这个品类的数据长什么样
CAR-T 细胞治疗药物警戒的数据主要来源于临床试验报告、真实世界研究（RWE）数据、患者随访记录、ADR（不良反应）报告系统以及文献数据库。这些数据更新频率高，尤其在上市后监测阶段，ADR 报告可能每日更新。文档结构多样，包括非结构化的自由文本（如医生手写记录、患者自述）、半结构化的病例报告表（CRF）、以及结构化的数据库条目。字段涵盖患者基本信息、治疗方案、既往病史、并发症、不良反应类型、严重程度、发生时间、持续时间、干预措施、转归等。不良反应名称通常遵循 MedDRA 编码体系，剂量单位涉及 cells/kg 或 cells/m^2 等细胞数量单位。
这些特征在「工作流编排」这一环带来什么约束
CAR-T 细胞治疗药物警戒数据的多源异构性要求工作流具备强大的数据整合和清洗能力。高频的更新节奏意味着工作流需支持实时或近实时的触发与处理，以确保不良反应事件能被及时识别和评估。非结构化文本的存在要求工作流能够集成自然语言处理（NLP）模块，从海量医学文本中准确提取关键信息，例如不良反应症状、发生时间、药物关联性等。MedDRA 编码的标准化需求，则约束了工作流在数据标准化节点中必须包含医学术语编码的映射功能。此外，CAR-T 疗法特有的细胞数量单位，在数据校验环节需要特定的单位转换或范围检查逻辑。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
数据源连接器 | FHIR、CDISC ODM、自定义 API | 整合不同来源的临床数据与ADR报告系统 |
NLP_模型选择 | 针对医学领域的预训练模型，如 BioBERT | 准确识别医学术语、实体和关系，处理非结构化文本 |
分段长度 | 500–800 字符 | 平衡文本语义完整性与模型处理效率，减少上下文丢失 |
召回条数 | 前 10–15 条 | 确保召回足够相关信息，覆盖潜在的不良反应关联 |
相似度阈值 | 0.75–0.85 | 精准匹配相似不良反应事件，减少误报 |
MedDRA_编码映射 | ICD-10 到 MedDRA 字典映射 | 标准化不良反应术语，便于统计分析和监管报告 |
容易做错的三处
- 现象：工作流调用外部知识库后，返回结果为空或不完整。 原因：外部知识库接口参数未正确映射，或查询语句格式不符合目标系统要求。
- 现象：处理大量患者随访记录时，工作流出现超时或内存溢出错误。 原因：数据分批处理逻辑缺失，或单个处理单元处理的数据量过大，超过系统资源限制。
- 现象：将一个工作流的输出传递给另一个工作流时，下游工作流的
用户选择节点后无法执行。 原因：上游工作流的输出数据格式与下游工作流用户选择节点预期的输入不匹配，导致节点无法正确解析或触发。
怎么确认配好了
- 通过模拟真实 ADR 报告，验证工作流能否准确识别不良反应并提取关键信息。
- 检查工作流日志，确认所有数据源连接器均成功建立连接，且数据同步无报错。
- 对经过 NLP 处理后的数据进行人工抽样复核，评估医学术语提取和 MedDRA 编码映射的准确率。
- 运行包含大批量数据的测试用例，监控工作流的执行时间与资源占用情况，确保系统稳定性。
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。