夜雨聆风在医疗器械使用日益密集的现代医院环境中，设备报警频次升高往往不是孤立现象，而可能是患者即将发生不良事件的重要前兆。但传统管理模式多依赖事后报告与人工排查，响应滞后、因果难溯。医疗器械不良事件先行预警系统（Device AE Sentry） 正是为解决这一痛点而生，它不等待事件发生，而是通过数据驱动的方式，在患者受损之前，从设备自检日志中识别出具有统计显著性的「先行模式」，将被动维修转变为主动干预。
该项目完全开源，采用 MIT 协议发布，技术栈兼顾工程严谨性与部署灵活性，既可作为医院信息科日常质控工具，也适合医工科开展设备安全评估与预防性维护策略制定。
项目概述
Device AE Sentry 是一个轻量级、可本地部署的智能分析工具，核心目标是建立「设备报警序列」与「患者不良事件时间序列」之间的统计关联。它并非通用型大数据平台，而是聚焦于临床一线真实可获取的数据源：设备自检日志（如呼吸机、监护仪、输液泵等每日生成的报警记录）和医院不良事件上报系统中的结构化报告。
系统通过三重分析逻辑协同工作： - 时间序列对齐：利用动态时间规整（DTW）算法，容忍设备报警与事件发生之间的时间偏移与节奏差异； - 统计过程控制：基于 EWMA（指数加权移动平均）模型构建设备报警频率基线，识别偏离常态的异常波动； - 相关性建模：在设定的时间窗口内（例如事件发生前 1–72 小时），计算设备报警频次与不良事件发生的皮尔逊相关系数，筛选具备先行意义的设备-事件对。
最终输出包括终端彩色告警列表、HTML 可视化看板、多格式结构化报告（JSON/CSV/Excel），以及可选的邮件或飞书通知推送。
技术亮点
该系统在架构设计与算法实现上体现出清晰的分层思想与务实的技术选型：
双 CLI 架构统一入口体验Python CLI 负责核心数据分析与报告生成，支持彩色终端输出与多种导出格式；TypeScript/Node.js CLI 则承担服务管理与前端资源编排，提供
dashboard和serve等便捷命令，降低前端依赖门槛。DTW 序列对齐保障医学时序鲁棒性医疗设备报警存在间歇性、非均匀性特点，传统欧氏距离无法准确衡量相似性。项目采用 DTW 算法对齐报警序列与事件序列，有效应对报警密度变化、时间偏移等现实干扰，提升先行模式识别准确率。
EWMA 控制图适配医疗设备运行特征相较于固定阈值告警，EWMA 模型能动态学习设备历史报警基线，对缓慢恶化的趋势更敏感。配置文件中可调节平滑系数
lambda_与控制限倍数sigma_multiplier，便于不同品牌、不同使用强度的设备个性化建模。模块化适配器设计支持数据源扩展所有数据接入均通过
adapters/层抽象，当前内置 CSV 读取器，但预留了 Excel、数据库直连、HL7 接口等扩展路径。新增数据源只需实现标准接口并注册至工厂类，无需改动分析引擎。LLM 归因说明增强人机协同可解释性在启用状态下，系统调用大语言模型为每条高风险告警生成自然语言归因，例如「设备 ICU呼吸机-01 在过去48小时内触发7次A001报警，与同期3起呼吸参数异常事件相关性达0.82，建议立即核查气路密封性与传感器校准状态」。所有 LLM 输出均标注「AI 辅助生成，仅供参考」，强调临床决策终审权归属医工人员。
应用场景
本系统主要用于提升医院医疗器械全生命周期管理中的风险预判能力，适合以下典型场景：
医院信息科开展医疗设备运行质量回溯分析可定期（如每周）运行全量分析，生成《设备安全评分周报》，辅助制定下阶段巡检计划与资源配置。
医工科进行重点设备专项评估针对新上线、高危科室（如ICU、手术室）或近期故障频发的设备，导入其近30–90天自检日志与对应时段不良事件，快速定位潜在隐患。
医疗质量管理办公室支撑 PDCA 循环改进将系统输出的「维修优先级建议」纳入设备台账，跟踪整改闭环情况，形成“监测—预警—处置—验证”的质控闭环。
教学医院开展临床工程教学实践内置模拟数据生成脚本（
generate_mock_data.py）可创建含已知高风险、低风险、随机共现三类对照组的大规模数据集，适用于本科生《医疗设备管理》《生物医学信号处理》等课程实验。
需注意的是，当前版本为批处理模式，不内置实时流式计算能力。但可通过操作系统定时任务（如 Linux cron 或 Windows Task Scheduler）设置每小时自动执行分析脚本，实现准实时监控效果。
使用指南
项目开箱即用，仅需满足基础环境要求即可快速启动。
环境准备
确保已安装： - Python 3.9 或更高版本 - Node.js 18 或更高版本 - npm 8 或更高版本
安装依赖
cd device-ae-sentrypip install -r requirements.txtnpm installnpm run build运行分析（推荐从默认示例开始）
项目自带两份示例数据，位于 data/ 目录下，可直接用于首次验证：
python -m src.cli --config config.yaml终端将输出带颜色编码的告警摘要，其中红色代表需立即响应的 CRITICAL 级别。
生成可视化看板
npm run start -- dashboard该命令将在 output/ 目录生成 dashboard.html 文件，打开即可查看交互式仪表盘。
如需本地预览服务：
npm run start -- serve访问 http://localhost:3000 即可实时浏览更新后的看板。
自定义配置
所有行为由 config.yaml 控制，关键参数包括： - data_sources：指定设备日志与不良事件 CSV 路径及启用状态 - date_range：限定分析时间范围，支持留空表示全量 - alarm_thresholds：设置各级报警触发频次阈值 - analysis：定义时间窗口大小、相关性判定下限与先行时间范围 - ewma：调整 EWMA 平滑系数与控制限宽度 - notifications：配置 SMTP 邮件或飞书 Webhook 推送通道 - llm：启用后需在 .env 中填写 OPENAI_API_KEY
详细参数说明已在 README 的「配置说明」章节逐项列出，调参时建议优先调整 correlation_threshold 与 lambda_，再结合实际业务反馈微调。
总结
Device AE Sentry 不是一个追求炫技的 AI 工具，而是一款扎根于医院真实数据环境、服务于一线医工人员的务实型开源医疗软件。它没有试图替代临床判断，而是以统计学为尺、以时间序列为据，把原本散落在日志文件中的“蛛丝马迹”，转化为可排序、可追踪、可行动的风险线索。
项目代码结构清晰，文档详实，CLI 与 Web 看板双轨并行，既满足技术人员快速验证需求，也兼顾管理人员直观理解。所有功能均可离线运行，数据不出院区，符合医疗信息系统安全合规的基本要求。
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。
项目地址：https://github.com/nexorin9/device-ae-sentry
