缘起＃
心血管问题最大的特点是「晚了就来不及」，而普通人每年能拿到的健康数据其实不少——问卷、体检报告——只是没人帮他们把这些数字变成一句能听懂的话。
HeartCrisis 想做的事情就一句话：把静态的健康数据，变成一次可持续追踪的风险评估。系统采用前后端分离架构，用户通过问卷录入健康数据或上传体检报告，后端自动提取指标、调用模型做风险预测，并以可视化的方式呈现。
架构与做法＃
整体链路分四层：
- 接入层：注册登录、个人健康档案管理，问卷录入与报告上传共用一套数据模型。
- 解析层：支持 PDF / 图片两种体检报告格式，自动提取检验指标；模型抽取的结果先落库为「待确认」状态，用户修正后才正式生效——这一步很关键，后面会讲为什么。
- 分析层：基于提取的指标做心脏健康风险预测，输出风险评分与多维度评估。
- 呈现层：雷达图、仪表盘展示结果；支持多次检测的历史对比，让趋势可见；另有基于大模型的健康咨询对话。
此处预留：风险评分仪表盘界面截图
体检报告解析是整个系统里最「脏」的活。不同医院的报告版式差异极大，纯规则解析覆盖不了，纯模型解析又不够稳定，最终采用的是模型抽取 + 规则校验 + 人工确认的混合方案：模型负责读，规则负责查（指标单位、参考范围、逻辑合理性），用户负责最终拍板。
踩过的坑＃
- PDF 不是文本，是版式。很多体检报告的 PDF 是扫描件，文本层要么不存在要么错位，所以图片 OCR 是绕不开的兜底路径。
- 模型会把「参考范围」当成指标值。提示词里必须显式区分「检测值 / 参考范围 / 单位」三个槽位，否则抽取结果看似合理、实则错位。
- 可视化不是越炫越好。一开始做了很多图表，后来发现用户真正反复看的只有两处：综合评分和最差的两个维度。界面最终做减法，把雷达图和仪表盘留下，其余收进详情。
结果与反思＃
系统完整跑通了「数据录入 → 智能解析 → 风险预测 → 可视化 → 追踪对比」的闭环，AI 健康咨询对话作为轻量入口串联起了整个使用流程。
回头看，这个项目给我的最大启发是：在健康这类高风险场景里，AI 的角色是「辅助阅读」，不是「替人判断」。把最终确认权交还给用户，产品的信任感反而更强。