AIclinicalresearch/docs/03-业务模块/DC-数据清洗整理/07-技术债务/Tool-C技术债务清单.md

# Tool C 技术债务清单

> **创建日期**: 2025-12-06  
> **最后更新**: 2025-12-06  
> **当前版本**: Day 3 MVP完成  
> **优先级分级**: P0-紧急 | P1-重要 | P2-中期优化 | P3-长期规划

---

## 📋 技术债务概览

| 编号 | 债务项 | 优先级 | 预计工时 | 影响范围 | 计划时间 |
|------|-------|--------|---------|---------|---------|
| TD-C-001 | Python Session状态持久化 | P1 | 1天 | 稳定性 | Day 5-6 |
| TD-C-002 | 数据版本管理与回滚 | P2 | 2天 | 功能 | Week 3 |
| TD-C-003 | 大文件性能优化 | P2 | 1.5天 | 性能 | Week 3 |
| TD-C-004 | AI Prompt持续优化 | P1 | 持续 | 质量 | 持续 |
| TD-C-005 | 前端对话UI开发 | P0 | 3天 | 功能 | Day 4-5 |
| TD-C-006 | 复杂场景Prompt优化 | P2 | 0.5天 | 质量 | Day 4 |

---

## 🔴 P1: 重要（近期必做）

### TD-C-001: Python Session状态持久化

**当前问题**:
```python
# 当前实现：内存维护Session状态
session_data = {}  # 存在内存中

# 问题：
# 1. Python服务重启 → Session数据丢失
# 2. 多实例部署 → 负载均衡会导致状态不一致
# 3. 无法回滚到历史版本
```

**影响**:
- 用户体验差：重启服务后需重新上传文件
- 无法云原生部署：不支持多实例
- 数据安全性：内存断电即丢失

**优化方案**:

**方案A: Redis持久化**（推荐）
```python
# 使用Redis存储Session状态
import redis
import pickle

class SessionManager:
    def __init__(self):
        self.redis_client = redis.Redis(host='localhost', port=6379)
    
    def save_session(self, session_id, dataframe):
        # 序列化DataFrame
        serialized = pickle.dumps(dataframe)
        
        # 存储到Redis，10分钟过期
        self.redis_client.setex(
            f"session:{session_id}",
            600,  # 10分钟
            serialized
        )
    
    def get_session(self, session_id):
        data = self.redis_client.get(f"session:{session_id}")
        if data:
            return pickle.loads(data)
        return None
```

**方案B: OSS持久化**
```python
# 每次操作后保存到OSS
def save_to_oss(session_id, dataframe):
    # 序列化为Parquet格式（高效）
    buffer = io.BytesIO()
    dataframe.to_parquet(buffer)
    
    # 上传到OSS
    oss_key = f"dc/tool-c/sessions/{session_id}/current.parquet"
    oss_client.put_object(oss_key, buffer.getvalue())
```

**实施计划**:
- Day 5: 实现Redis集成
- Day 6: 测试与部署

---

### TD-C-004: AI Prompt持续优化

**当前问题**:
- 10个Few-shot示例可能不够覆盖所有场景
- 某些复杂医疗场景AI理解不准确
- 代码生成质量依赖DeepSeek-V3性能

**优化方向**:

**1. 扩展Few-shot库**
```python
# 当前：10个示例
# 目标：20-30个示例，分类存储

few_shot_library = {
    "basic": [...],      # 基础清洗（10个）
    "medical": [...],    # 医疗专业（10个）
    "advanced": [...]    # 高级分析（10个）
}

# 根据用户需求动态选择相关示例
def select_relevant_examples(user_message):
    # 语义匹配最相关的5个示例
    ...
```

**2. 用户反馈收集**
```python
# 记录AI生成失败的场景
failed_cases = []

# 定期分析，添加新示例
def analyze_failures():
    # 找出高频失败场景
    # 人工编写Few-shot
    # 更新System Prompt
```

**3. 多模型备选**
```python
# 主：DeepSeek-V3（性价比高）
# 备：GPT-4（质量高，成本高）
# 备：Claude-3.5（代码能力强）

if deepseek_fails:
    retry_with_gpt4()
```

**实施计划**:
- 持续收集失败案例
- 每月优化1次Prompt
- 测试其他LLM模型

---

## 🟡 P2: 中期优化（1-2个月）

### TD-C-002: 数据版本管理与回滚

**当前问题**:
- AI每次操作都直接修改当前数据
- 无法撤销/回滚到之前状态
- 无法对比不同版本

**优化方案**:

**版本管理架构**:
```python
# 每次操作后保存快照
class DataVersionManager:
    def save_version(self, session_id, dataframe, operation_desc):
        version_id = str(uuid.uuid4())
        
        # 保存到OSS（Parquet格式，压缩高效）
        oss_key = f"dc/tool-c/sessions/{session_id}/versions/{version_id}.parquet"
        dataframe.to_parquet(oss_key)
        
        # 元数据存数据库
        db.save({
            "session_id": session_id,
            "version_id": version_id,
            "operation": operation_desc,
            "timestamp": now(),
            "row_count": len(dataframe),
            "file_size": ...
        })
    
    def rollback(self, session_id, version_id):
        # 从OSS恢复
        dataframe = pd.read_parquet(oss_key)
        return dataframe
```

**前端展示**:
```typescript
// 版本历史列表
<Timeline>
  <TimelineItem>
    版本1: 上传原始文件 (100行)
  </TimelineItem>
  <TimelineItem>
    版本2: 删除缺失值 (95行) [回滚]
  </TimelineItem>
  <TimelineItem>
    版本3: 计算BMI (95行) [当前]
  </TimelineItem>
</Timeline>
```

**成本估算**:
- 每个版本~1-5MB（Parquet压缩后）
- 10个版本 = 10-50MB
- OSS成本：￥0.01-0.05/Session

**实施计划**:
- Week 3: 后端版本管理
- Week 4: 前端UI + 测试

---

### TD-C-003: 大文件性能优化

**当前限制**:
- 文件大小：10MB
- 行数限制：~50,000行
- 前端预览：100行

**优化目标**:
- 文件大小：50MB
- 行数限制：500,000行
- 前端预览：虚拟滚动

**技术方案**:

**1. 流式处理**
```python
# 分块读取大文件
def process_large_file(file_path):
    chunk_size = 10000  # 每次处理1万行
    
    for chunk in pd.read_csv(file_path, chunksize=chunk_size):
        # 分块处理
        process_chunk(chunk)
```

**2. Apache Arrow集成**
```python
# 使用Arrow高性能列式存储
import pyarrow as pa
import pyarrow.parquet as pq

# Node.js ↔ Python 数据传输
# 使用Arrow IPC格式（比JSON快10-100倍）
```

**3. 前端虚拟滚动**
```typescript
// 使用AG Grid的虚拟滚动
<AgGridReact
  rowModelType="infinite"
  cacheBlockSize={100}
  maxBlocksInCache={10}
/>
```

**实施计划**:
- Week 3: 流式处理 + Arrow
- Week 4: 前端虚拟滚动

---

## 🟡 P2: 中期优化（1-2个月）

### TD-C-006: 复杂场景Prompt优化（Day 3测试遗留）

**当前问题**:
Day 3测试中，2个复杂场景持续超时失败（3次重试都失败）：
- **示例2：数值列清洗**（creatinine列处理，包含`<0.1`等特殊符号）
- **示例7：智能去重**（日期解析 + 排序 + 去重）

**失败原因分析**:
```
❌ 示例2失败: timeout of 60000ms exceeded
   用户需求: 把creatinine列里的非数字符号去掉，<0.1按0.05处理，转为数值类型
   
   问题：
   - 需求描述复杂（3个子任务：去符号 + 特殊值处理 + 类型转换）
   - AI理解不准确，生成的代码有逻辑错误
   - 3次重试仍无法修正

❌ 示例7失败: timeout of 60000ms exceeded
   用户需求: 按patient_id去重，保留check_date最新的记录
   
   问题：
   - 日期列可能包含多种格式
   - 排序 + 去重的组合逻辑复杂
   - AI生成的代码执行出错后难以自我修正
```

**优化方案**:

**方案A: 增强Few-shot示例**
```python
# 为这两个场景添加更详细的Few-shot示例

### 示例: 复杂数值清洗（含特殊符号）
用户: 把肌酐列里的非数字符号（>、<）去掉，<0.1按0.05处理，转为数值
代码:
\`\`\`python
try:
    # 第1步：去除符号
    df['creatinine_clean'] = df['creatinine'].astype(str).str.replace('>', '').str.replace('<', '')
    
    # 第2步：处理特殊值
    df.loc[df['creatinine_clean'] == '0.1', 'creatinine_clean'] = '0.05'
    
    # 第3步：转为数值
    df['creatinine_numeric'] = pd.to_numeric(df['creatinine_clean'], errors='coerce')
    
    print(f'清洗完成：{df["creatinine_numeric"].notna().sum()}个有效值')
except Exception as e:
    print(f'错误: {e}')
\`\`\`
说明: 分步处理复杂清洗任务，先去符号，再处理特殊值，最后转类型
```

**方案B: 优化System Prompt**
```typescript
## 复杂场景处理建议
1. **数值清洗**：分步处理（去符号 → 处理特殊值 → 类型转换）
2. **日期操作**：先用pd.to_datetime()统一格式，再排序去重
3. **调试输出**：每步打印中间结果，便于错误定位
4. **错误处理**：使用try-except包裹每个子步骤
```

**方案C: 调整重试策略**
```typescript
// 针对特定错误类型，提供更明确的修正提示
if (error.includes('日期') || error.includes('datetime')) {
  enhancedMessage = `${userMessage}
  
  注意：日期列可能包含缺失值或格式不一致，请：
  1. 使用 pd.to_datetime(df['date'], errors='coerce')
  2. 删除日期为NaT的行
  3. 再进行排序和去重`;
}
```

**实施计划**:
- Day 4: 实现方案A（增强Few-shot示例）
- Day 4: 实现方案B（优化System Prompt）
- Day 5: 测试优化效果（目标：通过率达到95%+）

**预期效果**:
- 通过率从81.8%提升到95%+
- 复杂场景一次成功率提升50%
- 用户体验改善（减少等待时间）

---

## 🟢 P3: 长期规划（3个月+）

### TD-C-007: 医学专业功能增强

> **创建日期**: 2025-12-08  
> **来源**: 医学统计分析专家审查反馈  
> **优先级**: P3（功能按钮MVP完成后优先实施）

**背景**：
当前工具C功能按钮开发计划（V1.0）主要面向通用数据清洗场景。医学专业审查发现，针对临床研究数据的特殊需求，需要增加以下专业功能。

---

#### 7.1 异常值检测器（优先级：高）

**医学背景**：
- 临床数据常存在录入错误（如：年龄999岁、体重500kg）
- 仪器故障导致的异常读数
- 需符合临床范围的数据验证

**功能设计**：
```
┌─────────────────────────────────────┐
│  异常值检测                          │
├─────────────────────────────────────┤
│  选择列：[血糖 ▼]                   │
│                                     │
│  检测方法：                         │
│  ● 临床范围（推荐）                 │
│     正常范围：[3.9___] - [6.1___]  │
│     来源：[ADA指南 ▼]              │
│                                     │
│  ○ 统计学方法                       │
│     IQR法（1.5倍四分位距）         │
│     Z-score法（±3标准差）          │
│                                     │
│  处理方式：                         │
│  ○ 仅标记  ● 删除  ○ 替换为缺失   │
│                                     │
│  检测到：23个异常值                 │
│  [查看详情]                         │
│                                     │
│  [取消]  [执行]                    │
└─────────────────────────────────────┘
```

**实现要点**：
- 内置常用临床范围（年龄0-120、BMI 10-80、血糖2-30等）
- 支持自定义范围
- 可视化异常值分布（箱线图）

---

#### 7.2 单位转换器（优先级：高）

**医学背景**：
- 不同国家/医院使用不同单位
- 文献meta分析需要统一单位
- 常见转换错误导致数据不可用

**功能设计**：
```
┌─────────────────────────────────────┐
│  医学单位转换                        │
├─────────────────────────────────────┤
│  选择列：[血糖 ▼]                   │
│                                     │
│  当前单位：[mg/dL ▼]               │
│  目标单位：[mmol/L ▼]              │
│                                     │
│  常用转换：                         │
│  • 血糖: mg/dL ↔ mmol/L (÷18.018) │
│  • 血脂: mg/dL ↔ mmol/L            │
│  • 体重: kg ↔ lb (×2.20462)        │
│  • 身高: cm ↔ inch                 │
│  • 肌酐: mg/dL ↔ μmol/L            │
│                                     │
│  ☑️ 创建新列                       │
│  新列名：[血糖_mmol_L_________]    │
│                                     │
│  预览：5.5 mg/dL → 0.31 mmol/L     │
│                                     │
│  [取消]  [执行]                    │
└─────────────────────────────────────┘
```

**实现要点**：
- 内置医学常用转换公式
- 支持批量转换
- 自动验证转换后的合理性

---

#### 7.3 日期计算器（优先级：高）

**医学背景**：
- 计算年龄、随访时间、生存时间是高频需求
- 日期格式不统一（2025-01-01 vs 2025/1/1）
- 需要处理闰年、时间窗等复杂场景

**功能设计**：
```
┌─────────────────────────────────────┐
│  日期/时间计算                       │
├─────────────────────────────────────┤
│  计算类型：                         │
│  ● 计算年龄（从出生日期）           │
│     出生日期列：[birth_date ▼]     │
│     参考日期：● 今天  ○ 指定列    │
│     新列名：[年龄_________]        │
│                                     │
│  ○ 计算时间间隔                     │
│     开始日期：[入院日期 ▼]         │
│     结束日期：[出院日期 ▼]         │
│     单位：[天 ▼]（天/周/月/年）    │
│     新列名：[住院天数_____]        │
│                                     │
│  ○ 判断时间窗（是否在X天内）        │
│     事件日期：[随访日期 ▼]         │
│     基线日期：[入组日期 ▼]         │
│     时间窗：[30____] 天内          │
│     新列名：[30天内随访____]       │
│                                     │
│  [取消]  [预览]  [执行]            │
└─────────────────────────────────────┘
```

**实现要点**：
- 自动检测日期格式
- 处理缺失日期
- 支持多种时间单位

---

#### 7.4 临床截断值分箱（优先级：中）

**医学背景**：
- 医学分类应基于循证医学证据（如：WHO、ADA指南）
- 任意分箱会损失信息且无临床意义
- 需要可追溯的分类标准

**功能改进**：
```
在现有"生成分类变量"功能中增加：

┌─────────────────────────────────────┐
│  连续变量分箱                        │
├─────────────────────────────────────┤
│  选择数值列：[BMI ▼]                │
│                                     │
│  分箱方式：                         │
│  ● 临床截断值（推荐）⭐             │
│     标准：[WHO标准 ▼]              │
│     <18.5: 低体重                   │
│     18.5-24.9: 正常                 │
│     25-29.9: 超重                   │
│     ≥30: 肥胖                       │
│     参考：WHO 2000                  │
│                                     │
│     [切换为中国标准 ▼]             │
│                                     │
│  ○ 自定义切点（需注明依据）         │
│  ○ 等宽/等频分箱（⚠️会损失信息）   │
│                                     │
│  [取消]  [预览分布]  [执行]        │
└─────────────────────────────────────┘

支持的临床标准：
- BMI分类：WHO、中国成人、儿童标准
- 血压分级：ESH/ESC高血压指南
- 肾功能分期：KDIGO CKD分期
- 年龄分组：WHO标准、临床试验常用
- 血糖分类：ADA糖尿病诊断标准
```

**实现要点**：
- 内置10+常用临床标准
- 可导出分类依据（供论文写作）
- 提示等宽分箱的局限性

---

#### 7.5 高级缺失值填补（优先级：中）

**医学背景**：
- MICE假设数据MAR（随机缺失），但临床数据常为MNAR（非随机缺失）
- 病情严重患者更易失访（缺失非随机）
- 需要敏感性分析

**功能改进**：
```
在现有"缺失值填补"功能中增加：

┌─────────────────────────────────────┐
│  缺失值填补（医学专用）              │
├─────────────────────────────────────┤
│  选择列：[FMA评分 ▼] [+]           │
│                                     │
│  填补方法：                         │
│  ● 末次观测值结转（LOCF）⭐         │
│     适用：纵向数据，假设无变化      │
│                                     │
│  ○ 基线观测值结转（BOCF）           │
│     适用：保守估计，假设无改善      │
│                                     │
│  ○ 最坏情况插补（Worst Case）       │
│     适用：敏感性分析                │
│     最坏值：[0____]                │
│                                     │
│  ○ 中位数/均值填补                  │
│     ☑️ 按分组填补                  │
│        分组列：[性别▼][年龄组▼]   │
│                                     │
│  ○ 多重插补（MICE）                 │
│     ⚠️ 假设数据MAR，需检验适用性  │
│                                     │
│  预览：将填补 32 个缺失值           │
│                                     │
│  [取消]  [敏感性分析]  [执行]      │
└─────────────────────────────────────┘
```

**实现要点**：
- 明确各方法的适用前提
- 提供敏感性分析（对比不同方法结果）
- 生成填补报告（供论文方法学描述）

---

#### 7.6 Codebook（数据字典）生成（优先级：中）

**医学背景**：
- GCP（药物临床试验质量管理规范）要求可追溯性
- 期刊要求提供数据字典
- 伦理审查需要变量说明

**功能设计**：
```
自动生成数据字典：

┌──────────────────────────────────────┐
│ 变量名 │ 原变量 │ 编码规则 │ 创建时间│
├────────┼────────┼──────────┼─────────┤
│研究中心│研究中心│1=黑龙江  │12-08    │
│_编码   │        │2=山东    │10:30    │
│        │        │3=广州    │         │
├────────┼────────┼──────────┼─────────┤
│BMI分类 │BMI     │1=正常    │12-08    │
│        │        │2=超重    │10:35    │
│        │        │3=肥胖    │         │
│        │        │参考：WHO │         │
└────────┴────────┴──────────┴─────────┘

导出选项：
- Excel格式（常用）
- Word格式（伦理报告）
- CSV格式（SPSS导入）
```

**实现要点**：
- 每次重编码/分箱自动更新
- 记录操作人和时间
- 支持手动添加注释

---

#### 7.7 样本筛选流程图（优先级：低）

**医学背景**：
- CONSORT声明要求报告筛选流程
- 期刊审稿要求提供流程图
- 有助于发现筛选逻辑错误

**功能设计**：
```
在"高级筛选"功能中增加：

自动生成筛选流程：

┌──────────────────────┐
│  原始数据: 1000例    │
└──────┬───────────────┘
       │
       ↓ 排除年龄<18岁
┌──────────────────────┐
│  剩余: 950例 (-50)   │
└──────┬───────────────┘
       │
       ↓ 排除主要结局缺失
┌──────────────────────┐
│  剩余: 920例 (-30)   │
└──────┬───────────────┘
       │
       ↓ 排除重复记录
┌──────────────────────┐
│  最终纳入: 910例     │
└──────────────────────┘

[导出为图片] [导出为Word]
```

**实现要点**：
- 记录每步筛选的条件和结果
- 生成可发表的流程图
- 支持导出为高分辨率图片

---

#### 7.8 数据质量报告（优先级：低）

**医学背景**：
- 数据质量直接影响研究结论
- 需要在分析前进行质量评估
- 期刊要求描述数据质量

**功能设计**：
```
点击"生成数据质量报告"：

生成PDF报告，包含：
1. 数据概况
   - 样本量、变量数
   - 数据收集时间跨度

2. 完整性分析
   - 各变量缺失率
   - 缺失模式（MCAR/MAR/MNAR检验）

3. 一致性检查
   - 逻辑错误（如：出生日期>死亡日期）
   - 重复记录

4. 分布分析
   - 连续变量分布（直方图+Q-Q图）
   - 分类变量频数表

5. 异常值检测
   - 箱线图
   - 异常值列表

6. 建议操作
   - 需要处理的问题清单
   - 优先级排序
```

**实现要点**：
- 自动生成可发表的表格/图
- 支持导出为Word/PDF
- 符合临床研究报告规范

---

### 实施计划

| 功能 | 优先级 | 预计工时 | 计划时间 |
|------|--------|---------|---------|
| 7.1 异常值检测器 | 高 | 2天 | Phase 4 |
| 7.2 单位转换器 | 高 | 1.5天 | Phase 4 |
| 7.3 日期计算器 | 高 | 2天 | Phase 4 |
| 7.4 临床截断值分箱 | 中 | 1天 | Phase 3增强 |
| 7.5 高级缺失值填补 | 中 | 1.5天 | Phase 3增强 |
| 7.6 Codebook生成 | 中 | 1天 | Phase 5 |
| 7.7 筛选流程图 | 低 | 1.5天 | Phase 5 |
| 7.8 数据质量报告 | 低 | 2天 | Phase 5 |

**总计**：12.5天工时

---

### TD-C-008: 自定义函数库

**愿景**: 用户可保存常用代码为函数，一键复用

```python
# 用户保存的自定义函数
my_functions = {
    "血压分类": "df['bp_category'] = ...",
    "年龄分组": "df['age_group'] = ...",
}

# 一键应用
apply_function("血压分类")
```

---

### TD-C-009: 协作功能

**愿景**: 多人协作数据清洗

- 权限管理：查看/编辑/审核
- 操作日志：谁在什么时候做了什么
- 评论功能：对特定操作添加备注

---

### TD-C-010: AI智能推荐

**愿景**: AI主动检测数据问题并推荐操作

```python
quality_check = {
    "发现23个异常值": "建议使用异常值检测器",
    "年龄列缺失32%": "建议使用LOCF填补",
    "BMI未分类": "建议使用WHO标准分箱",
}
```

---

## 📊 债务统计

### 按优先级
- P0: 1项（前端UI，阻塞发布）
- P1: 2项（Session持久化、Prompt优化）
- P2: 3项（版本管理、大文件、复杂场景优化）
- P3: 4项（长期规划 + 医学专业功能增强）

### 按工时
- 0.5天: 1项（复杂场景优化）
- 1天: 1项（Session持久化）
- 1-2天: 2项（版本管理、大文件）
- 3天以上: 1项（前端UI）
- 持续优化: 1项（Prompt优化）
- **医学专业功能**: 12.5天（8个子功能）

### 总计
- **技术债务总数**: 13项（含医学专业功能8个子项）
- **近期必做**: 4项（P0-P1 + 复杂场景）
- **预计总工时**: ~23-25天
  - MVP相关：~10.5-12.5天
  - 医学专业增强：~12.5天

---

## 🔄 更新记录

| 日期 | 版本 | 更新内容 | 更新人 |
|------|------|---------|--------|
| 2025-12-08 | V1.2 | 新增TD-C-007（医学专业功能增强8项） | AI Assistant |
| 2025-12-07 | V1.1 | 新增TD-C-006（复杂场景Prompt优化） | AI Assistant |
| 2025-12-06 | V1.0 | 初始创建，Day 3 MVP完成后梳理 | AI Assistant |

---

**文档状态**: ✅ 已更新  
**下次更新**: Phase 4开发完成后