AgentMDT协作多学科会诊前的信息整理能不能先交给 AIMDT 会诊前技术系统最容易被抱怨的不是“模型不够聪明”而是病历、检验、用药、既往记录分散在不同系统里人工整理耗时且容易遗漏。本文只讨论技术架构和工程流程示例不提供诊断、治疗、分诊或用药建议文中的风险标记、摘要字段和升级规则均为示例真实项目必须由医疗专业人员和机构规范确认。问题背景会前整理到底慢在哪里一个典型 MDT 准备流程里医生或协调员需要先收集患者基本信息、主诉、现病史、既往史、关键检查结果、治疗经过和待讨论问题。技术侧如果只是把 PDF、结构化表单、HIS 文本、LIS 结果简单拼接给 LLM输出往往很长、重复、缺少时间顺序也不方便追溯来源。这里的核心优化目标不是让 AI 代替会诊而是把“信息搬运、去重、排序、初稿生成”变成可审计的流水线。更合理的定位是Agent 负责会前材料整理专业人员负责确认、修订和决策。技术目标与边界本文实现一个简化版 Agent 工作流输入来自三类数据结构化资料患者基本信息、就诊记录、检验结果半结构化文本病程记录、会诊申请、出院小结知识检索上下文院内规则、MDT 摘要模板、术语解释输出包括三部分按时间排序的关键事件时间线带来源引用的会诊前摘要需要人工确认的问题清单边界需要提前写清楚Agent 不生成诊断结论不给治疗建议不自动触发分诊。若系统需要提示“需人工优先查看”规则也应是可配置的示例规则并由机构确认。架构设计把 Agent 拆成可控节点推荐不要把所有逻辑塞进一个 Prompt而是拆成多个可观测节点[Data Connector] | v [De-identification Normalization] | v [Timeline Extractor] --- [Graph Database] | v [Retriever] --------- [Vector Store] | v [Summary Agent] | v [Human Review API]各节点职责如下Data Connector从业务系统、上传文档或接口中拉取原始资料Normalization统一字段、时间格式、单位和来源 IDTimeline Extractor抽取事件、时间、主体、数值和来源Graph Database保存患者、就诊、检查、事件之间的关系Vector Store保存长文本切片用于摘要时召回证据Summary Agent生成结构化摘要不输出未经证据支持的内容Human Review API把结果交给专业人员确认和编辑图数据库适合表达“某次就诊包含哪些事件、某条摘要引用哪些来源”向量库适合从长文本中找相似片段。两者不要互相替代组合使用更利于追溯。核心实现时间线抽取与摘要 API下面示例使用 FastAPI 暴露一个会前整理接口。为了便于演示LLM 调用部分用函数封装实际项目可替换为内部模型服务或合规的 LLM API。fromfastapiimportFastAPIfrompydanticimportBaseModelfromtypingimportList,Dictfromdatetimeimportdatetime appFastAPI(titleMDT Prep Agent Demo)classSourceDoc(BaseModel):source_id:strsource_type:strtext:strcreated_at:strclassPrepRequest(BaseModel):patient_token:strdocs:List[SourceDoc]defnormalize_time(value:str)-str:try:returndatetime.fromisoformat(value).date().isoformat()exceptValueError:returnunknowndefextract_timeline(docs:List[SourceDoc])-List[Dict]:events[]fordocindocs:# 示例规则真实项目应替换为 NER/LLM 抽取并由专业人员确认字段if复查indoc.textor入院indoc.textor调整indoc.text:events.append({date:normalize_time(doc.created_at),event:doc.text[:80],source_id:doc.source_id,source_type:doc.source_type})returnsorted(events,keylambdax:x[date])defbuild_summary_prompt(timeline:List[Dict])-str:lines[]foritemintimeline:lines.append(f-{item[date]}|{item[event]}| 来源:{item[source_id]})return(你是MDT会前资料整理助手。只根据给定材料生成摘要不得给出诊断、治疗、分诊或用药建议。输出1.关键时间线 2.待确认信息 3.资料缺口。\n\n.join(lines))defcall_llm(prompt:str)-str:# 替换为真实 LLM API建议记录 request_id、token、耗时和版本return【示例摘要】\nprompt[:500]app.post(/mdt/prep)defprepare_mdt(req:PrepRequest):timelineextract_timeline(req.docs)promptbuild_summary_prompt(timeline)summarycall_llm(prompt)return{patient_token:req.patient_token,timeline:timeline,summary:summary,review_required:True}可以用下面的请求测试curl-XPOST http://localhost:8000/mdt/prep\-HContent-Type: application/json\-d{ patient_token: p_001_masked, docs: [ { source_id: note_1001, source_type: progress_note, text: 患者入院后完成相关检查等待MDT讨论下一步方案。, created_at: 2026-05-01T09:30:00 }, { source_id: note_1002, source_type: progress_note, text: 复查结果已回报需补充既往治疗经过。, created_at: 2026-05-03T10:00:00 } ] }这段代码不追求医学抽取质量只展示工程骨架输入脱敏标识、抽取时间线、生成受约束摘要并强制进入人工审核。性能优化从“能生成”到“会前可用”MDT 场景通常对实时性要求不如在线问答高但对稳定性和可追溯性要求更高。可按以下路径优化文档增量处理新增资料才重新切片和入库避免每次全量解析时间线缓存以 patient_token、source_id、source_hash 作为缓存键摘要分层生成先生成单文档摘要再汇总成会前摘要模型降级抽取任务可用小模型最终摘要再调用能力更强的模型异步任务大文档解析放入队列前端轮询任务状态一个实用指标是“会前材料准备耗时”。例如在测试环境中可分别记录文档解析、时间线抽取、向量召回、LLM 生成的耗时。不要只看总耗时否则很难定位瓶颈。importtimefromcontextlibimportcontextmanagercontextmanagerdeftimer(name:str):starttime.perf_counter()yieldcost(time.perf_counter()-start)*1000print(f{name}cost{cost:.1f}ms)withtimer(timeline_extract):timelineextract_timeline(docs[])withtimer(summary_generate):summarycall_llm(demo prompt)上线后建议把这些指标写入日志或监控系统至少包括 source_count、chunk_count、llm_latency、cache_hit_rate、review_edit_distance。review_edit_distance 可以粗略衡量 AI 初稿被人工修改的幅度但不能直接等同于医学质量。风险控制与调试要点医疗健康场景里Agent 的失败模式通常不是接口报错而是“看似完整但漏了关键来源”。因此需要在产品和接口层加入约束。第一摘要必须带来源。每个结论性描述都应能追溯到 source_id 或 chunk_id没有来源就放入“待确认信息”。第二Prompt 要显式禁止诊断、治疗、分诊和用药建议。系统输出的角色应限定为“资料整理助手”不是临床决策系统。第三示例规则要可配置。例如“资料缺口提醒”“优先人工查看提醒”只能作为机构规则引擎的一部分不能写死在代码里更不能宣称是通用医学标准。第四保留人工审核状态。建议为摘要设置 draft、reviewed、rejected、archived 等状态避免未确认内容进入正式会诊材料。结论与下一步Agent 可以承担 MDT 会诊前的信息整理工作但更适合做“资料聚合、时间线抽取、摘要初稿和缺口提示”不应越界到诊断或治疗决策。工程上建议采用图数据库保存关系和溯源向量库处理长文本召回FastAPI 提供可审计接口并把人工审核作为默认流程。下一步可以继续完善三件事接入真实脱敏数据源、引入医学文本 NER 提升时间线抽取质量、建立人工修订反馈集评估摘要稳定性。对于医疗健康系统可靠的边界设计往往比更激进的模型能力更重要。本文文献检索、文献挖掘以及文献翻译采用的是【超能文献| AI文献检索|AI文档翻译】。