unisound-similar-case-retrieval

医生端临床科研 — 相似病例语义检索与可解释排序，锚点病例对候选池做类比推理辅助。

相似病例检索（科研辅助）

概述

面向临床科研与教学的「锚点病例 → 候选病例池」语义对齐能力：在用户提供的一组已脱敏摘要或结构化要点上，由内部医疗大模型完成类比排序、相似维度拆解与科研启发式提示。

本实现不接真实院内病历库，候选病例须由调用方预先准备（导出队列、公开数据集子集、或文献病例摘要）。价值在于统一走公司内部医疗大模型，便于与后续真实检索管线对接时替换为向量召回 + 重排。

业界脉络（写法参考，非功能承诺）

近年医疗 AI 文献中常见的组合范式包括：**病例基推理（Case-based Reasoning）**与 RAG / GraphRAG 并用，在 EHR 长程结构数据上保留时间轴与合并症模式再做相似患者检索；也有工作将「指南证据检索」与「相似患者 exemplar」双通道融合以提升可解释性。本 skill 在接口层预留 anchor_case / candidate_cases 字段，语义上对齐上述「患者级类比」叙事，当前阶段以 LLM 重排与解释 为主。

OpenClaw 中的角色

• 输入：锚点病例自然语言摘要 + 多条候选病例（每条含 id 与 summary）。
• 输出：统一 JSON（data 为结构化回显与轻量统计，text 为 Markdown 级排序解读与科研注意点）。

快速开始

bash

python3 scripts/run.py --input input.json --output output.json --appkey YOUR_KEY

输入字段（JSON）

字段	必填	说明
anchor_case	是	锚点病例摘要（主诉、关键体征、诊断线索、时间轴等）
candidate_cases	是	数组，元素含 id、summary
top_k	否	期望在解读中重点讨论的靠前条数，默认 5
task_hint	否	科研关注点，如「预后分层」「用药方案对照」

输出约定

与仓库内其他 LLM skill 一致：

json

{
  "skill": "相似病例检索",
  "status": "ok",
  "data": { },
  "text": "Markdown 解读"
}

参数

• --input PATH：必填。UTF-8 JSON 文件路径。
• --output PATH：可选。落盘路径；省略则打印到 stdout。
• --appkey STRING：必填。调用内部医疗大模型的鉴权 key，由平台分配。

模型配置

• endpoint：https://maas-api.hivoice.cn/v1/chat/completions
• model：u2-med
• 鉴权：Bearer {appkey}

医疗与合规边界

输出仅供科研、教学或方法学讨论参考，不构成诊疗建议；使用真实患者数据前须完成脱敏与伦理审批。