实时演示
在真实文档上看效果。
点击右侧任一字段，我们会在左侧高亮它的来源位置。
Extracted fields
Complete blood count
Differential leucocyte count
示例数据。真实引擎输出。
概览
什么是化验报告数据抽取？
化验报告数据抽取，就是把血检和化验组合 PDF 变成结构化的分析物记录，供临床研究平台、EHR 迁移管道、健康类应用直接吸收。过去临床数据抽提员要 —— 读每个项目名、抄每个数值、把参考范围敲进电子表格 —— 现在几秒就能跑完，每个值都锚定到化验单上的位置，审计经得起推敲。
在上方样本报告上，Ztract 会返回病人的 年龄 和 性别、报告日期，以及两个嵌套检验组合：含血红蛋白、RBC 计数、WBC 总数、MCV、MCH、MCHC、RDW、PCV、MPV、PDW、PCT 的 血常规（CBC）；以及含中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞的 白细胞分类计数。每个分析物都返回为数值 —— 不是字符串 —— 下游做统计和参考范围检查无需再走一遍解析。
化验报告在不同实验室和地区差异巨大。Hgb 还是 Hb，mmol/L 还是 mg/dL，两行表头还是一行，跨 4-5 页的全面代谢组合 —— Schema 有足够的版式感知力，能把同一个检验组合作为一个逻辑结果保留，哪怕印刷跨页。引擎对印刷件和扫描件同样适用；轻微倾斜的手机照片也能跑。
难点
这里为什么并不简单。
这一类文档比表面更难处理的几个原因 —— 以及我们的应对方式。
-
单位和缩写差异
英国实验室印 Hb，美国实验室印 Hgb；一个用 mmol/L，一个用 mg/dL。引擎把单位跟值绑在一起，不会在归一化时丢掉。
-
五种参考范围标注
3.5-5.0、<5、>2.0、3.5 ± 0.5 —— 每个实验室印参考范围的方式不同。只要存在，我们会同时捕获值和边界，下游的异常标记逻辑才跑得通。
-
跨页拼接检验组合
血常规之后跟分类计数和代谢组合，可能跑 4-5 页。重复表头会被去重；输出里各组合保持结构上彼此独立。
-
PHI 字段单独输出供脱敏
病人姓名、MRN、出生日期（如果存在）会作为独立字段输出，下游 HIPAA / GDPR 脱敏管道有清晰的起点，又不破坏分析物结构。
谁在用
这些工作流用得上。
-
临床研究
从来自数十种医院和实验室系统的 PDF 化验报告里构建队列数据集 —— 不管来源，Schema 一致。
-
数字健康应用
让患者上传自己的化验报告，跨时间展示血红蛋白、WBC、血脂等分析物的趋势。
-
EHR 迁移
把历史化验结果从 PDF 归档迁移到新 EHR —— 以结构化分析物的形式，而不是导入扫描文件。
常见问题