203 lines
7.3 KiB
Markdown
203 lines
7.3 KiB
Markdown
# HIS 患者列表 OCR 归档工作流
|
||
|
||
这是可提交到 Gitea 的无密钥版本。不要在本文件中写入腾讯云密钥、数据库密码、Gitea 密码或患者处理结果。
|
||
|
||
## 目标
|
||
|
||
把 HIS 患者列表截图整理为结构化患者记录，并同步到 PostgreSQL 的 `"Patient_Lists"` 单表。
|
||
|
||
最终数据库只保留正式查看和追溯需要的信息：
|
||
|
||
- 数据定位：`batch_name`、`source_folder`、`image_path`、`image_name`、`image_row_no`
|
||
- 科室信息：`major_department`、`sub_department`
|
||
- 患者信息：姓名、性别、年龄、住院号、诊断、入院时间、最后书写时间、住院天数、出院时间、手术后天数
|
||
- 复核信息：`review_status`、`review_notes`、`manual_corrected`
|
||
|
||
OCR 请求号、OCR 缓存路径、拼接图路径、拼接组号等中间态字段不进入数据库正式表。
|
||
|
||
## 目录结构
|
||
|
||
- `待处理-患者目录图片集群/`：尚未处理的 HIS 图片批次。
|
||
- `已处理-患者目录图片集群/`：已经完成处理的原始图片批次。
|
||
- `数据处理工作区/`：程序、科室规则、数据库结构、说明文档。
|
||
- `数据处理结果区/已处理-患者目录图片集群/`：各批次本地处理结果。
|
||
- `数据处理结果区/信息记录/`：全局信息记录、批次汇总、待处理盘点等。
|
||
|
||
仓库只提交程序和文档。图片、OCR 缓存、处理结果、人工修正数据都应被 `.gitignore` 排除。
|
||
|
||
## 关键文件
|
||
|
||
1. `数据处理工作区/01_科室分类规则.json`
|
||
2. `数据处理工作区/02_患者列表OCR归档.py`
|
||
3. `数据处理工作区/03_人工复核修正.template.json`
|
||
4. `数据处理工作区/04_合并批次结果.py`
|
||
5. `数据处理工作区/05_同步PostgreSQL单表.py`
|
||
6. `数据处理工作区/06_PostgreSQL建表结构.sql`
|
||
7. `数据处理工作区/07_处理程序说明.md`
|
||
8. `数据处理工作区/08_PostgreSQL调整Patient_Lists列顺序.sql`
|
||
|
||
本地实际使用时，可以从模板复制出 `数据处理工作区/03_人工复核修正.json`。这个文件可能包含患者信息，不提交到 Git。
|
||
|
||
患者列表字段顺序固定为：姓名、性别、年龄、住院号、诊断、入院时间、最后书写时间、住院天数、出院时间、手术后天数。
|
||
|
||
## 处理前准备
|
||
|
||
安装依赖：
|
||
|
||
```bash
|
||
python3 -m pip install pillow
|
||
psql --version
|
||
```
|
||
|
||
设置腾讯云 OCR 环境变量：
|
||
|
||
```bash
|
||
export TENCENTCLOUD_SECRET_ID='填入腾讯云 SecretId'
|
||
export TENCENTCLOUD_SECRET_KEY='填入腾讯云 SecretKey'
|
||
```
|
||
|
||
OCR 接口使用腾讯云 `RecognizeTableAccurateOCR` 表格识别 V3：
|
||
|
||
- 表格识别 V3 文档：https://cloud.tencent.com/document/product/866/86721
|
||
|
||
## 处理一个批次
|
||
|
||
示例批次名用 `批次文件夹名` 表示：
|
||
|
||
```bash
|
||
python3 数据处理工作区/02_患者列表OCR归档.py \
|
||
--input "待处理-患者目录图片集群/批次文件夹名" \
|
||
--output "数据处理结果区/已处理-患者目录图片集群/批次文件夹名-列表归档结果" \
|
||
--ocr-engine table-v3 \
|
||
--batch-size 6 \
|
||
--image-padding-y 24 \
|
||
--workers 1 \
|
||
--folder-workers 2 \
|
||
--timeout 90 \
|
||
--max-retries 1
|
||
```
|
||
|
||
推荐正式处理优先使用 `--batch-size 6`。程序会根据行数校验和接口错误自动降到 4/3/2/单张；降档会增加调用次数，但能降低漏行风险。
|
||
|
||
处理完成后检查：
|
||
|
||
- `患者列表_结构化.json`
|
||
- `患者列表_记录.csv`
|
||
- `复核报告.json`
|
||
- `重复住院号报告.json`
|
||
- `信息记录/汇总.json`
|
||
|
||
## 复核规则
|
||
|
||
推荐使用 Docker 化网页端进行复核和抽查：
|
||
|
||
```bash
|
||
cd 人工复核网页端
|
||
docker compose up -d --build
|
||
```
|
||
|
||
网页端包含概览、复核、抽查、设置四个区域；抽查功能使用 Kimi 多模态模型，配置项通过 `.env` 或网页端设置页提供，不在 Gitea 文档中保存密钥。
|
||
|
||
`review_status` 常见值：
|
||
|
||
- `自动复核通过`：OCR 结果经过程序规则校验后没有发现明显异常，`manual_corrected=false`。
|
||
- `人工复核通过`：该行命中了 `03_人工复核修正.json` 中的人工修正项，修正后校验通过，`manual_corrected=true`。
|
||
- `需人工复核`：程序无法可靠判断，需要人工查看图片和记录，原因写在 `review_notes`。
|
||
|
||
`出院时间` 允许为空；若填写出院时间，则需要满足标准时间格式，且不应早于入院时间。PostgreSQL 约束会阻止“入院时间晚于出院时间”却仍被标记为通过的记录。
|
||
|
||
人工修正流程：
|
||
|
||
1. 打开该批次的 `复核报告.json`。
|
||
2. 根据 `图片路径` 和 `图片内行号` 回看原图。
|
||
3. 把确认后的患者字段写入 `数据处理工作区/03_人工复核修正.json`。
|
||
4. 使用缓存重建批次：
|
||
|
||
```bash
|
||
python3 数据处理工作区/02_患者列表OCR归档.py \
|
||
--input "待处理-患者目录图片集群/批次文件夹名" \
|
||
--output "数据处理结果区/已处理-患者目录图片集群/批次文件夹名-列表归档结果" \
|
||
--ocr-engine table-v3 \
|
||
--batch-size 6 \
|
||
--image-padding-y 24 \
|
||
--workers 1 \
|
||
--folder-workers 2 \
|
||
--rebuild-from-cache
|
||
```
|
||
|
||
## 合并所有批次
|
||
|
||
```bash
|
||
python3 数据处理工作区/04_合并批次结果.py
|
||
```
|
||
|
||
输出包括：
|
||
|
||
- `数据处理结果区/合并_患者列表_结构化.json`
|
||
- `数据处理结果区/合并_患者列表_记录.csv`
|
||
- `数据处理结果区/信息记录/全局汇总.json`
|
||
- `数据处理结果区/信息记录/批次汇总.csv`
|
||
- `数据处理结果区/信息记录/重复住院号报告.json`
|
||
|
||
## 同步 PostgreSQL
|
||
|
||
设置数据库环境变量：
|
||
|
||
```bash
|
||
export HIS_DB_HOST='数据库主机'
|
||
export HIS_DB_PORT='5432'
|
||
export HIS_DB_NAME='DB_NAME'
|
||
export HIS_DB_USER='DB_USER'
|
||
export HIS_DB_PASSWORD='填入数据库密码'
|
||
```
|
||
|
||
同步：
|
||
|
||
```bash
|
||
python3 数据处理工作区/05_同步PostgreSQL单表.py
|
||
```
|
||
|
||
核对：
|
||
|
||
```sql
|
||
SELECT count(*) FROM "Patient_Lists";
|
||
SELECT review_status, manual_corrected, count(*) FROM "Patient_Lists" GROUP BY review_status, manual_corrected;
|
||
SELECT inpatient_no FROM "Patient_Lists" GROUP BY inpatient_no HAVING count(*) > 1;
|
||
```
|
||
|
||
`"Patient_Lists"` 是带大小写的 PostgreSQL 表名，查询时必须加双引号。
|
||
|
||
## 处理完成后
|
||
|
||
确认批次结果和数据库无误后，将原始图片批次移动到：
|
||
|
||
```bash
|
||
mv "待处理-患者目录图片集群/批次文件夹名" "已处理-患者目录图片集群/"
|
||
```
|
||
|
||
## Gitea 提交
|
||
|
||
仓库地址：
|
||
|
||
```text
|
||
https://gitea.huijutec.cn/admin/HIS_List.git
|
||
```
|
||
|
||
提交前检查不要包含数据和密钥：
|
||
|
||
```bash
|
||
git status --short --ignored
|
||
git diff --cached --name-only
|
||
grep -R "Secret\\|PASSWORD\\|密码" -n README.md 数据处理工作区 --exclude-dir='__pycache__' || true
|
||
```
|
||
|
||
提交：
|
||
|
||
```bash
|
||
git add .gitignore .env.example README.md 工作流_Gitea版.md 人工复核网页端 数据处理工作区/01_科室分类规则.json 数据处理工作区/02_患者列表OCR归档.py 数据处理工作区/03_人工复核修正.template.json 数据处理工作区/04_合并批次结果.py 数据处理工作区/05_同步PostgreSQL单表.py 数据处理工作区/06_PostgreSQL建表结构.sql 数据处理工作区/07_处理程序说明.md 数据处理工作区/08_PostgreSQL调整Patient_Lists列顺序.sql
|
||
git commit -m "Update HIS patient list workflow"
|
||
git push origin main
|
||
```
|
||
|
||
如果本地 `origin` 没有保存认证信息，需要使用一次性认证或交互式登录，但不要把密码写入文档或 Git 配置。
|