正文

请到「今天看啥」查看全文

整个项目，基本就是围绕病历、结算数据去进行分析，根据我们的项目计划书， 我们将从全省的省级、市级、县级医院共抽取一亿份相关病历来进行数据分析 。如果熟悉医院信息化相关的小伙伴就会知道，这将是一个非常麻烦的事情，因为「标准不统一」，各家机构都会有个家机构的病历结构，而很多历史病历只有影印版的记录。

归纳起来，任务难点有三点：

多院区非标准数据清洗

因为是从省、市、县多家医疗机构提取病历数据，各家医院的电子病历系统的数据结构、信息化能力各有差异，而根据课题研究的要求，我们需要按照一定规则去提取相关数据，对于结构化数据我们自然可以编写相应的转化程序，但对于非标准数据，如果针对性的去开发提取程序，那将是一个非常庞大的工作量。在咨询了红薯以及 Gitee AI 的小伙伴后，我们认为 AI 的相关能力简直天生就适合来做这件事。

多模态数据识别与抽取

在医疗领域，OCR 识别一直以来都是信息厂家拿捏医院的一个法宝。但传统 OCR 技术的识别率是低的感人的。我们需要一个能读懂病历照片，并根据我们的一些指令提取相关信息的程序，随着 Qwen2-VL-72B 等优秀多模态大模型的开源，这一需要将不再是难题。

多因子影响的耗材使用合理性分析

哪怕不是医疗从业人员，也能想到一个事情，一个患者的耗材使用情况，除了取决于手术方式，还取决于患者的具体病症、基本生命体征等。这些影响因子之间还会有交叉影响，我们可以对真实世界的耗材使用情况进行描述性分析，但针对具体的每一个单例的耗材使用情况，还需要进行更为深层的多元分析。这样的事情，很显然最适合交给 AI 来做。

技术实现路径

专业知识库建设

做为一个野生程序员，我自然也是知道 LLM 是存在幻觉的，这样的幻觉在我们这个案例里面，显然是不行的。RAG 技术是消除幻觉的一大法宝，而恰好医疗行业是一个最不缺少各种知识内容的行业，所以我们需要为 LLM 准备一个诊疗专家知识库和一个耗材专业知识库，前者对具体的诊疗技术做描述，后者则是医用耗材的使用说明书。

请到「今天看啥」查看全文