夜雨聆风在互联网医院快速普及的今天，患者出院后的线上行为数据正成为临床服务质控的新富矿。但这些数据往往沉睡在日志和数据库中，缺乏实时解读能力。当一位患者连续三天反复登录、多次查询检验报告、又频繁修改挂号信息，这背后可能不是操作失误，而是对病情进展的焦虑、对用药效果的疑虑，或是对复诊流程的困惑。若无人及时响应，一次沉默的点击，就可能演变为一通投诉电话。
「随访外呼主动干预触发器」正是为此而生。它不依赖大模型生成式推理，也不追求炫目的AI标签，而是回归医疗信息化的本质：用可解释、可验证、可追溯的统计方法，把患者行为信号转化为护理行动指令。这是一个轻量、务实、开箱即用的开源工具，专为医院信息科、护理部与互联网医院运营团队设计。
项目概述：从行为异常到工单落地的闭环链路
该项目的核心目标非常明确：检测出院患者在互联网医院中的访问频率异常，识别“可能需要主动随访”的高风险患者，并自动生成结构化随访工单，推送给对应责任护士。整个流程不依赖人工筛查，也无需定制开发，通过标准化的数据输入与配置驱动，实现“数据进—分析出—动作落”的端到端闭环。
整个系统围绕一个关键概念展开：Ledger 台账。这不是简单的报警列表，而是包含患者ID、风险评分、异常指标明细、推荐随访动作、责任护士归属、生成时间等字段的结构化工单记录。每一条 Ledger 都是可追踪、可归档、可回溯的随访依据，为后续质控分析与绩效评估提供原始凭证。
项目采用模块化分层设计，代码组织清晰，各功能职责分明。CLI 命令行支持定时任务集成，Web 界面便于人工复核与可视化研判，二者共享同一套核心逻辑，确保结果一致、口径统一。所有组件均基于成熟稳定的 Python 生态构建，无外部云服务依赖，可完全私有化部署。
技术亮点：稳健、透明、易集成
SPC 规则引擎
基于统计过程控制（I-MR 控制图）进行异常检测，使用移动极差法计算上下控制限。该方法无需训练数据、不依赖历史标签，仅需一段稳定期的行为基线数据即可建立阈值。相比黑盒模型，SPC 具备强可解释性，护士或信息科人员能直观理解“为何判定为异常”，杜绝幻觉风险与误判争议。CLI / Web 双界面协同工作流
CLI 支持全链路自动化调度，适合与医院 ETL 流程或定时任务系统（如 Airflow、cron）对接；Web Dashboard 则提供交互式图表与筛选面板，支持按病区、风险等级、时间窗口快速定位重点对象，兼顾效率与可控性。多指标联合评分机制
不孤立看待单一行为，而是综合评估三类关键动作：登录频率、报告查询次数、挂号变更频次。各项指标按配置权重加权汇总，形成 0–100 分的风险总分，避免因某项偶然波动导致误触发。Ledger 工单结构化输出
每条工单包含完整上下文：患者标识、检测时间窗、各维度得分明细、风险等级判定依据、自动匹配的责任护士编号及所属病区。支持导出为 CSV、JSON 或终端表格格式，无缝对接医院现有工单系统或护理质控平台。Webhook 主动推送能力
高风险工单生成后，可自动通过 HTTP 请求推送至企业微信、钉钉或飞书群组，通知责任护士即时处理。推送内容含工单摘要与详情链接，确保信息触达及时、路径可查。
应用场景：聚焦真实临床管理需求
该项目并非通用数据分析玩具，其设计直指医疗运营中的典型痛点，可用于以下具体场景：
互联网医院患者体验优化
在患者尚未发起咨询前，主动识别潜在服务盲区，将“被动响应”升级为“主动关怀”，显著提升NPS（净推荐值）与复诊意愿。医保办与客服中心前置风控
投诉往往源于未被满足的预期。通过提前发现行为异常患者并安排专人沟通，可大幅降低投诉发生率，减轻客服压力，辅助医保合规审查。护理部随访资源科学调配
将有限的随访人力优先分配给高风险患者，中低风险患者可延后跟进或转为智能语音提醒，实现护理资源投入产出比最大化。临床质控数据溯源支撑
所有检测过程、评分逻辑、工单生成均有迹可循。Ledger 记录可作为《医院智慧服务分级评估标准》《电子病历系统功能应用水平分级评价》中“患者服务闭环管理”条款的佐证材料。
使用指南：六步完成首次运行
项目开箱即用，无需复杂配置。以下为从零启动的完整流程，所有命令均可直接复制执行。
1. 安装依赖
pip install -r requirements.txt
2. 导入示例患者行为数据
python cli.py followup import --input data/sample_events.csv
3. 计算 SPC 基线参数
python cli.py followup baseline --input data/sample_events.csv --output data/baseline.json
4. 执行滚动窗口异常检测
python cli.py followup detect --baseline data/baseline.json --events data/sample_events.csv --window 7 --output data/detection_results.csv
5. 生成结构化工单（绑定护士）
python cli.py followup workorder --detection data/detection_results.csv --nurse-map data/nurse_mapping.csv --output data/workorders.csv
6. 查看与导出 Ledger 报告
python cli.py followup report --workorders data/workorders.csv --format cli
此外，如需可视化分析，可启动 Web 界面：
python web.py
启动后访问 http://127.0.0.1:5000，即可查看 SPC 控制图、风险热力图与工单明细表。
所有配置项集中于 config.yaml 文件，关键参数包括： - ucl_multiplier：控制限倍数，默认为3，对应常规3σ原则
- post_discharge_window_days：出院后检测窗口，默认7天
- login_weight、report_weight、appointment_weight：三项行为指标权重，支持业务侧灵活调整
- high_risk_threshold 与 medium_risk_threshold：风险分级阈值，可根据本院历史数据校准
技术栈全部选用国内广泛支持、文档完备的开源组件：Python 3.10+ 为底座，pandas 处理行为流水，statsmodels 实现 SPC 算法，Click 构建 CLI，Flask 提供 Web 服务，matplotlib 输出质量控制图。无商业授权依赖，无境外云服务调用，符合医院信创与等保要求。
总结：让每一次患者点击，都成为改善服务的契机
医疗信息化的价值，不在于堆砌多少新技术名词，而在于能否真正解决一线人员的日常困扰。随访外呼主动干预触发器没有追逐LLM热点，而是选择了一条更扎实的路径：用统计学筑牢判断基础，用结构化输出打通执行堵点，用双界面设计兼顾自动化与人机协同。
它不替代护士的专业判断，而是成为她们的“数字助手”；它不试图重构医院IT架构，而是以最小侵入方式嵌入现有数据流。从导入CSV到推送工单，全程可控、可验、可审计。对于正在推进互联网医院精细化运营、患者服务闭环管理与护理质控数字化的医疗机构而言，这是一个值得纳入技术选型清单的务实工具。
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/follow-up-intervention-trigger
