[医疗软件开源] 输液活动联合异常预警系统

在医院病房中，患者输液期间突然下床走动，而输液泵滴速却意外下降，这种看似微小的组合变化，可能预示着管路脱落、针头移位甚至跌倒风险。传统监护系统多孤立监控单一设备，难以捕捉跨设备的协同异常。输液-活动联合异常预警系统（Infusion-Mobility Sentry） 正是为此而生：它不依赖额外硬件改造，仅通过融合现有输液泵与智能腕带的时序数据，构建可解释、可部署的联合预警模型，为一线护士提供关键决策支持。

项目概述：让异常“提前说话”

该系统定位清晰，是一款轻量级、开箱即用的临床辅助决策工具，核心目标不是替代人工，而是将隐性风险显性化。其设计逻辑基于真实护理场景中的典型风险模式：当患者因不适或意识模糊试图起身时，常伴随输液通路受压、回血或泵体报警被忽略，导致滴速骤降；与此同时，腕带检测到活动等级跃升。这两个指标单独看可能都在“正常阈值内”，但联合发生即构成高风险信号。

系统采用统计过程控制（SPC）思想，以 EWMA（指数加权移动平均）联合控制图 为核心算法引擎。不同于简单阈值告警，EWMA 能平滑噪声、适应个体基线差异，并通过马氏距离量化双变量偏离整体协方差结构的程度，显著提升对早期、渐进式异常的敏感性。所有功能模块均围绕临床工作流组织：从命令行快速验证、API 接入已有护理系统，到大屏集中监控，形成完整闭环。

技术亮点：稳健、分层、可验证

该项目在技术实现上体现出明确的工程克制与领域适配意识，避免过度堆砌前沿模型，专注解决实际问题。

• 双源异构数据统一适配系统内置 data_adapter.py 模块，对输液泵（滴速、压力、告警标志）和腕带（活动等级 0–3、位置状态 bed/near_bed/walking）两类 CSV 数据进行时间对齐、字段标准化与缺失值策略处理，屏蔽底层设备协议差异，为上层分析提供干净输入。

• 联合异常检测引擎engine/joint_ewma_engine.py 实现基于马氏距离的双变量 EWMA 控制图。它不假设变量独立，而是学习历史数据中滴速与活动等级的联合分布特征，动态计算当前观测点的“联合偏离度”。当马氏距离超过配置阈值（默认 3.0），即触发 CRITICAL 告警，该机制对个体化基线漂移具有天然鲁棒性。

• 三级语义化告警体系告警非简单二值输出，而是分层设计：   INFO 级提示单指标轻微波动，供护士日常关注；   WARN 级对应「滴速下降 > 20% 且活动等级 ≥ 2」，提示潜在干预时机；   CRITICAL 级则锁定「滴速下降 > 30% 且活动等级 = 3，或马氏距离超限」，直指高跌倒风险场景。规则全部外置于 config.yaml，便于临床质控人员按科室规范调整。

• 全栈解耦与多端交付能力后端使用 Python + FastAPI，保证数据处理与算法逻辑的可靠性；前端采用 TypeScript/Node.js 构建 CLI 工具与 Web 大屏。CLI 支持彩色终端输出，便于开发调试与现场快速验证；Web 大屏基于 ECharts 实现双 Y 轴实时轮询图表，直观呈现滴速与活动等级的时序联动关系，每 5 秒自动刷新，符合护士高频查看习惯。

• 开箱即测的完备验证体系项目附带完整的模拟数据生成器（data.generate_mock_data），可一键产出符合临床分布规律的样本数据集；单元测试覆盖 EWMA 计算、联合检测、告警判定等核心逻辑；集成测试涵盖 CLI 执行流与 API 服务调用链，确保从数据输入到告警输出的端到端正确性。

应用场景：聚焦真实护理痛点

本系统并非通用物联网平台，而是深度锚定住院病房护理场景，尤其适用于以下需求明确的环节：

• 老年病区与术后恢复病房这类患者跌倒风险高，且常因认知障碍或疼痛无法主动呼叫。系统可在患者刚离床、滴速尚未完全中断时即发出 WARN 告警，为护士争取黄金响应时间。

• 输液治疗集中管理场景当一个护士需同时照护多位输液患者时，系统 Web 大屏可汇总显示各床位联合状态，帮助优先处理 CRITICAL 级别床位，优化人力调度。

• 护理质量改进项目医院质控部门可利用系统长期采集的告警日志，分析跌倒前兆事件的发生时段、频次与关联因素，为制定防跌倒 SOP 提供数据支撑。

• 智慧护理系统集成扩展其 RESTful API 设计简洁，/detect 接口支持批量提交实时数据并返回结构化告警列表，易于嵌入医院现有的 HIS、NIS 或移动护理 App 中，作为智能提醒插件复用。

使用指南：三步启动你的首次预警

项目对新手友好，无需部署复杂中间件，本地即可完成全流程验证。

第一步：准备环境与数据

首先安装 Python 与 Node.js 运行时，然后分别安装依赖：

pip install -r requirements.txtnpm install

接着生成一组符合规范的模拟数据，存入 data/sample/ 目录：

python -m data.generate_mock_data --output data/sample/

该命令会同时产出 infusion.csv 与 wristband.csv，字段严格遵循 README 定义，包含 timestamp、patient_id、bed_no 等必需列。

第二步：运行 CLI 进行本地检测

直接调用 Python CLI，传入两份 CSV 路径即可获得实时分析结果。默认启用彩色终端输出，不同告警级别以颜色区分：

python cli.py \  --infusion-data data/sample/infusion.csv \  --wristband-data data/sample/wristband.csv \  --format cli

你将看到类似以下输出：

[INFO]  2024-05-20T08:12:30 | Bed A01 | Drip rate stable, activity level 1[WARN]  2024-05-20T08:15:45 | Bed B02 | Drip rate ↓22%, activity level ↑2[CRITICAL] 2024-05-20T08:17:10 | Bed C03 | Drip rate ↓35%, activity level 3, Mahalanobis=3.82

如需导出 JSON 格式供程序解析，仅需替换 --format 参数：

python cli.py \  --infusion-data data/sample/infusion.csv \  --wristband-data data/sample/wristband.csv \  --format json \  --output alerts.json

第三步：启动服务与可视化监控

后端服务使用 Uvicorn 启动，监听本地 8000 端口：

uvicorn api_server:app --host 0.0.0.0 --port 8000 --reload

服务就绪后，在浏览器访问 http://localhost:8000/dashboard，即可打开 Web 大屏。页面自动轮询 /api/detect 接口，以双 Y 轴折线图同步展示滴速（左轴）与活动等级（右轴），红色高亮区域标出所有告警时间点，一目了然。

若需自定义预警参数，只需编辑根目录下的 config.yaml 文件，例如将马氏距离告警阈值从 3.0 放宽至 3.5，或调整 EWMA 平滑系数 lambda 以适配不同数据噪声水平，修改后重启服务即可生效。

总结：小工具，大关切

输液-活动联合异常预警系统不是一个追求炫技的 AI Demo，而是一个从临床问题出发、经工程严谨实现的实用工具。它没有引入黑盒深度学习，而是选择可解释的统计控制图；不强求硬件升级，而是复用医院已有的输液泵与定位腕带；不制造信息过载，而是用三级告警将数据转化为明确行动指引。代码结构清晰，模块职责分明，测试覆盖充分，配置开放透明，这些特质共同构成了其可持续演进与临床落地的基础。

项目当前处于活跃开发阶段，MIT 开源协议保障了自由使用、修改与分发权利。无论是医院信息科评估集成可行性，还是高校研究者复现联合检测算法，亦或是开发者学习时序数据融合实践，都能从中获得扎实参考。

项目地址：https://github.com/nexorin9/infusion-mobility-sentry

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。