# RH Skills：将临床指南转化为可计算规则的智能工作流工具集
> 一个面向临床信息学家的代理工作流工具集，通过AI推理将原始临床资料转化为确定性的可计算规则，支持直接嵌入EHR、质量项目和临床决策支持系统。
- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-16T14:15:23.000Z
- 最近活动: 2026-04-16T15:05:29.232Z
- 热度: 163.2
- 关键词: 医疗信息化, 临床指南, 可计算规则, FHIR, 临床决策支持, EHR集成, 医疗质量, AI工作流, 术语标准化, SNOMED CT
- 页面链接: https://www.zingnex.cn/forum/thread/rh-skills
- Canonical: https://www.zingnex.cn/forum/thread/rh-skills
- Markdown 来源: ingested_event
---
# RH Skills：将临床指南转化为可计算规则的智能工作流工具集
在医疗健康领域，一个长期存在的挑战是：研究发现平均需要17年才能转化为常规临床实践，而即使已发布的临床指南也因叙事性文本与可执行逻辑之间的差距而经常被不一致地应用。RH Skills项目正是为解决这一问题而生，它是一个面向临床信息学家的代理工作流工具集，能够将原始临床资料转化为确定性的、可计算的医疗规则。
## 项目背景与核心问题
临床证据转化为实践的过程存在严重滞后。根据《皇家医学会杂志》的研究，这种转化延迟平均长达17年。即使指南最终发布，叙事性的文本描述与可在医疗信息系统中实现的计算逻辑之间存在巨大鸿沟，导致指南在实际应用中被不一致地执行。
可计算规则（Computable Rules）能够弥合这一差距：一旦被编码，指南可以在每次患者就诊、每次医疗接触中一致地触发执行——减少诊断错误、防止有害的药物相互作用，并在不依赖个别临床医生记忆的情况下提高对最佳实践的依从性。
RH Skills正是专注于将指南、质量指标、评估工具、临床逻辑和事先授权政策转化为可计算的确定性逻辑。
## 核心功能与技术架构
RH Skills框架引导临床知识通过三个层次的工件（Artifact）进行转化：
### 三层工件模型
```
PDF, DOCX, HTML, XLSX, ... (L1 原始 — 任意格式)
│
│ 摄取 + 规范化
▼
Markdown (L1 规范化)
│
│ 提取 ┌─────────────────────────┐
├────────▶│ 结构化工件 │ (L2)
├────────▶│ 结构化工件 │ (L2)
└────────▶│ 结构化工件 │ (L2)
└───────┬───────────┬─────┘
│ │
│ 形式化 │
▼ ▼
┌────────────────────────┐
│ 可计算工件 │ (L3)
│ (FHIR兼容) │
└────────────────────────┘
```
| 层次 | 格式 | 描述 |
|------|------|------|
| **L1 (原始)** | 任意 | 原始源文件 — PDF、Word文档、网页、电子表格 |
| **L1 (规范化)** | Markdown | 转换为统一Markdown格式以便下游处理 |
| **L2** | YAML | 结构化 — 离散的临床标准、编码概念 |
| **L3** | YAML | 可计算 — 路径、指标、值集（FHIR兼容） |
原始文件首先被摄取并规范化为Markdown（L1），然后进行提取。关系是多对多的：一个L1源可以产生多个L2工件；多个L2工件可以汇聚成单个L3。
## 技术实现细节
### 摄取与规范化流程
系统支持多种输入格式的自动处理：
- **PDF文档**：提取文本内容并保留结构信息
- **Word文档**：解析DOCX格式，处理表格和列表
- **网页内容**：抓取HTML并清理为可处理的文本
- **电子表格**：处理XLSX中的结构化数据
所有输入最终统一转换为Markdown格式，确保下游处理的一致性。
### 结构化提取（L2）
使用AI推理从规范化文本中提取结构化的临床信息：
- 识别临床标准和条件
- 提取编码概念（如SNOMED CT、LOINC、ICD-10-CM、RxNorm）
- 构建逻辑关系和依赖
- 生成YAML格式的结构化工件
### 可计算形式化（L3）
将结构化工件转化为FHIR兼容的可计算规则：
- 临床路径（Clinical Pathways）
- 质量指标（Quality Measures）
- 值集定义（Value Sets）
- 决策支持规则
这些L3工件可以直接嵌入EHR系统、质量监控平台和临床决策支持系统。
## 使用模式
RH Skills支持两种主要使用模式：
### CLI优先模式
用户直接调用`rh-skills`命令，可使用任何LLM提供商（包括本地模型）。
**适用场景**：
- 需要完全控制处理流程
- CI/CD集成
- 使用自有模型
**配置示例**：
```toml
# .rh-skills.toml
[llm]
provider = "ollama"
[paths]
repo_root = "/path/to/repo"
```
### 代理原生模式
用户的AI代理（Copilot、Claude、Gemini）读取RH Skills并代表用户调用`rh-skills`。
**适用场景**：
- 对话式用户体验
- 临床团队使用
- 与现有AI工作流集成
**安装到项目**：
```bash
# 首次设置 — 提示选择支持的代理
rh-skills skills init
# 检查漂移（文件修改或缺失）
rh-skills skills check
# 升级后重新安装/更新
rh-skills skills update
```
## 术语服务集成
RH Skills使用**ReasonHub MCP**服务提供术语支持，包括代码系统搜索、值集扩展和代码验证。
**支持的代码系统**：
- SNOMED CT：临床术语标准
- LOINC：实验室观察标识符
- ICD-10-CM：疾病分类
- RxNorm：药物标准化命名
- UCUM：计量单位统一代码
**设置步骤**：
1. 在注册
2. 从仪表板获取API密钥
3. 将MCP服务器添加到代理配置
## 安装与部署
### 快速安装
使用pipx进行一键CLI安装：
```bash
pipx install git+https://github.com/reason-healthcare/rh-skills.git
```
验证安装：
```bash
rh-skills --help
```
### 前提条件
- Python 3.13+
- pipx
- LLM提供商（仅CLI优先模式需要）
### 平台支持
| 平台 | 安装位置 |
|------|----------|
| 通用 (Copilot等) | `.agents/skills//` |
| Claude | `.claude/commands/.md` |
| Cursor | `.cursor/rules/.mdc` |
| Gemini | `.gemini/.md` |
## 实际应用价值
### 缩短证据到实践的时间
通过自动化将临床指南转化为可计算规则，RH Skills显著缩短了从研究发布到临床实施的时间窗口。
### 提高指南执行一致性
可计算规则确保指南在每个患者、每次就诊、每个系统中一致触发，消除了人为记忆和判断的差异。
### 减少医疗错误
- 自动检查药物相互作用
- 提醒遗漏的诊断检查
- 确保遵循最佳实践
### 支持质量改进项目
将质量指标转化为可计算形式，实现：
- 自动化的质量监控
- 实时性能反馈
- 基于数据的改进决策
## 文档与学习资源
项目提供全面的文档支持：
- **入门指南**：前提条件、安装和首次实践演练
- **工作流文档**：生命周期模型、工件流程和仓库结构
- **使用模式**：CLI优先与代理原生使用的详细对比和配置指导
- **命令参考**：完整的CLI参考，包含命令、子命令和选项
- **示例项目**：展示预期项目布局和工件的示例仓库
## 开源与社区
RH Skills采用开源模式，欢迎社区贡献。开发者文档（DEVELOPER.md）提供了贡献者设置、开发工作流和框架实现指导。
项目使用GitHub Actions进行持续集成，确保代码质量和稳定性。
## 总结
RH Skills代表了医疗AI应用的一个重要方向：不是替代临床医生，而是将临床知识转化为可执行的形式，支持更好的医疗决策。通过将叙事性指南转化为确定性的计算规则，它解决了医疗领域长期存在的信息转化滞后问题。
对于临床信息学家、医疗IT专业人员和希望改进临床质量的研究人员来说，RH Skills提供了一个强大的工具集，能够加速证据向实践的转化，最终改善患者护理质量。