《Information Visualization》：Medical visual analytics as an integrated interaction system for primary care patient data exploration
编辑推荐：
基层医疗医生必须在短暂的门诊时间内建立对复杂患者病史的整体认知。临床信息往往分散于不同系统、多次就诊记录及时间事件之中，而医生仍需同时维持情境意识、医患沟通及临床责任。医学可视分析（Medical Visual Analytics）系统旨在减少检索负担，但其被
基层医疗医生必须在短暂的门诊时间内建立对复杂患者病史的整体认知。临床信息往往分散于不同系统、多次就诊记录及时间事件之中，而医生仍需同时维持情境意识、医患沟通及临床责任。医学可视分析（Medical Visual Analytics）系统旨在减少检索负担，但其被接受的程度不仅取决于所具备的视觉模块。界面必须契合临床任务、人类感知、用户偏好及诊室工作流程。本研究提出一种面向基层医疗的医学可视分析概念及原型架构。基于人机交互（HCI）、视觉感知及可视分析任务抽象理论，该研究将系统围绕临床任务、交互行为、工作流程情境、患者数据及视觉表征进行结构化设计。所实现的原型将患者配置、临床数据模型、基于服务的数据访问、交互式仪表板、基于解剖结构的视图及可选的MediChat辅助功能整合为一个以医生为中心的系统。研究重点并非自主诊断，而是一个可溯源的环境，帮助医生查找、关联、核查及修正患者信息。本研究的贡献在于一种面向HCI的系统设计，将交互、视觉优先级排序及来源访问视为旨在支持系统接受度与临床可用性的设计机制。内容、布局、视觉变量及界面编排被讨论为可依据用户角色、任务抽象、交互行为、患者数据特征及门诊阶段进行适应性调整的目标。基于先前关于基层医疗视觉决策支持的会议论文，本期刊扩展版将系统重构为用户中心的医学可视分析环境，并讨论此类适应性调整如何旨在缩短检索时间、支持感知并保持医生在日常门诊工作中的控制权。
一、研究背景与问题
基层医疗医生在日常工作中面对的是纵向、异质且数字化结构不完整的患者病史。在德国全科诊所中，单份患者病史可能包含结构化人口学数据、用药计划、实验室检验值、疫苗接种记录、基于文本的PDF附件、专科转诊信、诊断报告、影像附件以及新生成的门诊记录。手写笔记和扫描文档可作为原始材料存储，但只有具备文本层时才能进入自动提取流程。信息量逐年增长，而单次门诊可用的时间极为有限——德国全科门诊平均接诊时长约为7.6分钟，属于欧洲最短之列。此外，德国基层医疗还面临区域性可及性差距、约6%的全科医生短缺且农村地区更为严重、以及全科医生对工作条件和职业吸引力的担忧。德国基层医疗数据项目还报告了数据采集异质性、标准接口缺失、数据质量问题以及严格的数据保护法规，这些均构成利用常规电子健康档案（EHR）数据的障碍。数字转型研究则描述了结构陈旧、互操作性不足、数据保护顾虑及用户接受度低等持续存在的障碍。
在此条件下，挑战不仅在于存储患者数据，更在于在诊疗现场使相关部分可见、可检索、可适应且可临床解读。电子健康档案和临床信息系统提供了重要基础设施，但常将临床相关信息嵌入非结构化文档或分散于多个视图之中。近期关于患者仪表板、审计反馈系统及临床决策支持的研究表明，当视觉界面与真实任务和工作流程对齐时，能够改善信息访问并支持临床工作。可视分析（Visual Analytics）天然适合此场景，因为它将自动化数据分析与交互式视觉表征及人类推理相结合。本研究主张以任务和交互为导向的可视分析系统作为下一步发展方向：在基层医疗门诊中，同一份患者记录必须支持不同用户、任务、专业水平、时间压力及交互情境。本研究建立在三个先前发表的工作步骤之上：第一步引入了面向EHR分析的交互式医学可视分析方法；第二步将该方向迁移至基层医疗并引入了经全科医生评估的视觉决策支持仪表板；第三步描述了面向纵向患者健康数据的模块化可视分析仪表板。本期刊扩展版在此基础上进行概念修订，将研究焦点从仪表板原型转向自适应、用户中心的系统架构，将患者配置、基于文本的文档摄取、文档转换、自动文本提取、MongoDB支撑的数据供给、解剖区域映射、交互式仪表板渲染及可选的MediChat人工智能辅助诊断与文献检索整合为一个医学可视分析系统。
核心研究问题为：异质患者数据及多种支撑技术如何整合为一个兼顾人类感知、交互需求、接受度相关因素及基层医疗工作流程的医学可视分析系统。本研究的贡献有三方面：（1）一个修订并整合的基层医疗医学可视分析概念，连接患者配置、文本文档摄取、信息提取、数据供给、解剖建模、仪表板可视化及可选的MediChat支持；（2）一个已实现的VaMed仪表板，将分析性树状图（tree map）与条形图视图、解剖模型、患者病史、源文档访问、实验室可视化、用药史及带语音输入的笔记创建相连接；（3）一个面向适应性的HCI模型，连接Munzner任务抽象、患者数据与用户交互知识模型、医生反馈、视觉感知、工作流程契合度及基层医疗使用的接受度要求。
二、研究内容与主要结论
研究人员开展了一项系统导向的设计与实现研究，构建了一个整合文档摄取、语义提取、数据建模、解剖映射、仪表板交互、可选AI辅助检索及用户中心自适应机制的原型系统。研究得出以下主要结论：第一，仪表板不应被视为孤立的视觉工具，而应作为临床工作系统的一部分进行设计；第二，视觉显著性应反映临床相关性而非仅反映数据频率；第三，交互应保持低摩擦，通过悬停细节、联动过滤及即时源访问实现；第四，AI辅助支持必须保持可选且可溯源。这些结论的意义在于：将先前分散于不同研究脉络中的功能整合为一个统一的自适应架构，为基层医疗中的时间受限门诊提供了一种可减少检索负担、支持感知并保持医生控制权的系统设计路径。
三、关键技术方法
研究人员采用系统架构设计与原型实现方法，构建了五类主要代码组件：患者界面、患者创建与配置平台、患者API、VaMed仪表板及MediChat。患者API基于FastAPI与MongoDB构建，提供患者检索、患者数据包加载、文档访问、集合级增删改查操作、附件查看、解剖区域检索及解剖SVG端点。文档提取使用本地托管的Llama3.2-3B模型执行结构化提取与关键词生成，命名实体识别（NER）结合d4data/biomedical-ner-all与HUMADEX/german_medical_ner模型，笔记转录使用Whisper Large V3 Turbo。MediChat默认使用Llama3.2-3B作为对话模型。仪表板使用基于D3的可视化实现树状图与时间线。研究使用合成患者数据进行端到端管线验证，未涉及真实患者数据。
四、研究结果
（一）专家反馈与设计需求
研究人员通过2025年仪表板原型在基层医疗诊室中的5小时评估会话（结合半结构化访谈、监督观察及出声思维法）收集了全科医生反馈，并辅以两位全科医生对MediChat组件的补充评估。研究得出以下设计需求：系统应优先呈现临床重要的解剖区域；视觉编码应结合时间与严重程度信号；应支持快速微信息获取与源验证；应保持仪表板优先的工作流程；LLM交互应保持可选；应允许用户自定义视图构成与颜色强度。
（二）系统架构
研究人员提出了四层自适应医学可视分析架构。影响因子层包含非结构化数据、结构化数据、诊室工作流程及处理模型；知识模型层存储患者相关信息、用药数据、解剖区域映射及用户与任务模型；处理层连接患者配置平台、适应过程及数据供给服务；视觉层包含自适应仪表板、视觉交互、解剖视图及MediChat。数据保护被作为架构的一部分处理，患者记录尽可能保留在本地诊室基础设施中。
（三）视觉优先级评分模型
研究人员提出并实现了确定性视觉优先级评分函数。该函数结合证据类型基础值、异常实验室证据、活动性过敏、处方证据、严重程度下界及时间折扣，紧急事件指示符直接置满优先级。非关键发现超过180天降低0.08，超过1年降低0.18。研究人员进行了单变量敏感性分析，对13个数值参数逐一在基线值±20%范围内变动，使用168个评分配置的合成测试矩阵，Spearman秩相关系数范围为0.924至1.000，中位数为0.996，最大优先级集合在26次扰动中有24次保持不变，表明排序稳定性较高。
（四）VaMed仪表板实现
研究人员实现了VaMed仪表板，包含侧边导航面板、头部患者概览区、可缩放树状图/条形图分析视图、解剖视图、患者病史时间线及内容区域。树状图使用两个独立视觉通道：矩形面积表示事件数量，颜色表示视觉优先级分数。解剖视图在解剖模型上呈现相同的区域信息并与分析视图联动。患者病史、分析视图和解剖视图共同作为分面过滤器。内容区域包含过滤后的患者材料，包括医学文档、过敏、实验室值、临床诊断、用药史及笔记，并保留源文档访问按钮。
（五）MediChat与患者配置平台
研究人员实现了MediChat作为独立的FastAPI AI服务，提供Llama与Claude聊天端点、提示执行、NER端点及通用网页与PubMed检索端点。患者配置平台处理文档创建与提取，接受患者标识符、文档类型、结构化字段、主文件及可选附加文件，执行文本读取、LLM提取、回退提取、关键词生成、NER及解剖区域引用规范化。提取信息始终链接至全文源，可通过视觉界面检查与修正。
五、讨论与结论
讨论部分指出，本系统的主要价值在于将先前分离的功能整合为一个医学可视分析环境。仪表板本身无法解决患者数据碎片化问题，提取管线若未将提取实体映射到契合临床工作流程的视觉表征也不充分。解剖模型提供了超越文档类型或时间顺序的额外组织原则，与临床关于身体区域和器官系统的推理方式对齐，但错误的区域分配可能误导注意力，解剖粒度需根据门诊情境调整。视觉优先级评分的错误加权可能赋予某发现过高的视觉显著性或降低另一发现的可见性，当前启发式参数使实现透明可复现，但临床校准需要与医生及代表性患者病例的一致性研究。关于临床仪表板的证据基础也反对过度声称直接临床效果，成功不应仅由视觉模块或AI功能的存在来定义，相关评估目标应包括检索时间、修正工作量、源验证、任务完成度、用药复核、检查开单推理及与门诊工作流程的契合度。AI支持部分需谨慎解读：LLM提取可能失败、产生幻觉或遗漏相关细节，因此系统将提取与可编辑字段、回退启发式、源文档访问及人工复核相结合，MediChat被定位为可选支持而非自主决策。
研究结论为：本研究提出了一个面向基层医疗的医学可视分析系统，将患者配置、文本文档摄取、信息提取、MongoDB数据整合、API患者访问、解剖建模、可视分析、附件访问及可选AI辅助检索相结合，实现了一个紧凑、交互式、可溯源且可适应的患者数据表征，其结构围绕时间受限门诊的需求进行设计。未来工作应聚焦于结构化评估，包括时间至信息获取、认知负荷、可用性、源验证行为、交互模式、用户接受度及解剖视图对临床推理的影响，并需在去标识化的真实临床记录上基准测试提取与解剖映射性能。
