AIclinicalresearch/docs/03-业务模块/DC-数据清洗整理/01-需求分析/PRD：Tool A - 医疗数据超级合并器 (The Super Merger).md

PRD：Tool A - 医疗数据超级合并器 (The Super Merger)

文档版本	V2.0 (基准锚定版)
产品形态	Web 端工具（分步向导式 Wizard）
核心价值	解决临床科研中“一对多”数据对齐难题。 基于“访视（Visit）”和“时间窗”逻辑，将散乱的化验、检查数据精准挂载到住院/门诊记录上。
目标用户	临床医生、科研助理

一、 产品流程图 (User Flow)

1. 数据装载 (Payload) -> 2. 定基准 (Anchor & Window) -> 3. 选列与预览 (Schema) -> 4. 智能合并 -> 5. 结果与流转

二、 核心功能需求 (Functional Requirements)

1. 步骤一：数据装载 (Payload)

• P0: 多文件上传： 支持拖拽上传 .xlsx, .csv。建议大小 < 50MB/文件。
• P0: 自动预检 (Pre-flight Check)：
  • 上传即解析表头。
  • 红灯拦截： 文件加密、表头为空、文件损坏 -> 禁止下一步。
• P1: 加载配置/模板： 若用户之前保存过“肺癌门诊合并规则”，允许一键加载，跳过后续配置。

2. 步骤二：定基准 (The Anchor) —— 核心算法逻辑

此步骤决定了最终大表的“骨架”（行数）和“归类逻辑”。

2.1 主表选择 (The Backbone)

• P0: 用户必须从上传的文件中指定一个作为 “主表 (Visit Base)”。
• 定义： 主表的每一行，代表最终大表的一个基准行（一次就诊/访视）。通常是《住院记录》或《门诊挂号》。

2.2 关键列映射 (Key Mapping)

• P0: ID 列对齐： 用户需指定主表的 Patient_ID 列。系统自动在辅表中寻找同名列，允许人工修正。
• P0: 时间基准列： 用户需指定主表的 Date 列（如“入院日期”）。这将作为时间窗的圆心。

2.3 辅表匹配策略 (Matching Strategy)

• P0: 时间窗配置 (Time Window)：
  • 设定规则：辅表的检查时间必须在 [主表时间 - X天, 主表时间 + Y天] 范围内。
  • 默认值： \\pm 7 天。
• P0: 冲突处理 (Collision Handling)：
  • 场景： 单次时间窗内，辅表有多条记录（如做了两次血常规）。
  • 选项 A (默认 - 纵向展开)： 保留所有记录。主表信息复制，行数增加。
  • 选项 B (最近匹配)： 仅保留离主表时间最近的一条，丢弃其他。

3. 步骤三：选列与预览 (The Schema)

此步骤决定了最终大表的“血肉”（列宽）。

3.1 树状选择器 (Tree Picker)

• P0: 展示所有文件的列结构。
  • 📂 主表
    • ✅ 住院号
    • ✅ 诊断
  • 📂 辅表 A (化验)
    • ✅ 白细胞
    • ⬜ 审核医生 (不勾选)
• 交互： 支持按文件全选/反选。

3.2 实时结构预览 (Live Schema Preview)

• P0: 在屏幕右侧实时展示**“最终表头结构”**（仅表头，不计算数据）。
• 价值： 让用户直观看到：“哦，原来我的表会变成这么长，包含这些列”。

4. 步骤四：结果与流转 (The Result)

• P0: 处理进度条： 显示动态文案（“正在构建哈希索引...”、“正在进行时间窗碰撞...”）。
• P0: 黄金预览 (Golden Preview)：
  • 必须展示合并结果的 前 5-10 行 真实数据。
  • 用于用户肉眼核对 ID 是否对齐。
• P0: 质量看板：
  • 成功生成行数。
  • 丢弃行数（ID不匹配或时间窗外）。
• P0: 行动流转：
  • [下载 Excel]
  • [发送到 AI 结构化工具] (流转 Token)
  • [发送到 编辑器清洗] (流转 Token)

三、 核心算法逻辑 (Technical Logic)

1. 算法名称：基于时间窗的哈希流式连接 (Time-Windowed Stream Hash Join)

2. 执行伪代码

// 1. 内存构建 (Build Phase)
// 将辅表 (Small Tables) 读入内存 Map
const lookupMap = {
"patient_001": [
{ type: "lab", date: "2023-01-02", data: {...} }, // 记录1
{ type: "lab", date: "2023-05-01", data: {...} } // 记录2
]
};

// 2. 流式探测 (Probe Phase)
// 逐行读取主表 (Main Table)
streamMainTable.on('data', (mainRow) => {
const pId = mainRow.id;
const tStart = mainRow.date - 7 days;
const tEnd = mainRow.date + 7 days;

// 在辅表中寻找符合时间窗的记录
const matchLabs = lookupMap[pId].filter(lab =>
lab.date >= tStart && lab.date <= tEnd
);

if (matchLabs.length === 0) {
// 没匹配到，只输出主表信息
output.write({ ...mainRow, lab_data: null });
} else {
// 匹配到了 (处理一对多)
matchLabs.forEach(lab => {
output.write({ ...mainRow, ...lab.data }); // 纵向展开
});
}
});

四、 界面原型参考 (UI Reference)

请参考 工具A_超级合并器_原型设计.tsx (V1.0) 中的 Step 2 和 Step 3 界面。

• Step 2 重点： 主表选择单选框、时间列下拉框、策略单选钮。
• Step 3 重点： 左右分栏布局（左侧树状勾选，右侧表格骨架预览）。

五、 风险规避检查 (Risk Check)

1. 用户选错主表怎么办？
   • 对策： 在 Step 2 界面增加显眼的 Tip：“主表通常是包含‘入院日期’或‘诊断信息’的表格”。
2. 时间格式乱七八糟怎么办？
   • 对策： 后端在解析时间列时，必须使用强力的 Parser（支持 2023/1/1, 2023-01-01, 44927 等格式）。如果解析失败，归为“时间无效”，不进行匹配。