[医疗软件开源] 为电子病历血缘分析设计的开源 CLI 工具

在医院信息化建设不断深入的今天，电子病历（EMR）已成为临床诊疗与质量管控的核心数据载体。但随之而来的，是病历书写规范性、原创性与质控可追溯性的新挑战。大量重复、套用、模板化书写的病历，不仅影响医疗质量评价的客观性，也可能掩盖真实临床问题。如何从海量文本中自动识别“复制粘贴”行为，还原病历之间的血缘关系，并定位到具体科室、医生甚至句子级片段？EMR Pedigree Detector 正是为此而生，一个面向医院信息科与病案管理部门的轻量级、可落地、开箱即用的命令行工具。

项目概述：不止于相似检测，更构建可溯源的血缘图谱

EMR Pedigree Detector 的中文名直译为「病历血缘检测器」，其核心目标不是简单标记两份病历是否相似，而是还原一份病历是如何被另一份病历所复制、传播和演化的完整路径。它将每份病历视为一个节点，将复制关系建模为有向边，最终生成一张具备方向性、层次性与科室语义的血缘网络。

项目以医院实际业务场景为驱动，输出结果直接服务于两类典型用户： – 信息科人员：用于定期巡检系统内病历质量，发现异常高相似度聚集现象； – 病案室质控员：用于评估各科室独立书写能力，生成可存档、可上报的科室级分析报告。

整个流程完全基于本地运行，不依赖云端服务或外部 API，所有原始病历数据保留在院内环境，满足医疗数据安全与合规要求。

技术亮点：算法扎实、模块清晰、扩展友好

该项目并非简单拼凑相似度算法，而是在多个关键技术环节做了针对性优化与工程化封装：

• 多粒度相似度融合
• 使用字符级 2–4 克（n-gram）构建 TF-IDF 向量，兼顾中文分词缺失下的鲁棒性；
• 基于余弦相似度快速初筛候选对，再通过最长公共子序列（LCS）算法精确定位复制段落；

• 支持句级与段落级两种定位精度，确保高亮结果具备临床可读性。

• 有向血缘建模与家族识别

• 自动依据 created_at 字段判断复制方向，早创建者为父，晚创建者为子；
• 基于 NetworkX DiGraph 构建有向图，同时兼容 Union-Find 并查集实现大规模连通分量识别；

• 每个连通分量即为一个「模板家族」，支持最小家族规模阈值控制（默认 ≥2 条）。

• 面向医院管理的分析维度

• 科室级独立率计算：独立病历数 / 本科室总病历数，低于 60% 自动标红预警；
• 科室间共享矩阵：量化不同科室之间模板复用程度，辅助识别跨科模板传播路径；

• 血缘溯源查询：任意病历 ID 输入，即可返回其全部祖先（源头模板）与后代（衍生记录）。

• 性能与工程细节务实

• 多进程并行支持：通过 --parallel 参数一键启用，显著缩短千条级数据处理时间；
• 大规模自适应优化：当病历数 >500 条时，自动切换至 CSR 稀疏矩阵与批量计算模式；
• 配置优先级明确：命令行参数 > YAML 配置文件 > 内置默认值，便于生产环境统一管理。

应用场景：可用于日常质控、专项审计与能力评估

该项目并非仅适用于技术验证，而是已在多个典型医院管理场景中形成闭环价值：

• 发现异常复制家族信息科在季度数据巡检中，发现某科室短期内新增病历高度集中于少数几份模板，通过本工具快速识别出包含 17 条病历的主干家族，并定位其源头为 3 天前由某主治医师创建的一份初诊记录。

• 科室独立书写能力评估病案室每月生成《科室病历独立率报告》，对内分泌科（52.3%）、康复医学科（58.1%）等低于 60% 阈值的科室发出书面提醒，推动科室内部开展书写规范培训。

• 模板溯源与根因分析当某份病历因诊断描述错误被退回修改时，可通过血缘溯源功能反向追踪其模板来源，确认该错误表述最早出现在哪位医生、哪个时间点的哪份病历中，从而锁定问题初始环节。

• 跨科室模板共享分析利用科室血缘矩阵，发现儿科与儿童保健科之间存在高频模板复用，提示二者在门诊随访文书上存在协同优化空间。

• 病历质控报告自动化归档输出的 dept_summary.txt 与 family_report.txt 格式规整、术语统一，可直接纳入医院质控月报体系，减少人工整理工作量。

使用指南：三步上手，零前端依赖

项目采用纯 Python 实现，无浏览器或图形界面依赖，所有功能均可通过终端命令完成。

首先安装依赖：

pip install -r requirements.txt

或以可编辑模式安装，便于后续调试与定制：

pip install -e .

然后使用示例数据快速验证效果：

python -m emr_pedigree.cli --input data/sample_records.csv --output ./output

如需聚焦某科室分析，可添加过滤参数：

python -m emr_pedigree.cli --input data/sample_records.csv --dept-filter 心内科

若希望获得交互式可视化，启用 HTML 输出：

python -m emr_pedigree.cli --input data/sample_records.csv --format html

所有输出均按类型组织，包括 CSV 报告、文本摘要、HTML 可视化及 ASCII 图谱。例如，打开 ./output/pedigree.html 即可查看 D3.js 渲染的力导向网络图，节点按科室着色，连线粗细反映相似度高低，支持缩放、拖拽与点击筛选。

配置亦十分灵活，支持 YAML 文件统一管理阈值、字段映射、编码策略等参数，CLI 参数始终拥有最高优先级，适配不同医院的数据规范差异。

总结：让病历质量看得见、管得住、溯得清

EMR Pedigree Detector 不是一个炫技型算法玩具，而是一款真正从医院信息科与病案室日常工作痛点出发的实用工具。它把抽象的“文本相似性”转化为具象的“血缘图谱”，把模糊的“书写不规范”量化为明确的“科室独立率”，把孤立的“单次复制”连接成可追踪的“模板演化链”。

项目架构清晰、模块职责分明、文档完备、CLI 设计符合运维习惯，且完全开源免费。无论是作为质控辅助插件嵌入现有数据平台，还是作为独立工具部署于信息科工作站，都能快速产生业务价值。

https://github.com/nexorin9/emr-pedigree-detector

项目当前免费开源，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。