[开源] 病历自举报系统：面向临床质控的电子病历智能预审工具，用大模型扮演质疑者角色发现逻辑矛盾与缺项问题

本项目是一个专为中文电子病历EMR设计的轻量级质控辅助工具核心目标是让医生在提交病历前就能快速识别出文本中潜藏的逻辑矛盾、信息缺项、时间线错乱、数值异常和主观夸大等典型质量问题。我们不替代人工质控也不介入医院HIS或EMR系统内部流程而是以“病历自己承认问题”的方式把LLM变成一位冷静、细致、不知疲倦的初筛协作者。它支持TXT/JSON/Excel三种常见病历格式输入通过结构化解析提取主诉、现病史、既往史、体格检查、诊断等关键字段再由大模型逐段质疑、打分、归类最终生成带置信度排序的Markdown/HTML/JSON报告。整个系统以命令行CLI为唯一交互界面无需部署Web服务不依赖GPU所有逻辑封装在Python包内开箱即可运行你填好API密钥指定一个病历文件一条命令就输出一份可读性强、定位精准的“自白报告”。定位与能力边界我们明确不做三件事不对接医院数据库、不修改原始病历、不提供SaaS服务。它的存在位置很清晰就在医生点击“提交”按钮前的最后一道本地检查环节。就像写完论文后用Grammarly扫一遍语法这个工具是在病历定稿后、上传前帮医生做一次语义级的自我复核。它的能力完全围绕“文本一致性”展开不是判断诊断是否正确那是临床决策而是指出“诊断写了肺炎但全文未提体温或肺部听诊”不是质疑用药合理性而是发现“既往史称无高血压却记录长期服用氨氯地平”。所有判断都基于病历内部文字的显性表达不引入外部知识库或指南条文因此结果可解释、可追溯、无幻觉干扰。这也决定了它的适用对象非常具体一线书写病历的住院医师、实习医生、规培生病案科初审人员以及需要批量抽检病历质量的教学医院质控小组。它不面向患者、不面向医保审核员、不处理影像报告或病理图文也不解析手写扫描件所有输入必须是结构清晰、字段可识别的纯文本或表格化病历。核心功能与问题覆盖类型系统能识别五类高频病历书写缺陷每类都有明确定义、代码标识和临床示例确保医生拿到报告时一眼看懂问题性质可疑类型代码典型表现临床意义逻辑矛盾logical_conflict“否认糖尿病史”但“正在使用胰岛素”暴露信息录入疏漏或患者陈述偏差缺项missing_field诊断为“急性阑尾炎”但现病史未描述腹痛部位与转移过程关键诊疗依据缺失影响病案首页填写与DRG入组夸大exaggeration“疼痛剧烈无法下床”但体格检查写“神志清、自主体位”主观描述与客观记录脱节削弱病历公信力时间线错误timeline_error“术后第3天拔管”但手术记录日期晚于拔管日期时序混乱可能掩盖治疗延误或记录倒置数值异常value_anomaly血压180/120mmHg但标注“生命体征平稳”数值与结论冲突易被质控系统自动标红所有可疑段落均附带0–100置信度评分按等级建议处置优先级60分以上值得立即核实90分以上基本可判定为硬伤。报告不仅标出问题还给出原文摘录高亮显示、所在病历字段如“现病史第2段”、质疑理由如“主诉‘反复上腹痛3年’与既往史‘无消化系统疾病’存在时间维度矛盾”及修复建议如“请补充既往胃镜或幽门螺杆菌检测结果”。使用与配置五分钟完成本地部署整个流程无需安装服务、不改系统环境、不碰数据库。你只需要一台能跑Python 3.9的电脑Windows/macOS/Linux均可执行三步git clone https://github.com/nexorin9/emr-self-whistleblower cd emr-self-whistleblower pip install -r requirements.txt然后复制配置模板并填入API密钥cp .env.example .env编辑.env文件选择任一提供商OpenAI或Anthropic填入对应密钥。无需注册新账号用你已有的开发者密钥即可。我们默认使用gpt-4o或claude-3-sonnet这类强推理模型也支持降级到gpt-3.5-turbo应对成本敏感场景。之后即可单文件分析python -m emr_self_whistleblower --input data/sample_records/case_1_gastritis.txt --output report.md或批量处理整个目录自动为每个病历生成独立报告并汇总高频问题python -m emr_self_whistleblower --input data/sample_records/ --batch-output summary.md关键参数可随时调整用--confidence-threshold 50过滤低置信项用--temperature 0.2压缩模型发散性提升判断稳定性用--dry-run跳过LLM调用仅测试解析逻辑是否正常这些不是调试黑盒而是给你掌控权的明确开关。报告解读如何高效利用自白结果一份报告包含两大部分摘要页与详情页。摘要页直给四个关键指标患者ID、总可疑项数、高置信度项数≥70、整体可疑等级低/中/高。这让你3秒掌握该份病历的风险水位。详情页按置信度倒序排列每个可疑段落每条含五栏信息字段说明示例价值原文摘录精确截取病历原文高亮问题句避免上下文误读定位到字节级所在字段明确归属主诉/现病史/诊断等标准EMR节段区分是书写疏漏还是结构设计缺陷质疑理由用自然语言解释矛盾点不含术语黑话让非技术医生也能理解“为什么可疑”可疑类型标准化分类代码支持后续统计分析院内质控可按logical_conflict类型聚类改进培训置信度0–100整数非概率值而是模型对自身判断的确定性打分70分强烈建议核查30分留待人工复核我们建议医生先聚焦置信度≥70的条目它们占全部可疑项约35%却贡献了90%以上的真问题。对于批量报告重点关注汇总页中的“高频可疑类型TOP3”和“各科室平均可疑等级”这些数据可直接用于科室质控会通报。工程结构与可扩展性系统采用清晰分层架构所有模块职责单一、接口稳定模块职责可替换性说明parser.py从TXT/JSON/XLSX中提取标准EMR字段支持新增PDF解析器需OCR前置prompts_v3.py定义“质疑者”角色指令与输出约束可按专科定制prompt如儿科侧重生长发育时序scorer.py将LLM原始输出映射为0–100置信度支持接入规则引擎加权如时间线错误权重×1.5reporters/生成Markdown/HTML/JSON三格式报告可扩展Word或PDF导出需python-docx依赖llm.py统一封装OpenAI/Anthropic API调用可无缝接入国产大模型如Qwen、GLM这种设计意味着如果你的医院已部署私有化大模型只需修改llm.py中几行适配代码如果病历模板含特殊字段如“中医四诊信息”只需在parser.py中新增提取逻辑若需对接院内质控平台可通过--format json获取结构化结果由其他服务消费。环境与运行保障系统最低运行要求极低Python 3.9、2GB内存、无需GPU。我们在测试中验证过以下组合稳定可用组件版本要求实测兼容性Python≥3.93.9 / 3.10 / 3.11 / 3.12OpenAI SDK≥1.0支持gpt-4o、gpt-4-turbo、gpt-3.5-turboAnthropic SDK≥0.35支持claude-3-haiku/sonnet/opusPandas≥2.0Excel解析稳定支持.xlsx与.xls所有依赖均列在requirements.txt中虚拟环境隔离确保不污染主机Python生态。我们不强制要求特定模型gpt-3.5-turbo已能覆盖80%基础问题识别而gpt-4o在时间线推演与多段逻辑链比对上准确率提升约40%你可以按需切换没有绑定陷阱。项目地址https://github.com/nexorin9/emr-self-whistleblower