这个品类的数据长什么样
药物警戒（Pharmacovigilance, PV）临床试验预筛的数据主要来源于临床试验方案、受试者知情同意书（ICF）、不良事件（AE）报告、严重不良事件（SAE）报告、病例报告表（CRF）以及研究者手册（IB）。这些文档多为非结构化文本，以 PDF、DOCX 格式为主。更新节奏上，不良事件报告具有即时性，在事件发生后需在规定时间内提交；试验方案和知情同意书在试验启动前定稿，但在试验过程中可能根据实际情况进行修正，更新频率相对较低。文档结构上，不良事件报告通常遵循 ICH E2B 等国际标准，包含结构化字段（如事件名称、发生日期、药物名称、剂量等）和非结构化描述。病例报告表则包含大量数值型和文本型数据，以及复杂的表格布局。
这些特征在「文档解析与分块」这一环带来什么约束
药物警戒数据的即时性和合规性要求，对文档解析的效率和准确性提出了高标准。不良事件报告中的关键信息，如事件类型和药物关联性，必须被精确识别和提取，以支持快速风险评估。文档中混合的结构化（如表格数据）和非结构化文本（如临床描述）要求解析工具能有效处理多种数据类型，并保持上下文完整性。例如，病例报告表中的表格数据需要保持行、列的逻辑关系，以避免数据碎片化导致语义丢失。此外，不同来源文档的格式多样性，如 PDF 中的扫描件或复杂布局，增加了文档解析的挑战，需要鲁棒的光学字符识别（OCR）能力和布局分析技术，确保所有信息都能被准确数字化。
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 | 兼顾不良事件描述的完整性和检索时的相关性，避免过长的分块稀释关键信息。 |
分段重叠长度 | 50-100 字符 | 保留上下文连续性，确保跨分块的关键信息不被割裂，支持更精确的语义理解。 |
文件类型白名单 | pdf, docx, txt | 药物警戒文档的主要格式，确保只处理支持且常用的文件类型。 |
启用OCR | 是 | 大量不良事件报告和历史文档可能为扫描件，保证图像文本可被识别和解析。 |
表格解析策略 | 保留表格结构并提取关键行/列 | 病例报告表等包含重要表格数据，需要维持其结构，防止关键数值与描述分离。 |
最大文件大小 | 100 MB | 应对包含大量图表或扫描页面的临床试验方案和研究者手册。 |
容易做错的三处
- 知识库中表格数据显示不完整或格式错乱，原因在于未启用或配置正确的表格解析策略，导致表格内容被视为普通文本并被错误分段。
- 检索结果中缺乏关键不良事件的详细描述，现象是相关信息被截断或分散在多个不连续的分块中，原因在于
分段长度过短且分段重叠长度不足，导致重要上下文丢失。 - 上传文档后，部分内容无法被检索，通常是由于文档为扫描图像，但系统未开启
启用OCR功能，导致图像中的文本未被识别。
怎么确认配好了
- 上传典型的不良事件报告和病例报告表，检查知识库中分块内容是否完整保留了关键的药物名称、事件描述和剂量信息。
- 通过知识库预览功能，核对包含复杂表格的文档，确保表格的行、列数据逻辑关系得到正确维护，关键数值与对应描述未分离。
- 上传一份已知包含扫描文本的PDF文档，并在检索后验证扫描文本内容是否可被正确召回，以确认
启用OCR功能有效工作。
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。