[医疗软件开源] 病历叙事连贯性追踪器:一款面向临床质控的开源医疗软件

在电子病历广泛应用的今天，一份病历是否“写得对”，往往不只取决于单个段落是否规范，更取决于整份文档内部的逻辑自洽性。主诉说“胸痛1小时”，首次病程却记为“入院第3天”；一处写“无家族史”，另一处又提到“父亲有糖尿病”，这类语义矛盾难以被传统规则引擎捕获，却可能影响病情判断、质控评分甚至法律举证。而今，一个轻量、可本地部署、开箱即用的工具正试图填补这一空白。

项目概述：让病历自己“对质”

病历叙事连贯性追踪器是一个专为电子病历（EMR）设计的开源分析工具，核心目标是检测病历各章节之间的隐性语义矛盾，而非表面格式错误。它不替代医生书写，也不生成诊断建议，而是像一位不知疲倦的质控助手，在病历提交前自动完成一次跨章节的“内部交叉问询”。

项目将病历视为一个连贯叙事文本，聚焦五大维度进行一致性校验： – 时间序矛盾检测– 语义矛盾检测– 实体一致性检测– 医嘱-病历一致性检测– 综合连贯性评分与自然语言报告生成

所有检测结果最终汇总为一个0–100分的量化评分，并附带清晰定位的整改建议。评分标准明确分层：90–100分为「连贯」，70–89分为「轻微问题」，50–69分为「中等问题」，低于50则属「严重问题」。这种分级机制便于质控人员快速识别高风险病历，优先处理可能影响医疗质量的关键矛盾。

技术亮点：LLM驱动的轻量级质控架构

本项目并非重型AI系统，而是一套结构清晰、职责分明的模块化实现。其技术选型兼顾实用性与可维护性：

• 大语言模型作为语义理解引擎：采用 OpenAI API 兼容接口，支持 GPT-3.5、GPT-4 等主流模型；同时预留私有化接入路径，可通过 .env 配置 API_BASE 指向本地部署的兼容服务（如 Ollama、vLLM 或 FastChat），满足医院对数据不出域的合规要求。

• 检测能力解耦设计：各检测器独立封装于 src/detectors/ 目录下，包括 time_contradiction.py、semantic_contradiction.py 等。这种设计使得新增检测类型（如药物相互作用提示、检验指标趋势矛盾）只需扩展对应模块，不影响主流程。

• 双模交互体验：既提供简洁高效的命令行接口（CLI），也内置基于 Streamlit 的 Web 界面。CLI 模式适合批量质检或集成进医院 ETL 流程；Web 界面则面向科室质控员，支持粘贴文本、上传 JSON/TXT/MD 文件，并以仪表盘+折叠卡片形式直观呈现矛盾详情。

• 健壮的输入适配能力：支持标准 JSON 格式（含 chief_complaint、first_note、daily_notes 等字段），也支持纯文本自动分节。分节逻辑由 src/parser.py 实现，可根据实际病历模板灵活扩展规则，无需修改核心引擎。

• 可验证的开发实践：项目包含完整单元测试（pytest）、代码风格检查（ruff）及示例数据集（data/sample_data/），确保每次更新都经得起回归验证。开发者可一键运行全部示例病历测试，快速确认功能完整性。

应用场景：可用于临床质控、教学反馈与系统集成

本工具适用于多种医疗信息化相关场景，但需强调：它不参与任何临床决策过程，所有输出仅为辅助核查参考。

• 可用于医院病案科或质控办的日常病历抽检，批量扫描出院小结与病程记录间的时间线断裂点，提升质控效率与覆盖广度。
• 可用于医学院临床教学，帮助学生理解病历书写的内在逻辑要求，通过具体矛盾案例强化叙事连贯性意识。
• 可用于 EMR 厂商的产品增强，嵌入到病历编辑界面中实现实时连贯性提示，从源头减少低级矛盾。
• 可用于科研数据清洗，对回顾性研究使用的病历集进行预筛，剔除存在严重内部矛盾的样本，提升研究信度。

值得注意的是，项目 FAQ 明确指出：检测结果不可直接用于医疗决策；评分低于 70 的病历应被重点关注；API 调用失败时可启用 --dry-run 模式获取模拟结果。这些设计体现了对医疗场景严肃性的充分尊重。

使用指南：三步上手，两种模式任选

安装与使用极为简单，全程无需编译或复杂配置。

快速安装与配置

git clone https://github.com/nexorin9/emr-narrative-coherence-trackercd emr-narrative-coherence-trackerpython -m venv .venvsource .venv/bin/activatepip install -r requirements.txtcp .env.example .env

随后编辑 .env 文件，填入你的 API_KEY。若暂无密钥，可先用 --dry-run 模式体验全流程。

CLI 模式：高效批处理首选

适用于脚本调用或单份病历快速诊断：

python -m src.cli --input data/sample_data/sample_2_time_contradiction.json

支持丰富参数组合： – --model gpt-4 指定更高精度模型– --format json 输出结构化结果便于程序解析– --batch data/sample_data/ --output report.md 批量分析并生成 Markdown 汇总报告– --dry-run 跳过真实 API 请求，返回模拟响应

Web 界面模式：交互式分析体验

启动仅需一行命令：

streamlit run app.py

浏览器打开 http://localhost:8501 后，即可在左侧粘贴病历文本或上传文件，右侧实时显示评分仪表盘、矛盾列表与可展开的详细报告。界面支持切换 JSON 与 Markdown 输出格式，并提供一键下载功能。

总结：用工程思维守护病历的叙事可信度

病历不是碎片信息的堆砌，而是患者疾病发展的一段逻辑闭环叙事。当时间、症状、诊断、处置在不同章节中悄然错位，问题或许不会立刻显现，却可能在复盘、评审或纠纷中暴露无遗。病历叙事连贯性追踪器的价值，正在于它把原本依赖专家经验的“读一遍找矛盾”，转化为可重复、可量化、可集成的自动化环节。

它不追求替代人类判断，而是放大专业人员的洞察力；不强求一步到位的完美，而是提供一条从“发现矛盾”到“定位矛盾”再到“理解矛盾”的清晰路径。其开源属性、模块化设计与双模交互支持，也为后续社区共建留出了充足空间，比如适配更多中文医疗大模型、增加检验检查数值趋势一致性检测、对接主流 EMR 接口等。

项目免费开源，若您对项目有疑问、使用上的困惑或想深入交流，欢迎私信我们，或加入社群讨论。

免费开源项目地址：https://github.com/nexorin9/emr-narrative-coherence-tracker