这个品类的数据长什么样
II-III 期临床试验的预筛数据主要来源于研究方案、受试者筛选日志、病史记录、实验室检查报告、影像学报告、医学影像 DICOM 文件元数据以及既往用药史。这些数据更新频率相对较低，通常在试验启动前集中生成，并在筛选期间根据受试者招募进展进行阶段性更新。文档结构多样，包括非结构化的自由文本（如病史描述、医生诊断）、半结构化的表格数据（如实验室检查结果、人口统计学信息）以及结构化的编码数据（如 ICD-10 疾病编码、LOINC 检验项目编码）。字段内容涉及广泛，从患者基本信息、诊断、症状描述到各项生物指标（如血常规 HGB PLT、肝肾功能 ALT CRE）、影像学发现等，单位多为国际标准单位或临床常用单位，如 mmol/L、ng/mL、mmHg。
这些特征在「向量模型与索引」这一环带来什么约束
II-III 期临床预筛数据多样化的文档结构对向量模型预处理提出了挑战，需要能够有效处理自由文本与结构化数据的混合。低更新频率意味着索引构建可以更侧重于深度解析，而不必过于频繁地进行全量重建。大量的专业术语和医学缩写要求向量模型具备强大的领域知识理解能力，避免因词汇歧义或专有名词识别不足导致召回偏差。例如，对 HbA1c 或 eGFR 等关键指标的准确识别和数值提取，直接影响筛选条件的匹配精度。同时，数据中包含的数值型字段和单位信息，需要向量索引在召回时能支持数值范围查询或单位转换后的匹配。此外，部分敏感的患者信息在向量化和索引过程中需要考虑去标识化处理，确保数据合规性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–800 字符 | 兼顾上下文完整性与向量化效率，避免单个分段信息过载或过少。 |
分段重叠 | 100–150 字符 | 确保跨分段的上下文连续性，尤其对于描述性文本。 |
向量模型 | text-embedding-ada-002 或 bge-large-zh-v1.5 | 综合考虑医学领域语义理解能力和计算资源，优先选择在医学文本上表现良好的模型。 |
召回条数 | 15–20 条 | 保证足够的候选结果用于后续重排，同时避免不必要的计算负担。 |
相似度阈值 | 0.78–0.85 | 平衡召回率与精确率，降低误报率，可根据实际筛选效果细调。 |
重排返回条数 | 5–8 条 | 聚焦于最相关的结果，便于工程师快速评估和决策。 |
容易做错的三处
- 现象：系统返回的筛选结果包含大量不相关的患者病历或字段。 原因：向量模型未充分理解医学术语的上下文语义，或相似度阈值设置过低导致泛化召回。
- 现象：对于数值型筛选条件（如
血糖 > 7.0 mmol/L），系统无法准确匹配符合条件的患者。 原因：索引构建时未对数值字段进行结构化处理或范围索引，仅作为普通文本进行向量化。 - 现象：索引重建或文件解析过程中频繁出现
PARSE_FILE_TIMEOUT_SECONDS错误。 原因：单个病历文档过大，超过了文件解析的时长限制，或文件内容过于复杂，需要更长的处理时间。
怎么确认配好了
- 选取一批已知符合和不符合筛选条件的患者数据，使用配置好的系统进行预筛，检查符合条件的患者是否被召回，不符合的患者是否被排除。
- 针对关键的医学指标（如
血红蛋白、肌酐），尝试使用不同表达方式进行查询，核对系统能否稳定召回包含这些指标的文档。 - 模拟实际预筛场景，输入复杂的组合筛选条件，检查返回结果的精确度和召回率，并与人工筛选结果进行比对，评估一致性。
- 监控
Recall和Precision指标，确认在不同筛选条件下，这两个指标是否达到预设的业务要求。
问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。