4. 电子病历数据读取与解析

电子病历（EMR/EHR）数据融合的第一步，是把医院信息系统里以不同标准存储的临床文档“读进来、拆开、变成程序能处理的结构”。在医疗信息化领域，HL7 家族标准是绕不开的基础：HL7 v2 以竖线分隔的段（Segment）传递消息，CDA（Clinical Document Architecture）以 XML 承载完整临床文档，FHIR（Fast Healthcare Interoperability Resources）则用 RESTful 风格的资源（Resource）和 JSON/XML 表示数据。本节聚焦于用 Python 解析这三类格式，重点放在 XML 与 JSON 的实际读取与字段提取上。

三种标准的格式特征与解析入口

HL7 v2 消息不是 XML，而是以回车分隔段、以竖线分隔字段的文本，例如 MSH|^~\&|HIS|...，解析时通常按段名（MSH、PID、OBX 等）和字段序号定位。CDA 是严格的 XML 文档，根元素为 ClinicalDocument，通过命名空间和层级结构组织 recordTarget、component/structuredBody 等节点。FHIR 资源既可以是 JSON 也可以是 XML，一个 Patient 资源在 JSON 中表现为带 resourceType 的对象，在 XML 中则表现为同名根元素。理解“分隔文本 / XML 树 / JSON 对象”这三种数据形态，是选择解析工具的前提。

用 Python 解析 HL7 v2 消息

HL7 v2 消息的解析核心是“先分段、再分字段”。下面示例假设一条 ADT 消息，包含患者标识与一个检验结果段。示例数据为教学构造，非真实患者数据。

raw = "MSH|^~\\&|HIS|HOSP|EMR|LAB|202405101200||ADT^A01|MSG0001|P|2.5\r" \
      "PID|1||P2024001^^^HOSP^MR||张三||19850312|M\r" \
      "OBX|1|NM|GLU^血糖^L||6.8|mmol/L|3.9-6.1|H|||F"

segments = [s for s in raw.split("\r") if s]
msg = {}
for seg in segments:
    fields = seg.split("|")
    msg[fields[0]] = fields

pid = msg["PID"]
patient_id = pid[3].split("^")[0]      # P2024001
name = pid[5]                          # 张三
gender = pid[8]                        # M

obx = msg["OBX"]
code = obx[3].split("^")[0]            # GLU
value = float(obx[5])                  # 6.8
unit = obx[6]                          # mmol/L
flag = obx[8]                          # H（偏高）

这里的关键判断是：PID-3 是复合字段，用 ^ 再拆分才能拿到患者 ID；OBX-8 的 H 表示结果高于参考范围，是后续质控与告警的重要信号。若字段缺失，应保留 None 而不是抛异常，避免一条脏数据中断整批解析。

用 ElementTree 解析 CDA 文档

CDA 是 XML，解析时先注册命名空间，再用 XPath 或逐层遍历定位节点。以下示例从 CDA 中提取患者姓名与一条检验结果，示例文档为教学构造。

import xml.etree.ElementTree as ET

tree = ET.parse("cda_sample.xml")
root = tree.getroot()
ns = {"cda": "urn:hl7-org:v3"}

# 患者姓名
name_el = root.find(".//cda:recordTarget/cda:patientRole/"
                    "cda:patient/cda:name/cda:given", ns)
patient_name = name_el.text if name_el is not None else None

# 检验结果：遍历 observation 节点
results = []
for obs in root.findall(".//cda:observation", ns):
    code_el = obs.find("cda:code", ns)
    value_el = obs.find("cda:value", ns)
    if code_el is not None and value_el is not None:
        results.append({
            "code": code_el.get("code"),
            "display": code_el.get("displayName"),
            "value": value_el.get("value"),
            "unit": value_el.get("unit"),
        })

CDA 的坑主要在命名空间：不注册 urn:hl7-org:v3，find 会返回空。另外，value 常以属性形式携带数值和单位，而不是文本节点，需要读 get("value") 与 get("unit")。若文档较大，建议用 lxml 的 iterparse 流式处理，降低内存占用。

用 json 模块解析 FHIR 资源

FHIR 的 JSON 资源结构清晰，解析时先看 resourceType，再按资源定义取字段。下面示例解析一个 Patient 和一个 Observation。

import json

with open("fhir_bundle.json", encoding="utf-8") as f:
    bundle = json.load(f)

for entry in bundle.get("entry", []):
    res = entry["resource"]
    rtype = res["resourceType"]

    if rtype == "Patient":
        pid = res["id"]
        name = res["name"][0].get("text") or \
               "".join(res["name"][0].get("given", []))
        gender = res.get("gender")
        birth = res.get("birthDate")

    elif rtype == "Observation":
        code = res["code"]["coding"][0]["code"]
        value = res.get("valueQuantity", {}).get("value")
        unit = res.get("valueQuantity", {}).get("unit")
        effective = res.get("effectiveDateTime")

FHIR 的字段多为可选，取值时用 .get() 并给默认值，能显著减少 KeyError。若需要严格校验，可引入 fhir.resources 库，把字典实例化为 Patient、Observation 对象，让模型层帮忙检查必填字段与类型。

解析结果的统一与异常处理

三种格式解析完后，应映射到同一套内部字段，例如 patient_id、name、gender、birth_date、observation_code、value、unit、effective_time。映射时注意单位换算（如 mg/dL 与 mmol/L）和时间格式统一（ISO 8601）。异常处理建议分三层：文件读取失败、格式解析失败、字段缺失。前两层记录日志并跳过当前文档，第三层用默认值填充并标记数据质量，供后续融合阶段参考。