技能介绍

解决数据孤岛与分析门槛

许多用户同时维护着多份健康记录：医疗历史里的生化指标、运动追踪器的 MET 值、睡眠日志的 PSQI 评分，以及营养和心理健康问卷。这些数据散落在不同的 JSON 文件中，字段定义不一、时间粒度不同，手动合并并做趋势与相关性分析既不现实也容易出错。更重要的是，缺乏医学背景的人很难把静态指标和动态生活方式数据结合，去判断自己是否正沿着某条风险曲线缓慢移动。

核心能力与执行流程

该技能将上述分散的数据作为输入，按固定流程完成分析。首先读取 data/profile.json 中的年龄、性别、BMI 等静态档案，以及医疗、运动、睡眠、营养、心理和用药等数据源。随后进行清洗、时间对齐和缺失值处理，保证后续统计的可靠性。

在多维度分析阶段，系统会计算睡眠与情绪、运动与体重等指标间的相关性，使用皮尔逊或斯皮尔曼系数；同时用 CUSUM 检测时间序列的变化点，用 Z-score 和 IQR 识别异常值。风险预测则基于已有循证模型：高血压和心血管风险参考 Framingham 与 ACC/AHA ASCVD，糖尿病风险采用 ADA 标准，营养缺乏通过 RDA 达成率评估，睡眠障碍结合 PSQI 模式分析。

建议引擎按影响程度分为三级：Level 1 给出通用健康指导，Level 2 基于个人数据提供针对性参考，Level 3 属于医疗级提示，必须附带免责声明。分析结束后，脚本 generate_ai_report.py 会输出包含 ECharts 图表的交互式 HTML 报告，同时更新 data/ai-history.json 便于追踪历史变化。

适用边界与注意点

该技能的定位是辅助分析工具，而非医疗诊断系统。它不会给出诊断结论，不推荐药物剂量，不判断生死预后。所有建议都仅供参考，Level 3 建议和高风险预测结果出现时，应主动咨询专业医生。另一个关键约束是数据隐私：所有计算在本地完成，没有外部 API 调用，生成的 HTML 报告也独立运行，适合对数据敏感但希望获得结构化洞察的用户。