本项目是专为麻醉科、手术室及医院质控部门设计的转运交接信息完整性分析系统。它不依赖人工抽查，而是通过对接手麻系统末段监护数据、PACU入室护理评估单、HIS计费节点这三类真实业务数据源，自动识别全身麻醉患者从手术室转入PACU过程中的6类信息断点，包括趋势断崖、节点缺失、时间倒置、数据延迟、数据矛盾、评估缺失。系统以SPC EWMA（指数加权移动平均）量化监护趋势异常程度，用统一时间轴对齐多源时间戳，并输出0–100分的交接信息完整度评分、结构化整改清单和HTML可视化看板。交付形态为命令行工具（CLI）+ 独立HTML文件，技术栈采用Python实现核心引擎，TypeScript/Node.js构建交互层，全程无需数据库或服务器部署，开箱即用。

定位与能力范围

我们不做通用医疗数据平台，也不覆盖术前准备或术后随访全链路。本系统聚焦一个明确切口：全身麻醉患者从手术室转入PACU这一关键交接环节的信息断点。这个环节在《三级公立医院绩效考核操作手册》《围术期护理质量评价标准》中被反复强调，但长期缺乏可量化的客观抓手。传统方式靠人工翻查纸质单或零散系统截图，效率低、难复盘、无法横向比对。而本系统把“交接是否完整”转化成可计算、可排序、可归因的问题：
- 是否存在监护数据突变（如出室5分钟内SpO₂下降超15%）？
- PACU入室评估单是否漏填呼吸频率、意识状态等必选项？
- HIS计费节点是否晚于实际入室时间20分钟以上？
- 手麻系统记录的出室时间是否早于PACU系统记录的入室时间？

所有判断均基于三源数据交叉验证，而非单点采信。边界清晰：只处理已落地的结构化数据（非自由文本），不介入临床决策，不修改原始系统，仅生成分析结果与整改建议。

核心功能模块

系统能力由五层引擎协同完成，每层职责分明，全部封装为可调用、可审计的逻辑单元：

模块	职责	关键机制
三源数据适配层	统一读取并解析手麻末段监护数据、PACU入室评估单、HIS计费节点	支持CSV/JSON格式，字段映射规则内置在templates/中，可按院内字段名自定义
时间对齐引擎	将三源时间戳投射至同一时间轴，识别延迟、缺失、倒置	以手术结束时间为锚点，向前向后扩展±30分钟窗口，自动校准时区与毫秒精度
SPC EWMA引擎	检测监护参数（血压、心率、SpO₂等）的趋势断崖	权重α=0.3，对近3次测量值加权，偏离阈值超2.5σ即触发告警
断点检测规则引擎	执行6类断点判定，每类含可配置阈值与扣分权重	如“时间倒置”默认容忍±5秒误差，超限即判为critical，扣20–30分
评分与清单生成器	计算每位患者的完整度总分，生成带优先级的整改条目	总分=100−各类型扣分之和；整改清单按严重程度（critical > high > medium）和频次双排序

所有引擎输出均沉淀为标准JSON结构（detect_result.json），确保下游报告与可视化模块可无损消费。

使用与配置流程

整套流程共四步，全部通过命令行驱动，无图形界面依赖，适合嵌入现有质控工作流：

# 1. 生成模拟数据（首次运行或测试时使用）
python -m src.cli generate -d ./data -n 100

# 2. 执行断点检测（核心分析步骤）
cd cli
node dist/index.js detect -d ../data -o ../detect_result.json

# 3. 生成统计报告（控制台摘要+JSON汇总）
node dist/index.js report -i ../detect_result.json -o ../report.json

# 4. 生成HTML可视化（单文件，浏览器直接打开）
node dist/index.js visualize -i ../detect_result.json -o ../html/visualization.html

其中关键参数可按需调整：
- detect 命令支持 -v 查看逐患者分析日志，定位具体哪一行数据触发了“趋势断崖”；
- report 命令输出含评分分布直方图（如“60–80分区间占45%”），便于快速把握整体水位；
- visualize 生成的页面包含科室雷达图，可直观对比麻醉科、骨科、妇科等不同手术科室的交接质量差异。

所有输出文件语义清晰：detect_result.json 是原始分析结果，report.json 是聚合统计，visualization.html 是交互式看板，三者互为支撑，不重复、不遗漏。

工程结构与技术选型

我们坚持“核心稳、接口轻、交付简”原则：
- Python承担所有计算密集型任务：SPC EWMA需实时滑动窗口计算，时间对齐涉及大量时间序列插值，pandas + numpy组合成熟可靠；
- TypeScript负责人机交互层：CLI命令行工具用commander构建，支持子命令自动补全；HTML看板用D3.js渲染，不依赖任何CDN或后端服务，所有图表数据内联在HTML中；
- 零外部依赖部署：visualization.html 是纯静态文件，双击即可在Chrome/Firefox中打开，适合质控会议现场投屏；
- 目录即契约：src/core/下每个Python模块对应一类引擎，cli/src/下每个TS文件对应一个子命令，html/仅存放最终产物，结构即文档。

这种分层不是为炫技，而是让一线质控员能看懂、信得过、改得动，比如护士长发现某类“评估缺失”误报率高，可直接修改src/core/rules.py中对应规则的字段校验逻辑，无需碰前端代码。

环境与运行要求

本地运行仅需两套环境，安装简单、版本锁定明确：

Python环境（推荐3.9+）

python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows
pip install -r requirements.txt

依赖包	版本要求	作用说明
numpy	≥1.21	监护数据向量化计算基础
scipy	≥1.7	EWMA权重迭代与统计检验
pandas	≥1.3	三源数据清洗、合并、时间对齐
faker	≥13.0	生成符合国内医院命名规范的模拟患者数据
click	≥8.0	Python CLI参数解析框架

Node.js环境（推荐18.x）

cd cli
npm install
npm run build

依赖包	版本要求	作用说明
typescript	^5.0	编译CLI与可视化逻辑
commander	^11.0	构建detect/report/visualize三级子命令
d3	^7.8	渲染直方图、雷达图、饼图、时间线四类图表

两套环境完全解耦，Python部分可单独用于批量分析，Node.js部分可单独用于结果展示。

数据输入与输出规范

系统不强制要求数据来自特定厂商系统，只要满足字段语义即可接入。输入数据需为CSV或JSON，字段名可映射（映射表见项目文档）：

数据源	必需字段示例	说明
手麻末段监护数据	patient_id , surgery_id, time, spo2, hr, bp_systolic	time 需为ISO格式，支持毫秒级精度
PACU入室评估单	patient_id , surgery_id, in_time, consciousness, breathing_rate	consciousness 需为预定义枚举（清醒/嗜睡/昏睡等）
HIS计费节点	patient_id , surgery_id, charge_time, charge_item	charge_item 需含“PACU监护费”“麻醉恢复费”等关键词

输出严格遵循单一职责：
- detect_result.json：每位患者的断点详情、扣分明细、原始数据快照；
- report.json：科室平均分、断点类型TOP5、高风险患者名单；
- visualization.html：所有图表数据内联，无外部请求，离线可用。

所有字段含义、取值范围、示例值均在项目文档中逐条说明，不设隐藏约定。

适用角色与典型场景

本系统直接服务于四类角色，每类都有明确交付价值：
- 麻醉科/PACU护士长：每日晨会用visualization.html查看本科室评分雷达图，快速定位“评估缺失”高发时段；
- 手术室转运组长：导出detect_result.json，筛选has_critical=true患者，回溯交接录像核查原因；
- 医院质控办人员：用report.json生成季度对比报表，向院领导呈现“时间倒置类断点同比下降12%”；
- 信息科工程师：监控detect命令执行耗时与失败率，及时发现手麻系统接口超时问题。

它不替代人工判断，而是把模糊的“感觉交接不顺畅”变成清晰的“P003患者存在时间倒置（手麻出室时间比PACU入室时间晚8分钟）”，让整改有据可依、闭环可溯。

项目地址：
https://github.com/nexorin9/pacu-handoff-breakpoint-detector