智能审核平台

2026-10-19 23:07:45

行业：医疗健康

载体：网站、小程序

技术：Java、Python

业务和功能介绍

1. 立项背景和目标
为响应医院高质量发展及医保控费要求，解决传统人工审核效率低、易漏判的痛点，本项目旨在构建一套覆盖“事前-事中-事后”全流程的智能审核系统。目标是规范临床诊疗行为，降低医保违规率，提升病历质控水平与医疗服务质量。
2.系统核心包含三大审核模块与两大底层支撑：
事前审核：对接HIS系统，在医生开单时进行实时规则校验与AI辅助提示，从源头拦截不合理用药与违规收费。
事中审核：对在院患者的医嘱进行动态监控，防范过度医疗，实现过程干预。
事后审核：针对出院病历与结算清单进行终末质控，保障医保结算合规。
AI模型引擎：引入NLP技术提取病历文本特征，结合大模型实现智能审方与推理建议。
智能数据分析：多维度统计违规数据，生成科室/医生画像与趋势看板，辅助管理决策。
3.业务流程：事后部分，患者出院后开始对病例、遗嘱等信息进行审核，提示出问题和修改部分，辅助完成病案首页和结算清单的书写。对接医保反馈的信息，反馈信息导入后，针对违规信息智能分析，利用模型和政策文件提示词等，从全流程中找到反馈依据，提供给院方，用于反馈。

项目实现

系统整体采用微服务架构（Spring Cloud），前后端分离。底层依托Kafka进行海量医疗数据的异步解耦，Redis做缓存。AI层独立部署，基于Python/大模型服务提供NLP推理能力；规则层采用规则引擎（Drools）处理明确的医保政策校验；数据层结合关系型数据库与向量数据库（Milvus），支撑政策文件的语义检索。事后审核模块采用“规则引擎+大模型+RAG（检索增强生成）”双引擎架构
我做的部分：1.患者出院后，自动抽取病历、医嘱、费用明细等数据，通过规则与AI模型进行内涵质控，辅助医生完成病案首页和结算清单的规范化书写。2.对接医保局违规反馈数据，利用大模型结合政策文件Prompt提示词，在全流程数据（病程记录、医嘱等）中自动溯源，生成申诉依据供院方使用
难点：病历非结构化文本难以精准理解，病程记录中的逻辑难以被传统规则识别。
解决：市场现有模型无法精准识别，医疗专家给了医疗方案后，形成NLP智慧图谱，然后建立自己的医疗模型。
难点：医保政策复杂且更新频繁，大模型容易“幻觉”。
搭建RAG（检索增强生成）架构。将最新医保政策文件切片存入向量数据库，利用Embedding技术动态检索相关条款注入Prompt（提示词）中，让大模型“依文作答”，确保申诉依据准确可溯源

示例图片视频

小氦不想动

1天前活跃

方向：后端-Java、前端-Web前端、

交付率：100.00%

查看主页

相似推荐

云灵星图八大系统-八大系统

APS / 高级计划排程 APS 高级计划排程智能约束排产与交期预测 · 业务数据为虚拟演示内容 ↓ 导出演示数据＋新增演示记录 ◫ 工作台 ≡ 需求计划 ▥ 排程计划 ▤ 产能管理 ▦ 资源日历 ▣ 物料齐套 ◷ 交期预测 ☷ 业务台账 ⌁ 数据分析 ◇ 流程协同 SYSTEM WORKSPACE / APS 高级计划排程工作台聚合业务进度、关键指标、风险提醒与跨系统协同，快速掌握当前运营状态。 ◷ 排程达成率 94.8% ↗ +3.6% 较上期业务记录 05 当前演示数据待处理事项 02 需要重点关注平均交期 6.2 天核心运营指标业务管理 6 个细分类目 · 按业务场景进入 ≡ 需求计划汇总客户需求、预测数量与净需求确认。进入管理 → ▥ 排程计划按工单、资源约束和交付优先级编排生产。进入管理 → ▤ 产能管理对比工序负荷与可用工时，识别产能缺口。进入管理 → ▦ 资源日历维护班次、设备保养与资源不可用时段。进入管理 → ▣ 物料齐套检查开工物料到位情况，跟踪缺件补齐。进入管理 → ◷ 交期预测结合排程与齐套情况评估客户交付风险。进入管理 → 运营趋势近 12 个月指标变化排程达成率 94.8% 1 月 3 月 5 月 7 月 9 月 11 月本期趋势 ● 参考趋势 ✦ 云灵智能洞察

【全栈音视频】基于 PySide6 与深度学习模型的 AI 智能扒谱/编曲工作站-扒谱机DAW

【项目定位】本项目是一款基于 Python 与 PySide6 开发的桌面级 AI 智能数字音频工作站（DAW）。实现了从音频导入、AI 模型提取、人工标注，到专业级打谱（MIDI/MusicXML）、和声编配及音频导出的全链路业务闭环。项目具备极高的技术壁垒，完美融合了底层音频处理、多线程并发、复杂 UI 渲染与 AI 推理。【核心功能模块】 AI 音频处理与分离：深度集成 UVR（Ultimate Vocal Remover）多种主流模型（Demucs、MDX、Roformer 等），支持多模型合奏与自动降级；自研多线程音频流推送流，彻底解决跨平台播放延迟与无声 bug。专业级音频编辑与标注：自研 Melodyne 级 Blob 音频编辑画布（支持音高/时间精细微调、共振峰保留、频谱画笔修复）；提供多轨 F0（基频）提取与波形/语谱图可视化。工业级打谱与 MIDI 引擎：自研 MIDI 与 MusicXML 双向解析引擎，支持简谱/五线谱（五线谱解析、符杠算法、Opus 字体混排）。支持 LRC 歌词时间戳精准对位，并无缝对接西贝柳斯（Sibelius）插件。音乐理论辅助系统：内置极其复杂的五度圈分析、和弦轨及基于斯波索宾规则的和声自动推演（DAG 全局寻优算法）；创新性地接入心理声学听感实验模块（响度、协和度、音色分析）。【技术架构与工程保障】架构解耦：采用 Mixin 驱动的重构技术，将高达 2 万行的 God Class 彻底拆分；基于事件总线实现视图、数据与音频底层的完全解耦。性能优化：自研音频 LRU 预载池（首音延迟降至 0ms）、离屏场景缓存渲染、多进程 AI 推理防卡死机制。质量保障：项目拥有 500+ 自动化回归测试集（QA Harness），严格隔离开发与生产环境，确保每次更新零回退；配套完整的多 Agent 协同开发规范与底层故障排雷（如系统沙盒级别等极端兼容性问题）。

G端检察监督平台-行刑反向衔接智能研判系统

【立项背景与目标】行刑反向衔接是检察机关对作出不起诉决定的案件，审查是否需要将被不起诉人移送行政机关给予行政处罚的工作。此前主要靠承办检察官人工翻阅卷宗、逐条比对罪名与行政处罚依据，普遍存在"该移不移、移送不准、文书耗时"等问题。本系统围绕不起诉案件"刑行衔接"场景建设，核心是罪与罚数据库和智能研判三步法，自动匹配行政处罚依据并生成移送文书，目标是让基层检察院"办得快、移得准、留痕全"。【核心功能】1、罪与罚数据库：将刑法罪名与主要行政执法领域的行政处罚事项、处罚依据结构化关联，形成可检索、可维护的法律知识库；2、智能研判三步法：第一步从不起诉决定书中提取罪名与事实要素，第二步自动匹配可移送的行政处罚条款，第三步按处罚必要性规则输出"建议移送/不移送"的研判意见及依据；3、文书自动生成：一键生成移送函、审查报告、检察意见书等文书初稿；4、流程管理：移送建议、审批、移送、反馈、跟踪全流程线上留痕。【业务流程】不起诉案件数据接入→罪名与事实要素提取→罪与罚智能匹配→研判意见生成→承办检察官确认→文书自动生成→移送行政机关→处罚结果反馈销号，形成完整业务闭环。

G端跨部门数据融合与AI风险预警平台-严重精神障碍患者肇事肇祸风险分析及预警平台

【立项背景与目标】严重精神障碍患者服务管理是基层社会治理的重点难点：卫健、公安、政法委条线数据分散在各部门，风险发现靠人工排查和层层上报，普遍存在"发现晚、评估粗、处置虚"三大问题。本平台由政法委牵头建设，打通卫健（在管患者、随访记录）、公安（涉患警情、肇事肇祸史）等多源数据，目标是把患者服务管理从"事后处置"转向"事前预警、分级管控"，为特殊人群风险治理提供数字化抓手。【核心功能】1、多源数据接入与治理：跨部门异构数据交换、清洗、比对，按"一人一档"归集患者全量信息；2、风险智能识别：围绕肇事肇祸风险构建14类核心风险行为识别体系，自动从随访记录、警情描述等文本数据中识别风险信号；3、量化评估模型：结合患者标签体系与赋分模型，输出高、中、低三级风险评定，评定规则可配置、结果可解释；4、预警与分级处置：风险异动自动生成预警，按等级推送属地责任部门，处置、反馈、销号全流程闭环留痕；5、态势研判大屏：区域风险总量、等级分布、处置时效一屏总览，支撑决策。【业务流程】数据归集→智能识别风险行为→量化赋分定级→预警分级推送→属地核查处置→反馈销号评估，形成"发现—评估—处置—反馈"完整闭环。

心理测试应用-意志图谱

本项目名为“意志图谱”，旨在解决现代人在快节奏生活中面临的自我认知模糊与心理焦虑问题。立项背景源于对数字化心理健康工具的探索，目标是打造一款基于叙事疗法（Narrative Therapy）的交互式自我探索工具，帮助用户通过故事化的交互梳理内心冲突，实现心理赋能。软件核心功能模块包括：沉浸式叙事引擎：通过分支剧情引导用户进行潜意识投射测试。多维数据分析看板：将用户的交互选择转化为可视化的心理状态雷达图。跨平台同步系统：支持用户数据在移动端与桌面端的无缝流转。业务流程上，用户启动应用后进入引导式叙事场景，系统后台实时记录关键决策点，最终生成个性化的“意志分析报告”并推荐相应的心理调节路径，形成从“探索”到“反馈”的完整闭环。