侧为冲突清单

使用与配置

所有配置均通过文件驱动，不修改代码即可适配不同医院术语习惯。我们提供两套关键配置入口：

生命体征阈值：编辑config/vital_ranges.yaml，支持按年龄分组（如成人/儿童）、按指标单独设上下限。例如：temperature: adult: min: 36.0 max: 37.2 child: min: 36.4 max: 37.5
语义检测提示词：config/semantic_prompts.yaml中定义 LLM 的任务指令、输入格式与输出约束。默认 prompt 明确要求模型仅返回“存在冲突”或“无冲突”，并附一句简明理由，禁用自由发挥。

运行时无需启动服务进程，全部为单次命令执行。两种主流调用路径如下：

python -m src.cli.cli --patient-id P001 --shift-start "2024-01-15 08:00" --shift-end "2024-01-15 20:00" --format color

cd ts-cli && npm run detect -- --patient-id P001 --shift 2024-01-15

两者输出一致，区别在于：Python CLI 更适合集成进院内自动化脚本；TS CLI 提供更友好的错误提示与参数补全，适合日常手动抽检。

工程结构

目录设计遵循职责分离原则，各模块边界清晰，便于医院信息科二次开发或对接本地 EMR：

目录路径	职责说明	扩展建议
`src/adapters/`	数据接入层，负责从 CSV、JSON 或模拟数据中读取护理/病程记录	可新增`emr_his_adapter.py`对接院内 HIS 接口
`src/alignment/`	时间窗口对齐引擎，含时间解析、重采样、去重逻辑	如需支持 ICU 秒级记录，可在此增强时间粒度控制
`src/conflict/`	冲突检测主干，含`rule_based.py`与`llm_based.py`两个并行实现	若需替换 LLM，只需改写`llm_based.py`中的请求封装
`src/summary/`	摘要模板引擎，使用 Jinja2 渲染结构化文本	可按科室定制模板，如儿科增加“喂养情况”子项
`ts-cli/`	独立 Node.js 包，封装 CLI 交互与参数校验	支持添加`npm run login`实现院内账号鉴权
`web-dashboard/`	静态 HTML+JS，所有逻辑在浏览器端运行，不依赖后端服务	可通过`<script src="data.json">`加载本地导出数据

测试覆盖完整链路：tests/下包含单元测试（如时间解析函数）、集成测试（端到端跑通 mock 数据流）、性能测试（benchmarks/测量千条记录处理耗时）。

环境与运行

系统对运行环境要求明确且宽松，不依赖 GPU 或专用服务器：

组件	最低版本	说明
Python	3.10	用于核心数据处理与 LLM 调用
Node.js	18	仅用于 TS CLI 构建与执行，不影响 Python 主流程
OpenAI API Key	无强制要求	启用`--mock`即可跳过，全部使用规则引擎

安装仅需三步，无编译步骤：

pip install -r requirements.txt cd ts-cli && npm install && cd .. cp .env.example .env

首次运行推荐用--mock参数验证环境：

python -m src.cli.cli --patient-id P001 --shift-start "2024-01-15 08:00" --shift-end "2024-01-15 20:00" --mock --format color

成功后将看到带颜色标记的冲突报告与结构化摘要，日志自动生成于logs/目录下，方便回溯执行过程。

数据与扩展

我们不预设任何院内数据库结构，所有输入数据均通过扁平化字段映射。示例数据位于examples/，含标准字段说明：

必填字段：patient_id,record_type（nursing / progress）,timestamp,content
推荐字段：author_role（护士/主治/住院医）、vital_signs（结构化 JSON，含temperature,bp_systolic等）

若医院已有标准化 EMR 导出功能，只需编写一个适配器，将导出文件字段映射到上述 schema 即可接入。所有字段映射规则、时间格式正则、术语同义词表，均集中管理在src/adapters/下，不散落在业务逻辑中。