构建AI智能体：AI医疗场景实践：医学知识精准问答+临床智能辅助决策CDSS

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings # 使用开源Embedding模型
from langchain.vectorstores import FAISS
import os
 
# 1. 加载和分割文档
loader = TextLoader("./medical_data.txt", encoding="utf-8")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(documents)
 
# 2. 选择嵌入模型 (这里使用开源模型 `BGE`)
model_name = "BAAI/bge-base-zh"
model_kwargs = {'device': 'cpu'} # 或 'cuda'
encode_kwargs = {'normalize_embeddings': True}
embeddings = HuggingFaceEmbeddings(
    model_name=model_name,
    model_kwargs=model_kwargs,
    encode_kwargs=encode_kwargs
)
 
# 3. 创建FAISS向量数据库
# 如果之前没有创建过，就创建并保存
if not os.path.exists("./faiss_medical_index"):
    db = FAISS.from_documents(docs, embeddings)
    db.save_local("./faiss_medical_index")
    print("向量数据库已创建并保存。")
else:
    print("向量数据库已存在。")

from openai import OpenAI
# 假设FAISS索引已构建好
db = FAISS.load_local("./faiss_medical_index", embeddings, allow_dangerous_deserialization=True)
 
# 初始化Qwen客户端 (通过DashScope API)
# 需要安装 pip install dashscope
import dashscope
from dashscope import Generation
dashscope.api_key = '你的DASHSCOPE_API_KEY'
 
def ask_qwen_with_rag(question, k=3):
    # 1. 检索：根据用户问题检索最相关的文档块
    relevant_docs = db.similarity_search(question, k=k)
    context = "\n".join([doc.page_content for doc in relevant_docs])
 
    # 2. 构建Prompt，将检索到的上下文和问题组合
    prompt = f"""
    你是一个专业的医疗助手，请严格根据以下提供的医学知识来回答问题。
    如果提供的信息不足以回答问题，请明确告知用户“根据现有资料无法完整回答该问题”，并建议咨询专业医生。
    【参考知识】：
    {context}
    【用户问题】：
    {question}
    【回答】：
    """
 
    # 3. 调用Qwen模型生成回答
    response = Generation.call(
        model='qwen-max', # 或 'qwen-plus', 'qwen-turbo'
        prompt=prompt,
        seed=12345,
        top_p=0.8,
        result_format='message',
    )
    # 提取回答内容
    answer = response.output.choices[0].message.content
    return answer
 
# 日常使用示例
if __name__ == '__main__':
    user_question = "糖尿病患者应该怎么选择主食？"
    answer = ask_qwen_with_rag(user_question)
    print(f"用户问题: {user_question}")
    print(f"AI回答: {answer}")
 
    # 另一个示例
    user_question2 = "阿司匹林的主要副作用是什么？"
    answer2 = ask_qwen_with_rag(user_question2)
    print(f"\n用户问题: {user_question2}")
    print(f"AI回答: {answer2}")

向量数据库已存在。
用户问题: 糖尿病患者应该怎么选择主食？
AI回答: 糖尿病患者在选择主食时，应该遵循以下原则来帮助控制血糖水平：
1. **选择低GI（血糖生成指数）的食物**：低GI食物能够更缓慢地被消化吸收，有助于避免餐后血糖迅速升高。例如，糙米、全麦面包、燕麦等都是较好的选择。
2. **适量摄入碳水化合物**：虽然碳水化合物是身体能量的主要来源之一，但对于糖尿病患者来说，需要合理控制其摄入量以维持血糖稳定。建议咨询营养师或医生确定个人化的每日碳水化合物适宜摄入量。
3. **多样化搭配**：不要单一依赖某一种主食，而是应该尝试多种不同的健康选项，比如红薯、玉米、小米等粗粮，它们不仅富含膳食纤维，还含有维生素和矿物质。        
4. **注意分量控制**：即使是健康的食品，过量食用也可能导致血糖上升。使用小盘子可以帮助减少食物的份量，同时确保每顿饭都有足够的蔬菜补充。
5. **定期监测血糖变化**：开始新的饮食计划后，应注意观察自己的血糖反应，并据此调整食物种类与数量。如果可能的话，在专业人员指导下进行更为理想。
总之，合理的饮食结构对于糖尿病患者非常重要，通过科学地选择并控制主食，可以有效地帮助管理病情。但请注意，以上建议仅供参考，具体方案应根据个人情况及医嘱制定。
如果有任何疑问，请及时咨询专业的医疗保健提供者。

# 1. 加载和分割文档
loader = TextLoader("./medical_data_deep.txt", encoding="utf-8")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(documents)
 
# 2. 选择嵌入模型
model_name = "BAAI/bge-base-en" # 中文可用 `BAAI/bge-base-zh`
model_kwargs = {'device': 'cpu'} # 或 'cuda'
encode_kwargs = {'normalize_embeddings': True}
embeddings = HuggingFaceEmbeddings(
    model_name=model_name,
    model_kwargs=model_kwargs,
    encode_kwargs=encode_kwargs
)
 
# 3. 创建FAISS向量数据库
if not os.path.exists("./faiss_medical_deep_index"):
    db = FAISS.from_documents(docs, embeddings)
    db.save_local("./faiss_medical_deep_index")
    print("向量数据库已创建并保存。")
else:
    print("向量数据库已存在。")

def fetch_real_time_patient_data(patient_id: str) -> Dict:
    """模拟从医院HIS、LIS、PACS系统获取实时患者数据"""
    return {
        "patient_id": patient_id,
        "age": 68,
        "sex": "男",
        # ... 详细的患者数据
    }
 
def calculate_sofa_score(patient_data: Dict) -> Dict:
    """计算SOFA评分"""
    # 呼吸系统评分 (简化版，使用SpO2/FiO2近似替代PaO2/FiO2)
    spo2 = vitals["spo2"]
    fio2 = 0.21  # 默认室内空气
    
    if spo2 < 90:
        fio2 = 0.6  # 假设使用面罩吸氧
    elif spo2 < 94:
        fio2 = 0.28  # 假设使用鼻导管吸氧
    
    # 简化计算: SpO2/FiO2比率
    sf_ratio = spo2 / fio2
    
    resp_score = 0
    if sf_ratio < 200:
        resp_score = 3
    # ... 其他系统评分计算

def complex_cdss_advice(patient_id: str) -> Dict:
    # 1. 获取实时患者数据
    patient_data = fetch_real_time_patient_data(patient_id)
    
    # 2. 计算临床评分
    sofa_score = calculate_sofa_score(patient_data)
    patient_data["sofa_score"] = sofa_score
    
    # 3. 构建详细的临床查询
    query_text = f"""
    患者 {patient_data['age']}岁 {patient_data['sex']}，既往有{', '.join(patient_data['past_history'])}。
    主诉: {', '.join(patient_data['symptoms'])}。
    # ... 详细的患者信息汇总
    """
    
    # 4. 检索相关医学知识
    relevant_docs = db.similarity_search(query_text, k=5)
    context = "\n---\n".join([doc.page_content for doc in relevant_docs])
    
    # 5. 构建复杂的多步骤推理Prompt
    prompt = f"""
# 角色
你是一名重症医学专家，正在急诊室会诊一位危重患者...
# 患者实时数据
{query_text}
# 相关临床指南
{context}
# 推理任务
请按以下步骤进行严谨的临床推理：
1. **初步诊断假设**...
2. **严重程度评估**...
# ... 详细的任务说明
# 输出格式要求
请以纯JSON格式输出，包含以下字段：
{{
  "primary_diagnosis": [字符串数组，按可能性排序],
  "differential_diagnosis": [字符串数组，其他需要考虑的诊断],
  # ... 其他字段
}}
"""

# 6. 调用Qwen模型
response = Generation.call(
    model='qwen-max',
    prompt=prompt,
    result_format='text',
    seed=12345
)
 
# 7. 解析响应
try:
    answer_text = response.output.text
    start_index = answer_text.find('{')
    end_index = answer_text.rfind('}') + 1
    if start_index != -1 and end_index != 0:
        json_str = answer_text[start_index:end_index]
        advice_json = json.loads(json_str)
        
        # 添加时间戳和患者标识
        advice_json["patient_id"] = patient_id
        advice_json["generated_at"] = datetime.now().isoformat()
        advice_json["sofa_score_details"] = sofa_score
        
        return advice_json
    else:
        raise ValueError("未找到有效的JSON结构")
except (json.JSONDecodeError, ValueError) as e:
    return {"error": f"解析响应失败: {str(e)}", "raw_response": answer_text}

if __name__ == '__main__':
    patient_id = "P20240610001"
    print(f"生成针对患者 {patient_id} 的CDSS建议...\n")
    
    try:
        advice = complex_cdss_advice(patient_id)
        print("CDSS分析结果:")
        print(json.dumps(advice, indent=2, ensure_ascii=False))
        
        # 模拟将建议发送到医院信息系统
        print("\n正在将建议发送到医院HIS系统...")
        # integration_with_his(advice)  # 实际环境中实现此函数
        
    except Exception as e:
        print(f"生成CDSS建议时出错: {str(e)}")

CDSS分析结果:
{
  "primary_diagnosis": [
    "脓毒症合并脓毒性休克",
    "社区获得性肺炎",
    "急性心力衰竭"
  ],
  "differential_diagnosis": [
    "急性肺栓塞",
    "急性冠脉综合征"
  ],
  "severity_assessment": {
    "score_name": "SOFA评分",
    "score_value": 9,
    "interpretation": "严重，存在多器官功能障碍"
  },
  "immediate_actions": [
    "立即开始广谱抗生素治疗（1小时内完成）",
    "快速输注晶体液30mL/kg（1小时内完成）",
    "获取血培养样本（1小时内完成）",
    "测量血乳酸水平（1小时内完成）",
    "如果液体复苏后仍低血压，应用血管升压药维持MAP≥65mmHg（1小时内完成）",
    "提供氧气支持，确保SpO2≥92%",
    "启动血糖控制措施，目标血糖140-180mg/dL",
    "预防深静脉血栓和应激性溃疡"
  ],
  "diagnostic_plan": [
    "动脉血气分析",
    "血液生化检查",
    "痰培养和药敏试验",
    "心脏超声",
    "D-二聚体检测以排除肺栓塞",
    "心肌损伤标志物检测（如肌钙蛋白）"
  ],
  "treatment_recommendations": {
    "antibiotics": [
      "碳青霉烯类或β-内酰胺类/β-内酰胺酶抑制剂联合大环内酯类/氟喹诺酮类"
    ],
    "fluid_management": "初始快速输注30mL/kg晶体液，随后根据中心静脉压、尿量及临床表现调整",
    "vasopressors": "如果液体复苏后仍低血压，首选去甲肾上腺素维持MAP≥65mmHg；必要时可加用氢化可的松200mg/天",
    "respiratory_support": "高流量鼻导管吸氧或无创机械通气，必要时进行气管插管和有创机械通气",
    "other_treatments": [
      "监测并控制血糖在140-180mg/dL",
      "使用低分子肝素预防深静脉血栓",
      "使用PPI或H2受体拮抗剂预防应激性溃疡"
    ]
  },
  "monitoring_parameters": [
    "生命体征：每小时监测一次体温、心率、呼吸频率、血压和血氧饱和度",
    "中心静脉压(CVP)和尿量：评估容量状态",
    "血乳酸水平：每2-4小时监测一次，直至稳定",
    "电解质和肾功能：每日监测",
    "凝血功能：每日监测",
    "心电图：动态监测"
  ],
  "consultation_recommendations": [
    "感染科医生",
    "重症医学科医生",
    "呼吸内科医生",
    "心血管内科医生"
  ],
  "prognosis": "患者病情危重，存在多器官功能障碍，短期内预后较差，需要密切监护和积极治疗。",
  "critical_warnings": [
    "持续低血压无法纠正",
    "意识水平进一步下降",
    "血氧饱和度持续低于90%",
    "尿量减少或无尿",
    "新出现的心律失常或心肌梗死迹象"
  ],
  "patient_id": "P20240610001",
  "generated_at": "2025-09-12T17:06:20.449462",
  "sofa_score_details": {
    "respiratory": 3,
    "coagulation": 2,
    "liver": 0,
    "cardiovascular": 1,
    "cns": 1,
    "renal": 2,
    "total": 9
  }
}