AI健康分析器
基于AI技术的综合健康分析系统，提供智能健康洞察、风险预测和个性化建议。
核心功能
1. 智能健康分析
- 多维度数据整合: 整合基础指标、生活方式、心理健康、医疗历史等4类数据源
- 异常模式识别: 使用CUSUM、Z-score等算法检测异常值和变化点
- 相关性分析: 计算不同健康指标之间的相关性（皮尔逊、斯皮尔曼）
- 趋势预测: 基于历史数据进行趋势分析和预测
2. 健康风险预测
- 高血压风险: 基于Framingham风险评分模型
- 糖尿病风险: 基于ADA糖尿病风险评分标准
- 心血管疾病风险: 基于ACC/AHA ASCVD指南
- 营养缺乏风险: 基于RDA达成率和饮食模式分析
- 睡眠障碍风险: 基于PSQI和睡眠模式分析
3. 个性化建议引擎
- 基础个性化: 基于年龄、性别、BMI、活动水平等静态档案
- 建议分级: Level 1（一般性）、Level 2（参考性）、Level 3（医疗建议）
- 循证依据: 基于医学指南和循证医学证据
- 可操作性: 提供具体、可行的改进建议
4. 自然语言交互
- 智能问答: 支持健康数据查询、趋势分析、相关性查询等
- 上下文理解: 维护对话历史，支持多轮对话
- 意图识别: 识别用户查询意图，提供精准回复
5. AI健康报告生成
- 综合报告: 包含所有维度健康数据、AI洞察、风险评估
- 快速摘要: 关键指标概览、异常警示、主要建议
- 风险评估报告: 各类疾病风险、风险因素分析、预防措施
- 趋势分析报告: 多维度趋势、变化点识别、预测分析
- HTML交互式报告: ECharts图表、Tailwind CSS样式
使用说明
触发条件
当用户提到以下场景时，使用此技能：
通用询问:
- ✅ "AI分析我的健康状况"
- ✅ "我的健康有什么风险？"
- ✅ "生成AI健康报告"
- ✅ "AI分析所有数据"
风险预测:
- ✅ "预测我的高血压风险"
- ✅ "我有糖尿病风险吗？"
- ✅ "评估我的心血管风险"
- ✅ "AI预测健康风险"
智能问答:
- ✅ "我的睡眠怎么样？"
- ✅ "运动对我的健康有什么影响？"
- ✅ "我应该如何改善健康状况？"
- ✅ "AI健康助手问答"
报告生成:
- ✅ "生成AI健康报告"
- ✅ "创建综合分析报告"
- ✅ "AI风险评估报告"
执行步骤
步骤 1: 读取AI配置
const aiConfig = readFile('data/ai-config.json');
const aiHistory = readFile('data/ai-history.json');
检查AI功能是否启用，验证数据源配置。
步骤 2: 读取用户档案
const profile = readFile('data/profile.json');
获取基础信息：年龄、性别、身高、体重、BMI等。
步骤 3: 读取健康数据
根据配置的数据源读取相关数据：
// 基础健康指标
const indexData = readFile('data/index.json');
// 生活方式数据
const fitnessData = readFile('data-example/fitness-tracker.json');
const sleepData = readFile('data-example/sleep-tracker.json');
const nutritionData = readFile('data-example/nutrition-tracker.json');
// 心理健康数据
const mentalHealthData = readFile('data-example/mental-health-tracker.json');
// 医疗历史
const medications = exists('data/medications.json') ? readFile('data/medications.json') : null;
const allergies = exists('data/allergies.json') ? readFile('data/allergies.json') : null;
步骤 4: 数据整合和预处理
整合所有数据源，进行数据清洗、时间对齐和缺失值处理。
步骤 5: 多维度分析
相关性分析: 计算睡眠↔情绪、运动↔体重、营养↔生化指标等关联
趋势分析: 使用线性回归、移动平均等方法识别趋势方向
异常检测: 使用CUSUM、Z-score算法检测异常值和变化点
步骤 6: 风险预测
基于Framingham、ADA、ACC/AHA等标准进行风险预测：
- 高血压风险（10年概率）
- 糖尿病风险（10年概率）
- 心血管疾病风险（10年概率）
- 营养缺乏风险
- 睡眠障碍风险
步骤 7: 生成个性化建议
根据分析结果生成三级建议：
- Level 1: 一般性建议（基于标准指南）
- Level 2: 参考性建议（基于个人数据）
- Level 3: 医疗建议（需医生确认，包含免责声明）
步骤 8: 生成分析报告
文本报告: 包含总体评估、风险预测、关键趋势、相关性发现、个性化建议
HTML报告: 调用 scripts/generate_ai_report.py 生成包含ECharts图表的交互式报告
步骤 9: 更新AI历史记录
记录分析结果到 data/ai-history.json
数据源
| 数据源 | 文件路径 | 数据内容 |
|---|---|---|
| 用户档案 | data/profile.json |
年龄、性别、身高、体重、BMI |
| 医疗记录 | data/index.json |
生化指标、影像检查 |
| 运动追踪 | data-example/fitness-tracker.json |
运动类型、时长、强度、MET值 |
| 睡眠追踪 | data-example/sleep-tracker.json |
睡眠时长、质量、PSQI评分 |
| 营养追踪 | data-example/nutrition-tracker.json |
饮食记录、营养素摄入、RDA达成率 |
| 心理健康 | data-example/mental-health-tracker.json |
PHQ-9、GAD-7评分 |
| 用药记录 | data/medications.json |
药物名称、剂量、用法、依从性 |
| 过敏史 | data/allergies.json |
过敏原、严重程度 |
算法说明
相关性分析
- 皮尔逊相关系数: 连续变量（如睡眠时长与情绪评分）
- 斯皮尔曼相关系数: 有序变量（如症状严重程度）
异常检测
- CUSUM算法: 时间序列变化点检测
- Z-score方法: 统计异常值检测（|z| > 2）
- IQR方法: 四分位数异常值检测
风险预测
- Framingham风险评分: 高血压、心血管疾病风险
- ADA风险评分: 2型糖尿病风险
- ASCVD计算器: 动脉粥样硬化心血管病风险
安全与合规
必须遵循
- ❌ 不给出医疗诊断
- ❌ 不给出具体用药剂量建议
- ❌ 不判断生死预后
- ❌ 不替代医生建议
- ✅ 所有分析必须标注"仅供参考"
- ✅ Level 3建议必须包含免责声明
- ✅ 高风险预测必须建议咨询医生
隐私保护
- ✅ 所有数据保持本地
- ✅ 无外部API调用
- ✅ HTML报告独立运行
相关命令
/ai analyze- AI综合分析/ai predict [risk_type]- 健康风险预测/ai chat [query]- 自然语言问答/ai report generate [type]- 生成AI健康报告/ai status- 查看AI功能状态
技术实现
工具限制
此Skill仅使用以下工具：
- Read: 读取JSON数据文件
- Grep: 搜索特定模式
- Glob: 按模式查找数据文件
- Write: 生成HTML报告和更新历史记录
性能优化
- 增量读取：仅读取指定时间范围的数据文件
- 数据缓存：避免重复读取同一文件
- 延迟计算：按需生成图表数据
