[开源] DRG边界病例错分识别与病案首页整改建议系统：面向医院信息科、医保办与病案室的自动化质控工具
本项目是一套专为DRG支付改革落地设计的病案数据质控系统，核心是把病案首页结构化数据与国家/地方DRG分组逻辑对齐，用规则引擎+决策树模型联合识别「系统性错分」的边界病例。它不替代人工终审，而是把原本靠经验翻查、靠抽查发现的错分问题，变成可批量扫描、可科室归因、可溯源到主诊断与手术操作匹配关系的量化任务。面向医院信息科做分组质量监控、医保办准备申诉材料、病案室开展首页填写培训三类刚需场景；交付形态为命令行工具（CLI），支持Python原生调用与TypeScript封装双入口；技术栈聚焦稳定可解释的scikit-learn决策树、pandas数据管道与轻量CLI渲染，所有分析结果以结构化JSON+可读报告形式输出，不依赖数据库或Web服务。
定位与能力范围
我们不做全量DRG分组，也不重写分组器。我们只解决一个具体而高频的问题：当病案首页中主诊断与手术操作组合落在DRG分组规则的模糊边界上时，系统是否持续性地把这类病例分进了错误的组？这类“边界病例”往往不违反单条规则，但因临床表述习惯、编码员理解偏差或系统逻辑盲区，形成隐性错分集群。本系统把这种错分从“偶发个案”提升为“可建模的模式”，并反向生成填写改进建议，不是告诉医生“你分错了”，而是指出“主诊断选A时若同时含B类手术，92%的正确分组应为C，当前78%被分入D，建议核查术式描述是否遗漏关键修饰词”。
这决定了我们的能力边界：仅处理已结算、已完成编码的病案首页+医保结算双源数据；仅覆盖主诊断与主要手术操作之间的匹配逻辑（不涉及并发症合并症权重、年龄性别等次要维度）；所有风险评分与建议均基于历史数据分布与规则解析结果，不引入外部知识图谱或大模型生成。
核心功能
系统围绕“识别—归因—反馈”闭环构建四项不可拆解的功能模块：
边界病例识别：通过DRG规则解析引擎（
drg_rules_parser.py）加载JSON格式的本地DRG规则文件，自动提取每组允许的主诊断ICD编码范围与对应手术操作编码集，标记出主诊断在A组允许范围内、但所伴手术操作仅出现在B组规则中的“跨组候选病例”。决策树错分模式学习：对历史数据中已知分组结果的病例，用
scikit-learn训练二分类决策树，区分“实际被分入某DRG组且经复核确认正确”与“被分入该组但复核确认为错分”的样本，提取如“手术操作编码末位为X”“住院天数<3且无并发症编码”等高区分度特征路径。科室/医生级风险评分：将错分病例按
科室编码与主治医师工号聚合，计算各单元错分率，并依据配置文件中预设阈值（高风险>0.3、中风险>0.15、低风险>0.05）分级标定，输出可排序的TOP10风险清单。病案首页整改建议：对每一类被决策树识别出的错分模式（例如“甲状腺切除术+主诊断为结节性甲状腺肿，却分入内分泌疾病组”），自动生成结构化建议：“主诊断建议升级为‘甲状腺良性肿瘤’（ICD-10 D34），并补充手术编码‘甲状腺部分切除术’（ICD-9-CM-3 06.2）”。
功能模块 | 输入数据来源 | 输出形态 | 关键约束 |
|---|---|---|---|
边界病例识别 | drg_rules.json+ 病案首页主诊断/手术编码字段 | CSV清单（含病例ID、疑似错分DRG组、触发的规则路径） | 仅识别规则层面逻辑冲突，不判断临床合理性 |
决策树错分模式学习 | 历史已分组病例标签数据（正确/错分二值） | .pkl模型文件 + 特征重要性报告 | 最小训练样本数由 |
科室/医生级风险评分 | 错分病例明细表 + 医疗机构组织架构映射表 | JSON统计摘要 + TOP10排名表 | 依赖病案首页中 |
病案首页整改建议 | 决策树叶子节点规则 + ICD编码映射表 | Markdown格式建议文档（含编码对照与填写示例） | 建议基于公开ICD-10/ICD-9-CM-3标准，不覆盖院内自定义编码 |
使用与配置
系统提供两套CLI入口，满足不同使用习惯：Python用户可直接运行核心引擎；熟悉Node.js生态的团队可使用TypeScript封装版，获得彩色日志与交互式报告导航。
安装只需两步：
pip install -r requirements.txt cd cli && npm install && npm run build运行分析任务时，推荐优先使用TypeScript CLI统一入口：
node cli/dist/index.js analyze --data ./data node cli/dist/index.js report --output ./output所有行为均由配置文件驱动。默认配置位于config/default.json，关键参数含义如下：
配置层级 | 参数名 | 说明 | 典型值 |
|---|---|---|---|
data | medical_records_path | 病案首页CSV/Excel路径，需含 | ./data/medical_records.csv |
rules | boundary_threshold | 边界病例判定宽松度，值越高越敏感 | 0.15（即15%相似度即触发） |
risk_scoring | high_risk_threshold | 高风险科室错分率下限 | 0.3 |
decision_tree | max_depth | 决策树最大深度，影响可解释性与过拟合风险 | 5 |
环境变量可覆盖配置文件值，便于CI/CD集成或临时调试：
cp .env.example .env # 编辑 .env 文件，设置： DATA_MEDICAL_RECORDS=./data/prod_records.csv RULES_DRG_PATH=./rules/beijing_2024.json工程结构
代码严格分层，Python核心引擎与TypeScript CLI物理隔离，确保算法逻辑不被UI层污染：
src/目录承载全部业务逻辑：data_loader.py负责双源数据对齐与缺失值填充；drg_rules_parser.py将JSON规则转为内存可查询的诊断-手术映射矩阵；decision_tree_detector.py封装模型训练与预测；risk_scorer.py完成聚合计算与建议生成；engine.py串联全流程；cli.py暴露Python原生命令行接口。cli/目录为独立前端工程：index.ts注册analyze与report两条命令；formatters/将JSON结果渲染为带颜色标记的终端表格与Markdown报告；所有输出文件（风险排名表、错分明细、整改建议）均按配置路径写入./output/。data/目录内置1000条模拟数据，其中15%为预设边界错分案例，开箱即可验证全流程，无需额外准备生产数据。
环境与运行
系统对运行环境要求极简：Python 3.8+、Node.js 16+，无GPU依赖，单机即可完成千级病例分析。典型执行耗时参考（MacBook Pro M1, 16GB RAM）：
加载1000条病案数据 + 解析DRG规则：≤1.2秒
训练决策树模型（1000样本，max_depth=5）：≤0.8秒
生成科室风险排名 + 整改建议文档：≤0.5秒
全程无网络请求，所有规则、模型、映射表均本地加载，符合医院内网部署安全要求。日志级别可通过LOG_LEVEL环境变量动态调整，DEBUG模式下会输出每一步数据形状与规则匹配详情，便于定位字段映射异常。
数据与扩展
输入数据需满足最低字段契约，项目文档明确列出必填项与格式规范：
字段名 | 来源表 | 必填 | 格式要求 | 示例 |
|---|---|---|---|---|
diagnosis_code | 病案首页 | 是 | ICD-10标准编码（含小数点） | E11.9 |
operation_code | 病案首页 | 是 | ICD-9-CM-3标准编码（4位数字） | 06.2 |
drg_group | 医保结算单 | 是 | 地方DRG组编码（如BJ-DRG A12a） | BJ-DRG B23c |
department_id | 病案首页 | 否（影响风险归因） | 医院内部科室编码 | NEPHRO |
doctor_id | 病案首页 | 否（影响风险归因） | 工号或医师唯一标识 | DOC2023001 |
规则文件drg_rules.json采用扁平化键值结构，示例片段如下：
{ "A12a": { "diagnosis_range": ["I20.0", "I25.6"], "operation_set": ["36.01", "36.05"] } }新接入地方DRG版本时，仅需更新此JSON文件，无需修改Python代码。
限制与说明
本系统不解决以下问题：非结构化病历文本的NLP编码；未结算病例的预分组预测；DRG分组器本身的算法缺陷修复；跨年度规则变更导致的历史数据重分组。所有错分判定均基于输入规则文件与当前数据快照，不维护状态或历史版本比对。
风险评分本质是统计显著性提示，而非临床责任认定依据。高风险科室名单需结合人工复核确认，系统仅提供“哪些组合值得优先查”这一线索。整改建议基于编码标准与规则逻辑生成，不替代临床路径或诊疗规范。
项目文档完整覆盖安装、配置、数据样例、命令说明与常见报错，所有术语与字段名均与《医疗保障基金结算清单填写规范》保持一致，无自定义缩略语或黑盒模块。
项目地址：
https://github.com/nexorin9/drg-boundary-anomaly-detector