简介：《严重障碍量表SIB.doc》是一份面向临床医生、护理人员、老年精神科研究者及临床试验从业者的专业评估文档，用于系统测量晚期阿尔茨海默病患者的认知功能水平，帮助判断损伤程度并支持个体化照护方案与疗效跟踪。量表共51个条目，覆盖社会交往、记忆、定向力、语言、视觉空间与构造能力、注意力及行为等维度，总分由0分（损伤最严重）至100分，条目附有逐级评分标准。例如社会交往部分要求测试者主动握手并自我介绍、以手势或搀扶引导患者入座，依据患者是否自发行动、需提示或需协助分别给1至2分；记忆力部分通过自我介绍后复述姓名考察回忆；定向力围绕当前月份与所在城市提问，允许给予多选提示；语言部分则涵盖书写姓名、抄写打印文字、列举一年十二个月、命名杯子勺子等日常物品，以及阅读卡片并按指令递出手掌等任务。资源包仅含1个doc文档，约93KB，已有90人学习下载，适合需要掌握标准化施测流程与记分规则的专业读者随时查阅。
1. 一份「严重障碍量表SIB.doc」真正要处理的是什么
拿到 严重障碍量表SIB.doc 这类文件的人，多数不是想读一遍，而是要把它变成系统里能算、能存、能前后对比的东西：40 多个条目手工计分容易串行，分量表散落在几页里，随访时还要算变化量，靠 Excel 复制粘贴迟早出错。SIB（Severe Impairment Battery，严重障碍量表）用于中重度至重度痴呆患者的认知评估，常见文献描述为 40 个条目、总分 0～100、单次施测 20～30 分钟，条目门槛低、多用单字或指认式作答——这个特征决定了它天然适合电子化，也决定了文档解析比 MMSE 更麻烦：条目编号全角半角混排、选项和分值挤在同一行、不少版本到手时已经是扫描件或改过后缀的假 .doc。后面按「拆文档 → 建计分 → 落库 → 随访」把这条路走通，读者是负责量表电子化的后端与数据工程师，以及需要自己攒科研数据集的临床研究者。
2. 把 .doc 版 SIB 量表拆成可解析文本与结构化 JSON
2.1 先确认文件是不是真的 .doc：magic bytes 判别
从 OA、邮箱、IM 里流转出来的文件，后缀基本不可信。我见过把 .docx 直接改名成 .doc 的，也见过把扫描件另存成 .doc 的。老版 Word 用的是 OLE2 复合文档格式，头部是D0 CF 11 E0 A1 B1 1A E1；OOXML 系列（docx/xlsx）本质是 zip，头部50 4B 03 04；RTF 以{\rtf开头；PDF 以%PDF-开头。先判别再选工具，能省掉一半排查时间。
# sniff_doc.py —— 不依赖扩展名，只读头部 8 字节判类型 import pathlib SIGNATURES = [ (b"\xd0\xcf\x11\xe0\xa1\xb1\x1a\xe1", "ole2-doc"), # 老版 Word 二进制 (b"PK\x03\x04", "zip-ooxml"), # docx 等 OOXML (b"{\\rtf", "rtf"), # RTF (b"%PDF-", "pdf"), # PDF（可能是扫描件） ] def sniff(path: str) -> str: head = pathlib.Path(path).read_bytes()[:8] for sig, name in SIGNATURES: if head.startswith(sig): return name return "unknown"read_bytes()[:8]只读文件头，几十 MB 的附件也不会把内存打满。判别结果里unknown要警惕：可能是 WPS 的私有封装，也可能是加密文档，这时候别硬解析，先让业务方给原始文件。
| 文件类型 | 头部特征 | 推荐处理路径 |
|---|---|---|
| OLE2 二进制 .doc | D0 CF 11 E0 | LibreOffice 转 docx，或 antiword 取纯文本 |
| OOXML .docx | 50 4B 03 04 | python-docx 直接读表格结构 |
| RTF | 7B 5C 72 74 66 | striprtf 或 LibreOffice 统一转换 |
| 扫描 PDF / 图片 | 25 50 44 46 | 先 OCR，再走同一套解析 |
提示：量表条目原文、分值和分量表归属，一律以你手上的 SIB.doc 为准。不同修订版本条目数和计分口径存在差异，代码里的条目内容只能当占位符。
2.2 转换工具怎么选：LibreOffice headless、antiword、catdoc 的取舍
三条命令各有适用面，我一般主路径走 LibreOffice，辅路径走 catdoc 做交叉校验。
# 1) LibreOffice headless：还原度最高，能保留表格结构与单元格边界 soffice --headless --convert-to docx --outdir ./out "严重障碍量表SIB.doc" # 2) antiword：纯文本模式，速度最快，但表格会被拍平成普通行 antiword -m UTF-8.txt "严重障碍量表SIB.doc" > sib_antiword.txt # 3) catdoc：可显式指定编码，处理老的 GBK 文档更稳 catdoc -d utf-8 "严重障碍量表SIB.doc" > sib_catdoc.txt--convert-to docx的意义在于把「条目号 / 题干 / 选项 / 分值」这几列从视觉排版还原成表格关系，后续用 python-docx 遍历doc.tables比抠文本靠谱得多。-m UTF-8.txt是 antiword 的映射文件，不做映射时中文会变乱码；-d utf-8是 catdoc 的输出编码开关，源文件是 GBK 时必加。
主辅两条路径的产物要做一致性校验：同一份 .doc，两条路径抽出的条目数应当相同，条目号的集合也应当相同。不一致说明有换行、分页或文本框干扰，回去看原始 docx 的表格结构。
2.3 用正则把 SIB 条目、选项与分值抽成 JSON
中文量表最常见的坑是全角字符。１．和1.在不做归一化时是两个完全不同的模式，同一条目换个版本就匹配不上。先归一化，再匹配。
import re # 全角数字、括号、点号、冒号统一转半角，否则跨版本匹配必挂 TRANS = str.maketrans("０１２３４５６７８９（）．：", "0123456789().:") # 行首条目号 + 题干 + 可选的行尾满分标注 ITEM_RE = re.compile( r"^\s*(?P<no>\d{1,2})\s*[.、)]\s*(?P<text>.+?)" r"(?:[（(](?P<max>\d{1,2})\s*分?[)）])?\s*$" ) def parse_items(lines): items, cur = [], None for raw in lines: line = raw.translate(TRANS).strip() if not line: continue m = ITEM_RE.match(line) if m: cur = { "no": int(m.group("no")), "text": m.group("text").strip(), "max": int(m.group("max")) if m.group("max") else None, "options": [], } items.append(cur) elif cur is not None: # 续行、选项行统一挂到上一个条目，不新起条目 cur["options"].append(line) return itemsITEM_RE用^...$逐行匹配而不是整篇扫描，因为条目题干常跨行，整篇匹配会把两个条目粘成一条。(?P<max>...)设为可选，是因为不少版本的满分只写在计分说明里而不在题干行；这些条目需要在映射表中补max，不能默认成 1。options单独收集，方便后面做选项级核对。
2.4 结构化落地：字段约定与条目数自检
解析结果落成固定结构，后面的计分引擎只认这个结构，不再碰原始文档。
{ "scale": "SIB", "source_file": "严重障碍量表SIB.doc", "source_type": "ole2-doc", "items": [ {"no": 1, "text": "……", "max": 3, "subscale": "attention", "options": []} ] }scale和source_type是审计字段，出问题时能回溯到具体文件和解析路径。落到库之前做三项自检：条目号不重复、条目号基本连续、max求和等于文档标注的总分。第二条允许有跳号（有些版本条目号带小项后缀），但跳号超过三处就该人工看一眼。
def self_check(data, declared_total=100): nos = [i["no"] for i in data["items"]] assert len(set(nos)) == len(nos), "条目号重复" assert all(i["max"] for i in data["items"]), "存在未标注满分的条目" s = sum(i["max"] for i in data["items"]) print(f"条目数={len(nos)} 满分合计={s} 声明总分={declared_total}") return s == declared_total这个「满分合计」校验成本极低，却很能抓错——分值解析漏一条、多抓一条，合计立刻对不上。
3. SIB 计分引擎：分量表映射、缺失值策略与边界护栏
3.1 条目到分量表的映射表怎么建
映射表是整条链路上唯一必须人工确认的东西。常见文献把 SIB 划成注意、定向、语言、记忆、视空间、结构、运用、社交互动、进食等若干分量表，但每个分量表具体覆盖哪些条目号，不同版本差异不小，别照抄网上的表。用一份 CSV 维护，格式参考如下（示例行仅示意格式）：
| item_no | subscale | max_score |
|---|---|---|
| 1 | attention | 3 |
| 2 | attention | 3 |
| 20 | memory | 4 |
CSV 比硬编码在代码里好：版本变更时改数据不改逻辑，也方便让临床同事直接核对。加载时统一做类型转换，条目号转int，避免"1"和1在字典里对不上。
3.2 计分函数：缺失值、跳转与部分完成怎么算
def score_sib(responses, mapping, policy="strict"): """responses: {item_no: score}；mapping: [{no, max, subscale}]""" detail, total, answered = {}, 0, 0 for row in mapping: no, mx = row["no"], row["max"] if no not in responses: if policy == "strict": # 缺一条就拒绝出分 raise ValueError(f"条目 {no} 缺失") if policy == "zero": # 缺失记 0，重度场景下会系统性拉低总分 val = 0 else: continue # pro_rate：先跳过，最后按比例折算 else: val = responses[no] answered += 1 if not 0 <= val <= mx: raise ValueError(f"条目 {no} 得分 {val} 超出 0~{mx}") total += val detail.setdefault(row["subscale"], 0) detail[row["subscale"]] += val if policy == "pro_rate": full = sum(r["max"] for r in mapping) total = round(total * full / sum(r["max"] for r in mapping if r["no"] in responses)) return {"total": total, "subscales": detail, "answered": answered}policy是最关键的参数。科研和随访场景我默认strict，缺一条就抛异常，宁可回去补测，也不要一个悄悄折算过的分数流进数据集。zero用在质控扫库阶段可以，但必须打标。pro_rate只在量表内部条目高度同质、且缺失是随机发生时才勉强成立，折算结果要额外记一个标志位。
0 <= val <= mx这行范围校验看着啰嗦，实际拦掉的错最多：录入把3打成33、把两道题的分加在一起填进去，都在这儿暴露。
3.3 三个必调参数的取值与影响
| 参数 | 可选值 | 影响 | 建议默认 |
|---|---|---|---|
| 缺失策略 | strict / zero / pro_rate | 决定缺条目时总分是否可用 | strict |
| 满分口径 | 文档标注 / 条目累加 | 决定总分是否与他人的数据可比 | 文档标注，条目累加做自检 |
| 分量表折算 | 原始分 / 百分比 | 随访比较是否受条目缺失干扰 | 横断面用原始分，随访用百分比 |
口径不一致是跨中心数据合并里最隐蔽的问题：两边都是「总分 87」，一个基于文档声明的 100 分制，一个基于条目累加得到的 96 分制，合在一起算均值就是错的。所以每次计分都要把policy和满分口径写进结果记录，而不是只存一个数字。
3.4 和人工计分对照：抽 5 份做逐条目回归
上线前一定要和人工计分对一遍，方法很土但有效：让同事在 Excel 里按条目号一列列填分，脚本逐条目 diff，定位到第一条不一致就停，比看总分更快找到根因。
def diff_with_manual(auto, manual): for no in sorted(manual): if auto.get(no) != manual[no]: return f"首处不一致：条目 {no}，自动={auto.get(no)} 人工={manual[no]}" return "全部一致"总分一致但明细不一致的情况最危险——分量表分析会整体偏掉，所以必须逐条目比，不能只比总分。
4. 落库：SIB 评分表设计、批量入库与纵向随访查询
4.1 表结构：一次评估一行，条目明细单独存
CREATE TABLE sib_assessment ( id INTEGER PRIMARY KEY, subject_code TEXT NOT NULL, -- 受试者编号，不存姓名等直接标识 assessed_on DATE NOT NULL, total_score INTEGER NOT NULL CHECK (total_score BETWEEN 0 AND 100), policy TEXT NOT NULL DEFAULT 'strict', source_doc TEXT, -- 溯源：哪份 SIB.doc 算出来的 created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE sib_item_score ( assessment_id INTEGER NOT NULL REFERENCES sib_assessment(id), item_no INTEGER NOT NULL, subscale TEXT NOT NULL, score INTEGER NOT NULL, max_score INTEGER NOT NULL, PRIMARY KEY (assessment_id, item_no) );明细单独建表的理由很实在：算分量表、做条目级变化分析、复核错分，都要用到条目粒度；只存总分的话，发现异常时只能回去翻原始文档。CHECK约束是最后一道护栏，应用层漏掉的范围校验在这里兜底。参数字段policy不要省，它是复现一次计分的必要信息。
4.2 批量入库：一个目录的 SIB.doc 一次跑完
import sqlite3, pathlib, json def import_dir(folder, conn, scorer): ok, failed = 0, [] for p in sorted(pathlib.Path(folder).glob("*.doc*")): try: data = parse_and_map(p) # 解析 + 映射 res = scorer(data["responses"], data["mapping"], policy="strict") with conn: # 单份文件一个事务 cur = conn.execute( "INSERT INTO sib_assessment(subject_code, assessed_on," " total_score, policy, source_doc) VALUES (?,?,?,?,?)", (data["subject_code"], data["assessed_on"], res["total"], "strict", p.name)) conn.executemany( "INSERT INTO sib_item_score VALUES (?,?,?,?,?)", [(cur.lastrowid, r["no"], r["subscale"], data["responses"][r["no"]], r["max"]) for r in data["mapping"]]) ok += 1 except Exception as e: # 单份失败不影响整批 failed.append((p.name, str(e))) return ok, failedwith conn保证单份文件的评估主表与明细表要么都进、要么都不进，不会出现有总分没明细的脏数据。异常按文件粒度捕获，跑完打印failed列表统一处理——几十份文件里通常只有两三份是扫描件或缺条目，没必要为它们中断整批。subject_code和assessed_on从文件名或单独的对照表来，别指望从量表正文里抠，容易抓错。
4.3 纵向随访查询：用窗口函数直接算变化量
SELECT subject_code, assessed_on, total_score, total_score - LAG(total_score) OVER ( PARTITION BY subject_code ORDER BY assessed_on) AS delta FROM sib_assessment ORDER BY subject_code, assessed_on;LAG取同一受试者的上一次总分，delta就是相邻两次随访的变化量。第一次随访delta为 NULL，属正常。要注意两点：变化量的解读必须带上随访间隔，隔三个月的降 5 分和隔一年的降 5 分不是一回事；不同policy算出来的分数不要放进同一个序列比，WHERE policy = 'strict'该加就加。
5. SIB 短版抽取与报告生成里的具体技巧
5.1 用白名单从条目池里稳定抽出短版条目
短版量表通常只是从完整条目里挑固定几条，别重新解析一份文档，直接从同一份结构化 JSON 里按条目号白名单取，口径天然一致。
SHORT_FORM = {3, 5, 9, 12, 17, 21, 26, 33} # 条目号以实际版本为准 def extract_short(data, whitelist=SHORT_FORM): pool = {i["no"]: i for i in data["items"]} missing = whitelist - pool.keys() if missing: raise ValueError(f"短版条目缺失：{sorted(missing)}") # 版本不匹配直接报错 return [pool[no] for no in sorted(whitelist)]missing检查是这套做法的核心价值：换了一个修订版本的 SIB.doc，条目号一漂移，脚本立刻报错，而不是安静地算出一个错的短版分数。白名单建议放进配置文件，由临床同事签字确认后再定版。
5.2 报告生成里最容易出的三类错
| 现象 | 根因 | 处理方式 |
|---|---|---|
| 总分与明细对不上 | 报告取了解析出的分值而非计分结果 | 报告只读计分引擎输出，禁止二次求和 |
| 缺失条目被当成 0 | 读取时用dict.get(no, 0) | 读分处改用strict校验，缺就抛 |
| 随访变化量正负号反了 | LAG的排序方向或减数写反 | 固定写当前 - 上一次，并单测一条上升样本 |
生成报告时还有个小技巧：把policy、满分口径、条目数这几个元信息一起印在报告页脚。三个月后有人质疑某个分数，翻页脚就能定位到当时的计分口径，不用去翻那次跑批的日志。
本文还有配套的精品资源，点击获取
