这个品类的数据长什么样
病历质控在临床试验预筛中，其数据主要来源于医院的电子病历系统（EHR）、影像报告、检验报告以及科研病历表单。这些数据更新频率高，患者就诊、检查结果回传等都会实时或准实时地更新。文档结构方面，电子病历通常是半结构化或非结构化文本，包含大量的医学术语、缩写和自由文本描述。影像报告和检验报告则多为结构化或半结构化数据，其中包含数值、单位和诊断结论。字段内容复杂，涉及诊断编码（如 ICD-10）、药物名称、剂量、频次、检查项目、结果值及其单位（如 mg/dL、mmol/L、U/L），以及体征数据等。
这些特征在「知识库检索与召回」这一环带来什么约束
病历数据的高更新频率要求知识库具备高效的增量更新机制，以确保检索结果的实时性。半结构化和非结构化文本的特性，使得简单的关键词匹配难以准确捕获复杂的医学概念和临床逻辑，需要更先进的语义理解能力。大量的医学术语和缩写，对分词和实体识别提出了挑战，可能导致检索不全或误召。数值与单位的结合，例如“血糖 5.6 mmol/L”，要求知识库能够识别并正确处理数值范围和单位换算，以支持基于数值条件的筛选。此外，不同文档类型（病历、报告）的异构性，使得单一的召回策略可能无法兼顾所有数据源，需要支持多源异构数据的统一管理和检索。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 300–500 字符 | 兼顾医学文本的上下文完整性与嵌入向量的效率。 |
分段重叠长度 | 50–80 字符 | 确保跨段落的医学术语和逻辑不被割裂。 |
召回条数 | 10–20 条 | 初始召回量适当增加，提高潜在相关信息的覆盖率。 |
相似度阈值 | 0.75–0.85 | 医疗领域对检索准确性要求高，避免低相关度结果。 |
重排返回条数 | 5–8 条 | 经过重排后，精选出最相关的结果，提升最终呈现质量。 |
最大并发文件处理 | 按服务器资源标定 | 病历文件量大，需确保系统在高并发处理时的稳定性。 |
容易做错的三处
- 新录入的病历数据无法被检索到，原因是知识库的增量索引机制未能及时触发或索引构建失败。
- 检索结果中包含大量不相关的病历片段，现象是
相似度阈值设置过低，导致召回了语义距离较远的内容。 - 针对特定检验指标的查询，例如“白细胞计数偏高”，结果未能准确匹配到具体数值范围内的患者，原因在于知识库在处理数值和单位这类结构化信息时，未能正确提取并进行数值比较。
怎么确认配好了
- 上传一批包含各类医学术语、缩写和数值单位的测试病历，验证其是否能被知识库正确分段、嵌入和索引，通过查看知识库详情中的分段预览来核对。
- 针对预设的临床试验入排标准，编写多组查询语句，观察检索出的病历片段是否准确、完整，并评估
召回条数与重排返回条数设定的合理性。 - 使用具有明确数值范围条件的查询，例如“空腹血糖大于 7.0 mmol/L”，检查返回结果是否精确匹配符合数值条件的病历，通过对比原始病历数据与召回结果来确认。
- 监控知识库的更新日志，确保新上传或修改的病历数据能够按照预期频率被及时索引，没有出现
PARSE_FILE_TIMEOUT_SECONDS或其他索引构建失败的错误提示。
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。