这个品类的数据长什么样
病历质控在临床试验预筛环节的数据主要来源于医院信息系统（HIS）、电子病历（EMR）或纸质病历扫描件。这些数据更新频率较高，通常随患者就诊和治疗进展实时或每日更新。文档结构以非结构化文本为主，包含大量的自由文本描述，例如主诉、现病史、既往史、体格检查、辅助检查报告（如影像学、检验报告）和医嘱。其中，结构化或半结构化数据散布在非结构化文本中，如检验结果的数值、诊断编码（ICD-10）、药物剂量和用法。字段单位多样，涉及医学计量单位（如 mg、dL、mmHg、mmol/L），以及时间单位和各种医学术语。
这些特征在「文档解析与分块」这一环带来什么约束
病历数据来源多样，导致文档格式不统一，需要强大的文档解析能力以处理 PDF、DOCX、TXT、JPG 等多种文件类型，尤其是扫描件的OCR识别质量直接影响后续分块效果。高更新频率要求知识库具备增量更新和快速索引能力，避免重复解析大量未变动内容。非结构化文本占比高，自由文本中包含大量关键信息，使得传统基于标点或固定长度的分块策略难以有效捕捉完整的医学概念。结构化与非结构化数据混杂，要求解析器能识别并提取出数值型指标、诊断代码等关键字段，同时理解其上下文语义。多样的字段单位和医学术语，对语义理解模型提出更高要求，需要能够识别同义词、缩写和不同表达方式。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 病历文档通常较大，包含大量图片和文本，需支持大文件上传。 |
分段长度 | 800–1200 字符 | 兼顾上下文完整性和检索效率，避免过长段落稀释关键信息。 |
分段重叠长度 | 100–200 字符 | 确保分段边界处的上下文连续性，提升跨段落语义理解。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | OCR处理大型扫描PDF或复杂文档可能耗时较长，防止解析超时。 |
maxContext | 4000 token | 确保在有限的上下文窗口内能包含足够多的病历细节进行判断。 |
OCR_ENABLED | True | 针对大量的病历扫描件，开启OCR是必需的，以提取文本内容。 |
容易做错的三处
- 解析结果中缺失关键医学指标或诊断信息，原因在于文档解析器未能正确识别复杂的表格结构或自由文本中的特定医学实体。
- 知识库更新后部分病历数据未能及时反映最新状态，原因是增量更新策略未能有效追踪源系统的数据变更，导致旧版本信息被保留。
- 对于上传的Excel格式检验报告，系统提示解析失败或内容为空，原因是解析器默认处理文本文件，缺乏对Excel文件内多工作表和单元格格式的适配。
怎么确认配好了
- 随机抽取多份不同格式（PDF、DOCX、扫描件）的病历文档，上传至知识库，检查解析后的分段内容是否完整保留了主诉、诊断、检验结果等核心信息，并核对关键字段的提取准确性。
- 通过API或界面上传一份包含新增就诊记录的病历，观察知识库的更新时间戳，并查询相关内容，确认最新信息已被及时索引。
- 上传一份包含结构化数据的Excel检验报告，检查解析后是否能正确识别并提取出检验项目、数值和单位，并验证其可被检索。
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。