医疗报告分析API

这是一个专业的医疗报告分析API，能够接收各种类型的医疗报告数据，调用大模型进行智能分析，并将结果存储到PostgreSQL数据库中。

功能特性

• 支持4种医疗报告类型：

  • 常规检验报告
  • 微生物检验报告
  • 检查报告
  • 病理报告

• 集成大模型AI分析

• 历史报告对比分析：自动查询患者最近的历史报告，进行对比分析，识别变化趋势

• 基于LangChain的深度分析

• PostgreSQL数据库存储

• 完整的错误处理和日志记录

• Docker容器化部署

• RESTful API接口

历史报告对比分析功能

工作原理

当提交新的医疗报告时，系统会自动：

1. 查询历史报告：在数据库中查找该患者最近3个月内的同类型报告
2. 智能对比分析：将当前报告与最近的历史报告进行对比
3. 趋势识别：分析各项指标的变化趋势（上升、下降、稳定）
4. 风险评估：基于变化趋势评估健康风险
5. 生成建议：提供针对性的医疗建议和随访计划

对比分析内容

常规检验报告

• 各项检验指标的数值变化
• 异常指标的改善或恶化情况
• 整体健康状况的变化趋势
• 需要重点关注的风险指标

微生物检验报告

• 病原菌数量的变化
• 药敏结果的变化和耐药性分析
• 感染控制效果评估
• 治疗方案的有效性评估

检查报告

• 客观所见的变化对比
• 病变进展、稳定或好转的评估
• 治疗效果的评估

病理报告

• 病理形态学特征的变化
• 疾病进展评估
• 治疗效果的病理学评估

分析结果特点

• 专业性：采用医学专业术语和标准
• 对比性：突出当前报告与历史报告的差异
• 趋势性：识别健康状况的变化趋势
• 建议性：提供具体的医疗建议和随访计划

适用场景

• 慢性病患者的定期检查
• 感染性疾病的治疗效果监测
• 术后患者的恢复情况评估
• 健康体检的纵向比较

API接口

1. 常规检验报告 - POST /routine-lab

{
  "cardNo": "患者卡号",
  "reportDate": "报告日期",
  "resultList": "检查结果JSON字符串"
}

2. 微生物检验报告 - POST /microbiology

{
  "cardNo": "患者卡号",
  "reportDate": "报告日期",
  "microbeResultList": "微生物报告列表JSON字符串",
  "bacterialResultList": "细菌鉴定结果列表JSON字符串",
  "drugSensitivityList": "药敏结果列表JSON字符串",
  "deptCode": "科室编码",
  "deptName": "科室名称",
  "diagnosisCode": "诊断编码",
  "diagnosisName": "诊断名称",
  "diagnosisDate": "诊断日期",
  "testResultCode": "检验结果编码",
  "testResultName": "检验结果名称",
  "testQuantifyResult": "检验定量结果",
  "testQuantifyResultUnit": "检验定量结果单位"
}

3. 检查报告 - POST /examination

{
  "cardNo": "患者卡号",
  "patientNo": "住院号",
  "reportDate": "报告生成时间",
  "examResultCode": "检查结果代码",
  "examResultName": "检查结果名称",
  "examQuantifyResult": "检查定量结果",
  "examQuantifyResultUnit": "检查定量结果单位",
  "examObservation": "检查报告结果-客观所见",
  "examResult": "检查报告结果-主观提示"
}

4. 病理报告 - POST /pathology

{
  "cardNo": "患者卡号",
  "patientNo": "住院号",
  "deptCode": "患者科室编码",
  "deptName": "患者科室名称",
  "diagnosisCode": "诊断代码",
  "diagnosisName": "诊断名称",
  "chiefComplaint": "主诉",
  "symptomDescribe": "症状描述",
  "symptomStartTime": "症状开始时间",
  "symptomEndTime": "症状停止时间",
  "examResultCode": "检查结果代码",
  "examResultName": "检查结果名称",
  "examQuantifyResult": "检查定量结果",
  "examQuantifyResultUnit": "检查定量结果单位",
  "diagnosisDescribe": "诊疗过程描述",
  "examObservation": "检查报告结果-客观所见",
  "examResult": "检查报告结果-主观提示"
}

响应格式

所有接口都返回统一的响应格式：

{
  "code": "200",
  "cardNo": "患者卡号",
  "processed_at": "处理时间",
  "ai_analysis": "AI分析结果",
  "error": "错误信息（仅在出错时）"
}

部署方式

1. Docker部署（推荐）

# 克隆代码
git clone <repository-url>
cd medical_report_api

# 构建并启动服务
docker-compose up -d

# 查看日志
docker-compose logs -f medical-report-api

2. 本地部署

# 安装依赖
pip install -r requirements.txt

# 设置环境变量
export POSTGRES_HOST=10.1.27.65
export POSTGRES_PORT=5432
export POSTGRES_DATABASE=medical_reports
export POSTGRES_USER=postgres
export POSTGRES_PASSWORD=admin123
export LLM_API_URL=http://localhost:11434/api/generate
export LLM_MODEL=llama3.1

# 启动服务
uvicorn api:app --host 0.0.0.0 --port 7700

环境变量配置

• POSTGRES_HOST: PostgreSQL主机地址
• POSTGRES_PORT: PostgreSQL端口
• POSTGRES_DATABASE: 数据库名称
• POSTGRES_USER: 数据库用户名
• POSTGRES_PASSWORD: 数据库密码
• LLM_API_URL: 大模型API地址
• LLM_MODEL: 大模型名称

健康检查

访问 GET /health 来检查服务状态：

{
  "status": "healthy",
  "database": "connected",
  "llm_api": "connected",
  "timestamp": "2023-12-01T10:30:00.000Z"
}

日志文件

• 应用日志：medical_report_api.log
• 包含详细的请求、响应和错误信息

技术栈

• 框架: FastAPI
• 数据库: PostgreSQL
• AI模型: Ollama/LLaMA
• 容器化: Docker
• 日志: Python logging
• 异步处理: asyncio

开发说明

1. 所有医疗报告数据都会进行AI分析
2. 历史对比分析：系统会自动查询患者最近的历史报告进行对比分析
3. 分析结果存储在对应的数据库表中
4. 支持并发处理多个报告
5. 完整的错误处理和重试机制
6. 详细的日志记录便于调试

历史对比分析技术细节

• 查询范围：默认查询3个月内的同类型历史报告
• 选择策略：优先选择最近的一条历史报告进行对比
• 分析逻辑：
  • 如果存在历史报告，进行对比分析
  • 如果没有历史报告，进行单独分析并提示首次检验
• 存储策略：当前报告和历史报告数据都会记录在分析结果中
• 性能优化：历史报告查询采用索引优化，支持高并发访问

测试功能

运行测试脚本验证历史对比分析功能：

python test_historical_comparison.py

测试脚本会：

1. 检查API健康状态
2. 提交第一份报告（作为历史报告）
3. 提交第二份报告（触发对比分析）
4. 验证对比分析结果是否包含历史对比内容

联系方式

如有问题，请联系开发团队。