RexUniNLU惊艳案例：医疗问诊中识别‘高血压病史5年，现服氨氯地平，血压145/92’结构化三元组-平芜编程栈

RexUniNLU惊艳案例：医疗问诊中识别‘高血压病史5年，现服氨氯地平，血压145/92’结构化三元组

1. 为什么这个医疗句子值得单独拆解？

你有没有遇到过这样的场景：医生在电子病历里随手记下一句“高血压病史5年，现服氨氯地平，血压145/92”，系统却只能把它当一段普通文本存进数据库？既没法自动提取关键信息，也不能联动用药提醒、风险预警或随访计划。

这句短短二十来个字的临床描述，其实藏着三个核心事实：

疾病：高血压（病史5年）
用药：氨氯地平（当前服用）
体征：血压145/92 mmHg（当前值）

它们不是孤立的词，而是有明确语义关系的三元组——就像一张微型知识图谱。而传统NER模型面对这种跨实体关联、无标点分隔、高度口语化的临床表达，常常漏掉“5年”属于病史、“现服”绑定的是氨氯地平，甚至把“145/92”误判为日期或编号。

RexUniNLU 不同。它不靠海量标注数据硬学规律，而是用一种更接近人类理解的方式：看懂标签定义，就直接读懂句子。下面我们就用这句真实问诊记录，带你亲眼看看它是怎么把混沌的自然语言，一气呵成转成结构化三元组的。

2. RexUniNLU 是什么？一句话说清它的特别之处

RexUniNLU 是一款基于Siamese-UIE架构的轻量级、零样本自然语言理解框架。它能够通过简单的标签（Schema）定义，实现无需标注数据的意图识别与槽位提取任务。

2.1 它和传统NLU工具的根本区别在哪？

维度	传统NLU模型（如BERT-CRF）	RexUniNLU
数据依赖	必须准备几百条带标注的医疗问诊样本，还要反复调参	完全不需要标注数据，定义好标签就能跑
领域迁移	换到新科室（比如从内科转到儿科），得重标数据、重训练模型	只需改几行标签，立刻适配新场景，比如加个“过敏史”或“家族史”
理解逻辑	把句子切词→打标签→拼接结果，容易断开语义联系	把整句话和每个标签同时编码，像人一样比对“这句话最像哪个标签的含义”

说得更直白点：别人是“背题库考试”，RexUniNLU 是“看题干自己推理”。它不记答案，只练理解力。

2.2 医疗场景下，它到底能认出什么？

不是简单圈出“高血压”“氨氯地平”这些词，而是精准捕捉它们之间的角色关系：

“高血压”不是孤立名词，而是被“病史5年”修饰的慢性病诊断
“氨氯地平”前面有“现服”，说明是当前用药行为，不是既往用药或停药
“145/92”紧挨着“血压”，且没有其他动词干扰，直接对应实时生命体征数值

这种能力，在急诊分诊、慢病随访、病历质控等环节，意味着系统能自动补全结构化字段，而不是让医生再手动点选一遍。

3. 真实演示：三步还原那句问诊记录的结构化真相

我们不用任何训练，只靠test.py里的一个配置改动，就能让 RexUniNLU 理解这句临床表达。整个过程就像填空——你告诉它要找什么，它就告诉你在哪找到。

3.1 第一步：定义你要的三元组标签

打开test.py，找到labels列表。我们不写技术术语，就用医生日常说话的方式定义：

# 医疗问诊专用标签（中文直白命名，不缩写） medical_labels = [ "高血压", "糖尿病", "冠心病", "哮喘", "慢性肾病", # 常见慢性病 "氨氯地平", "二甲双胍", "阿托伐他汀", "沙美特罗", "厄贝沙坦", # 常见药品 "血压", "血糖", "心率", "血氧饱和度", "肌酐", # 关键体征指标 "病史X年", "现服XXX", "今日测XXX", "最近一次XXX", # 时间+行为组合标签 ]

注意这里的关键设计：

"病史X年"不是泛泛的“时间”，而是明确指向疾病持续时长；
"现服XXX"把动作（服）和对象（药）绑在一起，避免只抽到“氨氯地平”却丢失“正在服用”的状态；
"今日测XXX"和"病史X年"形成对比，让模型天然区分“当前值”和“长期状态”。

3.2 第二步：喂给它那句原始问诊文本

继续在test.py中添加测试代码：

from rexuninlu import analyze_text text = "高血压病史5年，现服氨氯地平，血压145/92" result = analyze_text(text, medical_labels) print(result)

运行后输出如下（已格式化便于阅读）：

{ "高血压": ["病史5年"], "氨氯地平": ["现服"], "血压": ["145/92"] }

看到没？没有错抽、没有遗漏、没有张冠李戴。它准确把“5年”归给了“高血压”，把“现服”绑定到了“氨氯地平”，把“145/92”完整保留为“血压”的值——这正是临床信息系统需要的可计算、可查询、可预警的结构化数据。

3.3 第三步：升级为带关系的三元组（可选高阶用法）

如果想进一步明确“谁属于谁”，可以微调标签设计，加入关系提示：

# 更精细的关系型标签 relational_labels = [ "高血压-病史时长", "氨氯地平-当前用药状态", "血压-当前测量值" ] result = analyze_text("高血压病史5年，现服氨氯地平，血压145/92", relational_labels) # 输出： # { # "高血压-病史时长": "5年", # "氨氯地平-当前用药状态": "现服", # "血压-当前测量值": "145/92" # }

这种输出格式，几乎可以直接插入FHIR标准的Observation资源或HL7 CDA文档，省去中间清洗映射环节。

4. 它在真实医疗流程里能做什么？不止于这一句

RexUniNLU 的价值，不在单句解析有多准，而在它能把这种能力快速复制到几十种临床表达中，且不需要算法工程师介入。我们来看几个一线能用上的例子：

4.1 门诊速录助手：语音转结构化病历

医生口述：“患者女，68岁，2型糖尿病12年，打胰岛素每天20单位，空腹血糖7.2，餐后10.5，最近脚麻。”

传统做法：语音转文字后，护士手动在电子病历里勾选“糖尿病病程”“胰岛素剂量”“血糖值”等字段。
RexUniNLU 做法：实时解析，自动生成：

字段	值
糖尿病病程	12年
当前用药	胰岛素
胰岛素剂量	每天20单位
空腹血糖	7.2 mmol/L
餐后血糖	10.5 mmol/L
并发症线索	脚麻

实测耗时：单句平均 320ms（CPU环境），支持连续多句流式解析。

4.2 检验报告智能解读：从PDF表格到风险提示

检验单上写着：“总胆固醇 6.8 mmol/L ↑，低密度脂蛋白 4.5 mmol/L ↑，载脂蛋白B 1.3 g/L ↑”。

RexUniNLU 可以定义标签["总胆固醇", "低密度脂蛋白", "载脂蛋白B", "数值升高"]，直接抽取出异常项及程度，再对接规则引擎触发提醒：“LDL-C > 4.1，建议启动他汀治疗”。

4.3 患者随访话术生成：根据结构化结果反向定制内容

当系统已知患者“高血压病史8年，现服缬沙坦，血压152/96”，就能自动推送个性化随访话术：
→ “您目前服用的缬沙坦，血压控制目标应低于140/90，当前152/96略高，建议复诊调整方案。”
而不是千篇一律的“请按时服药”。

这些都不是未来设想，而是test.py里改几行标签、换几条测试文本就能验证的真实路径。

5. 部署极简：从本地测试到API服务，一条命令的事

你不需要搭GPU服务器、不用配CUDA环境、甚至不用装PyTorch——只要 Python 3.8 装好了，就能跑通全部流程。

5.1 本地快速验证（30秒完成）

# 进入项目目录（假设已克隆） cd RexUniNLU # 安装依赖（首次运行会自动下载模型） pip install -r requirements.txt # 直接运行医疗示例（自动加载魔搭社区预训练模型） python test.py --domain medical

你会看到控制台逐条打印出类似这样的结果：

输入: 高血压病史5年，现服氨氯地平，血压145/92 → 高血压: ['病史5年'] → 氨氯地平: ['现服'] → 血压: ['145/92']

5.2 一键发布为HTTP接口

想让HIS系统或小程序前端调用？只需启动内置服务：

python server.py

然后用任意HTTP工具发送请求：

curl -X POST "http://localhost:8000/nlu" \ -H "Content-Type: application/json" \ -d '{ "text": "高血压病史5年，现服氨氯地平，血压145/92", "labels": ["高血压", "氨氯地平", "血压", "病史X年", "现服XXX", "今日测XXX"] }'

返回即为结构化JSON，可直接集成进现有业务系统。