体检指标趋势分析

要解决什么问题

历年体检报告通常散落在三个地方：电子 PDF、扫描件和手机照片。三者版式不同，指标命名和单位不一致，参考范围还会随着试剂更换而变化，结果就是很少有人愿意手动把五年的血糖、血脂、尿酸抄到一张表里对比。另一个现实问题是隐私——这些文件含姓名、证件号、医院名，交给线上工具本身就有风险。

它怎么工作

技能把流程拆成一条纯本地流水线：

1. 识别输入形态：遍历 REPORT_DIR，根目录 PDF 用 get_text() 探测文本层，有则按坐标定位解析，无则走 OCR；YYYY体检报告/ 下的 JPG 先合成 PDF 再识别。
2. 参数化提取：OCR 结果经 extract.py --year 转成结构化指标，新年份不需要新增脚本。
3. 归一化与字典：build_dataset.py 做名称/单位映射和脏数据过滤；未识别指标记入 data/unrecognized，在 indicator_dict.py 的 NAME_MAP 补一行即可覆盖。
4. 趋势判定：以当年报告自带的参考范围判异常，变化幅度 ≥20% 或 ≥参考区间宽度 30% 视为显著，默认聚焦近三年。
5. 交付：生成 Markdown 趋势分析报告，以及单文件、无外部依赖的 HTML 工作台。

隐私是硬约束：全程不发起任何网络调用；脱敏版先在内存校验通过才写盘，落盘即置只读 444，并与完整数据集分目录隔离；报告正文中的机构名、医师署名、手机号默认掩码。

适用边界

• OCR 提取的指标只用于图表展示（灰色 Ⓞ 标注），不参与显著变化判定，避免识别误差污染统计。
• 趋势结论只基于聚焦年份，更早的数据仅作展示背景。
• 新增报告按形态走对应分支重跑流水线即可，不要为某个年份单独写脚本。
• 参考口径一律以当年报告为准，试剂或单位变化会被自动适配，但这种适配也可能掩盖真实波动，跨年解读时需要留意。