13.1 医疗：电子病历智能问答

13.1.1 场景背景

医生在诊疗过程中，需要快速从患者厚厚的历史病历中查阅既往史、用药情况和检查报告。传统的关键词搜索难以处理“患者最近一次血糖异常是什么时候？”这类语义查询。

13.1.2 上下文设计挑战

1. 准确性要求极高：医疗场景容错率极低，绝对不能出现幻觉。

2. 术语复杂：包含大量缩写、同义词和专业术语。

3. 时序敏感：病情的演变与时间高度相关，必须严格区分“现在”和“过去”。

13.1.3 解决方案

结构化病历重组（写入策略）

原始病历通常是非结构化的文本。在写入向量库之前，先进行结构化处理：

{
  "date": "2025-10-12",
  "type": "检查报告",
  "content": "空腹血糖 7.8 mmol/L",
  "entities": ["空腹血糖", "7.8"],
  "standardized_code": "GLU"
}

关键点：引入医学知识图谱（KG），将自然语言映射到标准术语代码（如 ICD-10, LOINC）。

混合检索策略（选择策略）

采用 关键词检索 + 向量检索 + SQL 查询 的三路召回：

• 关键词：精确匹配药物名（“二甲双胍”）。

• 向量：匹配语义描述（“降糖药”）。

• SQL：处理时间查询（“最近三个月” -> date > NOW() - 90d）。

说明书式上下文（隔离策略）

System Prompt 采用严格的“说明书”风格：

你是一个严肃的医疗助手。遵循以下原则：
1. 只能依据 <context> 标签中的内容回答。
2. 如果上下文中没有提及，必须回答"未在病历中找到相关记录"，严禁编造。
3. 引用每一条结论的来源（如：[2025-10-12 门诊记录]）。

13.1.4 效果评估

通过构建覆盖典型问答场景的黄金数据集，对比优化前后效果（示意口径）：

• 准确性与一致性：相较基线有明显提升。

• 幻觉风险：在“仅依据病历回答”的约束下显著降低。