夜雨聆风在医疗质量监管实践中，「医保已扣重大感染费用，但院感系统未上报」是一类典型且高风险的漏报模式。这类案例往往暴露院内感染监测流程断点，既影响医院感染控制成效评估，也构成医保基金合规使用的重要审计线索。不良事件三角验证器（Adverse Event Triangulator） 正是为此场景而生，它不依赖大模型生成逻辑，不引入幻觉风险，而是通过纯规则驱动的三源数据交叉比对，精准枚举可疑漏报案例，并输出结构化、可追溯、可核查的 Ledger 式清单。
该项目面向医院信息科、院感科与医保办一线业务人员及数据工程师，提供 CLI 命令行与 Flask Web 双模式运行能力，所有处理逻辑均基于患者 ID 与时间窗口对齐，兼顾准确性与落地性。
项目核心定位与机制还原
本工具本质是一个轻量级、可审计、可复现的医疗数据一致性校验引擎。其价值不在于建模预测，而在于显式暴露系统间协同盲区。整个验证过程严格遵循四阶段闭环：
- 匹配阶段
以患者 ID 为核心键，在医保扣款、HIS 医嘱、院感上报三路数据中建立跨系统关联；支持多策略 ID 匹配（直接 patient_id、姓名+入院日期哈希、住院号） - 筛选阶段
从医保数据中识别「感染相关扣款」：依据内置关键词库（如脓毒症、败血症、菌血症、肺炎等）匹配 diagnosis_name 或 diagnosis_code 从 HIS 数据中识别「临床佐证行为」：提取 order_type 为「抗菌药物」或「抢救」的医嘱记录 - 验证阶段
当某患者在指定时间窗口（默认 72 小时）内同时满足以下条件时，标记为可疑漏报： 医保存在感染相关扣款 HIS 存在对应抗菌药物/抢救医嘱 院感系统无匹配上报记录 - 输出阶段
生成带序号、疑点等级、原始字段快照与核查建议的 Ledger 清单，支持 CSV/JSON/控制台三种格式
整个流程无状态依赖、无外部服务调用、无训练环节，全部基于 pandas 完成内存内数据操作，结果完全可复现、可回溯、可人工核验。
目录结构与模块职责
项目采用清晰分层设计，便于理解、调试与二次开发：
adverse-event-triangulator/├── data/ # 示例数据目录（含三路 CSV 样例）├── src/ # 核心源码│ ├── cli.py # Click 驱动的命令行入口│ ├── web_app.py # Flask Web 应用主模块│ ├── triangulation_engine.py # 三角验证核心逻辑（匹配+筛选+判定）│ ├── ledger_generator.py # Ledger 清单生成器（含疑点分级与字段映射）│ └── ... # 工具函数、配置加载、日志封装等├── templates/ # Jinja2 模板（首页、结果页、示例页）├── static/ # CSS/JS/图标等静态资源├── requirements.txt # Python 依赖声明（pandas>=1.5, click>=8.0, flask>=2.2）├── run.py # Web 启动脚本（封装端口、debug 等参数）└── api.py # API 模式入口（供程序化集成调用）所有模块解耦明确，triangulation_engine.py 是唯一业务逻辑核心，其余均为 I/O 适配层，利于医院信息科按需定制字段映射或扩展关键词库。
快速安装与启动
环境准备
确保已安装 Python 3.8+，执行依赖安装：
pip install -r requirements.txtCLI 模式：适合自动化、批量处理与 CI/CD 集成
完整参数示例（导出 CSV）：
python -m src.cli triangulate \ --insurance data/medical_insurance_deduction.csv \ --his data/his_orders.csv \ --infection data/infection_report.csv \ --output results/suspicious_cases.csv \ --window 72 \ --format csv控制台实时输出（含统计摘要）：
python -m src.cli triangulate \ --insurance data/medical_insurance_deduction.csv \ --his data/his_orders.csv \ --infection data/infection_report.csv \ --format consoleJSON 格式导出（便于下游系统解析）：
python -m src.cli triangulate \ --insurance data/medical_insurance_deduction.csv \ --his data/his_orders.csv \ --infection data/infection_report.csv \ --output results/suspicious_cases.json \ --format json自定义时间窗口（单位：小时）：
python -m src.cli triangulate \ --insurance data/medical_insurance_deduction.csv \ --his data/his_orders.csv \ --infection data/infection_report.csv \ --window 120 \ --format console启用详细日志（查看每一步匹配与过滤过程）：
python -m src.cli triangulate \ --insurance data/medical_insurance_deduction.csv \ --his data/his_orders.csv \ --infection data/infection_report.csv \ --verbose查看数据集基础统计（无需运行验证，快速掌握数据规模与分布）：
python -m src.cli stats \ --insurance data/medical_insurance_deduction.csv \ --his data/his_orders.csv \ --infection data/infection_report.csv获取帮助：
python -m src.cli --helppython -m src.cli triangulate --helpWindows 用户可直接运行示例脚本：
scripts\run_example.batWeb 模式：适合科室协作、临时核查与演示
启动服务（默认端口 5000）：
python run.py指定端口与调试模式：
python run.py --port 8080 --debug访问 http://localhost:5000 后，即可：
上传三路 CSV 文件（医保扣款、HIS 医嘱、院感上报） 点击「开始三角验证」触发分析 查看结果页：含 Ledger 表格、统计摘要（总记录数、漏报数、各感染类型分布） 一键导出 CSV 或 JSON 结果
Web 页面还提供「使用示例数据」按钮，点击后自动加载 data/ 下预置样例，无需手动上传即可完成全流程体验。
数据格式要求与准备要点
三路数据必须满足以下最小字段契约，否则验证将跳过无效记录：
医保扣款数据（medical_insurance_deduction.csv）
必需字段：
patient_id admission_date diagnosis_code diagnosis_name deduction_amount timestamp
可选字段（增强匹配鲁棒性）：
hospital_number patient_name discharge_date surgery_code surgery_name deduction_reason
HIS 医嘱数据（his_orders.csv）
必需字段：
patient_id admission_date order_type order_name order_time
可选字段：
hospital_number patient_name execute_time doctor department
院感上报数据（infection_report.csv）
必需字段：
patient_id admission_date infection_site report_date
可选字段：
hospital_number patient_name infection_type contagion_level handler
其他注意事项
文件编码：UTF-8 或 GBK（推荐 UTF-8） 日期格式：兼容 YYYY-MM-DD、YYYY/MM/DD、YYYY-MM-DD HH:MM:SS等常见格式患者 ID 对齐：三文件中 patient_id字段值应保持一致，作为跨系统关联主键时间窗口：默认 72 小时，可通过 --window参数调整，单位为小时感染关键词：内置词库可覆盖主流感染诊断，亦支持在代码中扩展 triangulation_engine.py中的INFECTIOUS_KEYWORDS列表
技术栈与可维护性说明
Python 3.8+：语言基座，保障长期兼容性 pandas：承担全部数据读取、清洗、合并、时间窗口计算与布尔筛选，性能稳定、API 明确 Click：构建结构清晰、参数完备、文档自生的 CLI 接口 Flask：提供轻量 Web 层，无数据库依赖，零配置启动，适合医院内网部署
项目无第三方 AI 服务依赖，无网络外呼，无敏感数据上传，所有运算均在本地完成，符合医院数据安全与等保要求。
总结：一个务实、可嵌入、可审计的医疗数据协查工具
不良事件三角验证器不是通用医疗 AI 平台，也不是抽象的数据治理框架。它是一个聚焦具体问题、交付具体结果、适配具体工作流的工具型软件。它的价值体现在：
- 问题导向明确
直指「医保扣款与院感上报不一致」这一高频监管痛点 - 逻辑透明可信
纯规则引擎，无黑箱，每条可疑案例均可反向追溯原始三源字段 - 交付形式务实
Ledger 式清单天然适配院感科台账管理习惯，CSV/JSON 支持导入 Excel 或对接 OA 系统 - 部署门槛极低
单机运行，无服务依赖，CLI/Web 双模式覆盖不同使用场景 - 二次开发友好
模块职责清晰，关键词库、时间窗口、匹配策略均可按院内规范调整
对于正在推进院感监测数字化、医保合规精细化、质控数据一体化的医疗机构，它是一把开箱即用的「数据协查小锤子」，不大，但准；不炫，但实。
项目地址：https://github.com/nexorin9/adverse-event-triangulator国内仓库：https://gitee.com/nexorin9/adverse-event-triangulator欢迎交流使用问题或提出医院现场适配需求。
