心血管药物警戒的文档解析与分块

这个品类的数据长什么样

心血管药物警戒的数据来源多样，包括临床试验报告、真实世界证据（RWE）数据库、个例不良事件报告（ICSRs）以及医学文献。这些数据更新频率不一，临床试验报告通常在研究结束后发布，而ICSRs和RWE数据库则可能实时更新。文档结构上，临床试验报告通常是结构化的PDF，包含序言、方法、结果和讨论等章节；ICSRs则多为半结构化的XML或PDF，包含患者信息、药品信息、不良事件描述等字段。字段方面，特有心血管事件如心肌梗死、心律失常等，单位涉及血压（mmHg）、心率（bpm）和心电图（如QT间期，ms）等生理指标，这些都需要精准识别。

这些特征在「文档解析与分块」这一环带来什么约束

心血管药物警戒数据来源的异构性，要求文档解析器能处理多种文件格式，特别是结构化PDF和半结构化XML。更新的实时性对解析效率提出要求，需要快速摄取和处理新数据。文档结构的多样性意味着需要灵活的分块策略，例如，临床试验报告可能需要按章节分块以保持上下文完整性，而ICSRs则可能需要按不良事件或药品信息字段进行细粒度分块。心血管特有字段和单位的识别是关键，确保“心肌梗死”不会被误识别为“心肌劳损”，同时正确提取数值和单位，例如区分 120/80 mmHg 和 80 bpm，这直接影响后续的实体抽取和关系识别。图片内容，如心电图波形或影像学截图，若包含关键信息，也需要额外的处理机制。

配置怎么定

配置项	建议取法	这样取的依据
`分段长度`	`800–1200 字符`	兼顾心血管事件描述的完整性和检索的精细度，避免切断关键医学术语。
`分段重叠`	`100–200 字符`	确保分块边界的上下文连续性，尤其在描述复杂的心血管不良事件时。
`PARSE_FILE_TIMEOUT_SECONDS`	`600 秒`	应对大型临床试验报告或包含大量图表的PDF文件解析耗时。
`UPLOAD_FILE_MAX_SIZE`	`1000 MB`	适应包含高分辨率图片或大量页数的PDF文件上传需求。
`启用图片识别`	`是`	识别并提取心电图、影像学报告中的关键视觉信息，例如心肌缺血区域。
`PDF 解析模式`	`结构化解析优先`	优先利用PDF的内部结构信息（如目录、标题），提升解析准确性。

容易做错的三处

上传的PDF文件内容缺失，特别是图片信息未能被识别。原因在于默认解析器可能未开启图片OCR功能，或者图片质量过低导致OCR失败。
HTML格式的接口文档上传后，知识库未能解析出有效内容。原因在于HTML文档结构复杂，且多为代码或表格，默认的文本提取策略无法有效识别关键信息。
解析后的分块内容上下文不连贯，导致召回结果不准确。原因在于分段长度设置过小，将描述完整心血管事件的关键语句切断，或未设置 分段重叠。

怎么确认配好了

上传一份包含心电图或血管造影图片的PDF报告，检查知识库中是否能够检索到图片中的文本信息。
上传一份典型的ICSR报告（XML或PDF），检查解析后的分块是否能正确区分患者基本信息、药品详细和不良事件描述等字段。
随机抽取解析后的文档分块，人工评估其语义完整性，确保心血管相关的医学术语和数值单位未被截断。
进行模拟查询，输入与心血管药物不良反应相关的长尾问题，检查召回结果是否准确且包含必要的上下文信息。

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。