Agent+电子病历：病史整理、结构化录入与摘要生成如何落地

最新推荐文章于 2026-08-04 22:23:05 发布

原创最新推荐文章于 2026-08-04 22:23:05 发布 · 146 阅读

本内容遵循CC 4.0 BY-SA版权协议

电子病历系统里常见的问题是：主诉、现病史、既往史、处置记录等文本分散在多个输入框或历史文档中，医生和病案人员需要反复复制、整理、校对。本文只讨论技术架构和工程流程示例，不提供诊断、治疗、分诊或用药建议；所有字段规则、风险提示和审核策略都应由医疗专业人员及机构规范确认。

问题背景：Agent 在电子病历里到底做哪几件事

在电子病历场景中，Agent 不适合被设计成“自动替医生下结论”的系统，更合理的定位是文书处理助手。它接收多段自由文本，完成病史归并、字段候选抽取、摘要草稿生成，并把不确定内容交给人工审核。

一个可落地的目标可以拆成四个任务：

从门诊记录、入院记录、随访记录中解析出文本片段
将主诉、现病史、既往史、过敏史、家族史等字段生成候选值
根据机构模板生成一版病历摘要草稿
在审核工作台展示来源证据、置信度和修改记录

这里的关键边界是：系统只生成“候选内容”，最终写入电子病历前必须经过授权人员确认。

技术目标与约束

本文示例技术栈为 Python、FastAPI、PostgreSQL、vector store 和 LLM API。适合做成电子病历系统旁路服务，而不是直接改造核心 HIS/EMR 数据库。

核心约束建议如下：

不直接覆盖原始病历，所有回填都进入 pending 状态
每个结构化字段必须保留来源片段和生成时间
LLM 输出必须经过 JSON Schema 校验
审核人修改后的版本要进入审计日志
脱敏、权限、日志留存策略按机构要求实现

总体架构：解析、抽取、回填、审核四段式

一个简化架构如下：

Agent 编排器不需要一开始就做得很复杂。第一版可以使用固定流程：清洗文本、检索相关片段、调用字段抽取、调用摘要生成、落库待审。后续再加入任务重试、人工反馈学习、模板版本管理。

数据建模：不要只存 LLM 的最终答案

很多病历结构化项目失败在“只存结果不存依据”。建议将字段候选值、来源片段、模型版本、提示词版本和审核状态分开存储。

示例表结构可以这样设计：

CREATE TABLE emr_extract_task (
    id UUID PRIMARY KEY,
    patient_visit_id TEXT NOT NULL,
    status TEXT NOT NULL,
    model_name TEXT,
    prompt_version TEXT,
    created_at TIMESTAMP DEFAULT now()
);

CREATE TABLE emr_pending_field (
    id UUID PRIMARY KEY,
    task_id UUID REFERENCES emr_extract_task(id),
    field_name TEXT NOT NULL,
    field_value TEXT NOT NULL,
    source_text TEXT NOT NULL,
    confidence NUMERIC,
    review_status TEXT DEFAULT 'pending',
    reviewer_note TEXT,
    updated_at TIMESTAMP DEFAULT now()
);

confidence 只是工程侧的排序和提示字段，不应被解释为医疗判断依据。真实系统中，哪些字段允许自动候选、哪些字段必须人工录入，应按机构规则配置。

核心实现：FastAPI 封装一个结构化抽取接口

下面代码演示一个最小可运行的接口骨架。为了聚焦流程，LLM 调用部分使用 call_llm_json 占位函数，真实项目中需要替换为内部模型网关或合规的 LLM API，并加入超时、重试和审计日志。

from fastapi import FastAPI
from pydantic import BaseModel, Field
from typing import List, Optional
import uuid
import json

app = FastAPI(title="EMR Agent Demo")

class NoteInput(BaseModel):
    patient_visit_id: str
    notes: List[str] = Field(..., description="多段病历自由文本")

class ExtractedField(BaseModel):
    field_name: str
    field_value: str
    source_text: str
    confidence: Optional[float] = None

class ExtractResult(BaseModel):
    task_id: str
    fields: List[ExtractedField]
    summary: str
    review_required: bool = True

def clean_text(text: str) -> str:
    return " ".join(text.replace("\n", " ").split())

def build_prompt(chunks: List[str]) -> str:
    joined = "\n".join([f"[片段{i+1}] {c}" for i, c in enumerate(chunks)])
    return f"""
你是病历文书结构化助手，只做信息整理，不做诊断或治疗建议。
请从以下文本中抽取候选字段：主诉、现病史、既往史、过敏史、个人史。
要求返回 JSON，字段包含 field_name、field_value、source_text、confidence。
如果文本没有明确依据，不要编造。

{joined}
"""

def call_llm_json(prompt: str) -> dict:
    # 真实项目中替换为 LLM API 调用，并记录 model、prompt_version、request_id
    demo = {
        "fields": [
            {
                "field_name": "主诉",
                "field_value": "示例：反复咳嗽 3 天",
                "source_text": "患者自述反复咳嗽 3 天",
                "confidence": 0.86
            }
        ],
        "summary": "示例摘要：患者因反复咳嗽 3 天就诊，既往信息需结合原始记录人工确认。"
    }
    return demo

@app.post("/emr/extract", response_model=ExtractResult)
def extract_emr(payload: NoteInput):
    chunks = [clean_text(n) for n in payload.notes if n.strip()]
    prompt = build_prompt(chunks)
    raw = call_llm_json(prompt)

    fields = [ExtractedField(**item) for item in raw.get("fields", [])]
    task_id = str(uuid.uuid4())

    # 这里应写入 PostgreSQL：task、pending fields、summary、source mapping
    return ExtractResult(
        task_id=task_id,
        fields=fields,
        summary=raw.get("summary", ""),
        review_required=True
    )