health-trend-analyzer

健康趋势分析器

分析一段时间内健康数据的趋势和模式，识别变化、相关性，并提供数据驱动的健康洞察。

核心功能

1. 多维度趋势分析

• 体重/BMI 趋势：追踪体重和BMI随时间的变化，评估健康趋势
• 症状模式：识别反复出现的症状、频率变化、潜在诱因
• 药物依从性：分析用药规律，识别漏服模式和改善空间
• 化验结果趋势：追踪生化指标变化（胆固醇、血糖、血压等）
• 情绪与睡眠：关联情绪状态与睡眠质量，识别心理健康趋势

2. 相关性分析引擎

• 药物-症状相关性：识别新药物是否与症状变化相关
• 生活方式影响：关联饮食/睡眠与症状和情绪
• 治疗效果评估：衡量治疗是否导致改善
• 周期-症状相关性：女性健康追踪中的周期相关性

3. 变化检测

• 显著变化：警告快速体重变化、新症状、药物变化
• 恶化模式：早期识别健康状况下降
• 改善识别：强调积极的健康变化
• 阈值警报：接近危险水平时警告（辐射、BMI极值）

4. 预测性洞察

• 风险评估：基于趋势识别风险因素
• 预防建议：基于模式建议预防措施
• 早期预警：在问题变得严重之前预测

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：

• ✅ "过去一段时间我的健康有什么变化？"
• ✅ "分析我的健康趋势"
• ✅ "我的身体状况有什么变化？"
• ✅ "健康状况总结"

具体维度：

• ✅ "我的体重/BMI有什么趋势？"
• ✅ "分析我的症状模式"
• ✅ "我的用药依从性怎么样？"
• ✅ "我的化验指标有什么变化？"
• ✅ "我的情绪和睡眠趋势"

相关性分析：

• ✅ "我的症状和什么相关？"
• ✅ "我的药物有效吗？"
• ✅ "睡眠和我的情绪有什么关系？"

时间范围：

• 默认分析过去3个月的数据
• 支持："过去1个月"、"过去6个月"、"过去1年"
• 支持："2025年1月至今"、"最近90天"

执行步骤

步骤 1：确定分析时间范围

从用户输入中提取时间范围，或使用默认值（3个月）。

步骤 2：读取健康数据

读取以下数据源：

// 1. 个人档案（BMI、体重）
const profile = readFile('data/profile.json');

// 2. 症状记录
const symptomFiles = glob('data/symptoms/**/*.json');
const symptoms = readAllJson(symptomFiles);

// 3. 情绪记录
const moodFiles = glob('data/mood/**/*.json');
const moods = readAllJson(moodFiles);

// 4. 饮食记录
const dietFiles = glob('data/diet/**/*.json');
const diets = readAllJson(dietFiles);

// 5. 用药日志
const medicationLogs = glob('data/medication-logs/**/*.json');

// 6. 女性健康数据（如适用）
const cycleData = readFile('data/cycle-tracker.json');
const pregnancyData = readFile('data/pregnancy-tracker.json');
const menopauseData = readFile('data/menopause-tracker.json');

// 7. 过敏史
const allergies = readFile('data/allergies.json');

// 8. 辐射记录
const radiation = readFile('data/radiation-records.json');

步骤 3：数据过滤

根据时间范围过滤数据：

function filterByDate(data, startDate, endDate) {
  return data.filter(item => {
    const itemDate = new Date(item.date || item.created_at);
    return itemDate >= startDate && itemDate <= endDate;
  });
}

步骤 4：趋势分析

对每个数据维度进行趋势分析：

4.1 体重/BMI 趋势

• 提取历史体重数据
• 计算BMI变化
• 识别趋势方向（上升/下降/稳定）
• 评估变化幅度

4.2 症状模式

• 统计症状频率
• 识别高频症状
• 分析症状时间模式
• 检测症状诱因

4.3 药物依从性

• 计算总体依从率
• 分析各药物依从性
• 识别漏服模式
• 评估改善建议

4.4 化验结果

• 追踪多次报告中的生化指标
• 与参考范围对比
• 识别改善/恶化
• 标记异常指标

4.5 情绪与睡眠

• 关联情绪评分与睡眠时长
• 识别情绪波动模式
• 检测压力水平
• 评估心理健康趋势

步骤 5：相关性分析

使用统计方法识别相关性：

// 皮尔逊相关系数
function pearsonCorrelation(x, y) {
  // 计算相关系数
  // 返回值范围：-1（负相关）到 1（正相关）
}

// 应用场景
- 药物开始日期 vs 症状频率
- 睡眠时长 vs 情绪评分
- 体重变化 vs 饮食记录
- 运动量 vs 情绪状态

步骤 6：变化检测

识别显著变化：

// 变化点检测
function detectChangePoints(timeSeries) {
  // 使用统计方法检测显著变化点
  // 例如：体重突然下降、症状突然增加
}

// 阈值警报
function checkThresholds(value, thresholds) {
  // 检查是否接近或超过危险阈值
  // 例如：BMI > 30、辐射剂量 > 安全限
}

步骤 7：生成洞察

基于分析结果生成预测性洞察：

// 风险评估
function assessRisks(trends) {
  // 识别高风险趋势
  // 例如：快速体重下降、频繁症状
}

// 预防建议
function generateRecommendations(trends, correlations) {
  // 基于模式建议预防措施
  // 例如：改善睡眠、提高用药依从性
}

// 早期预警
function earlyWarnings(trends) {
  // 在问题变得严重之前预测
  // 例如：症状频率上升、情绪持续低落
}

步骤 8：生成可视化报告

生成交互式HTML报告：

1. 数据汇总：生成JSON格式的分析结果
2. HTML模板渲染：将数据注入HTML模板
3. ECharts图表配置：配置6种交互式图表
4. 保存文件：保存为独立HTML文件

详细输出格式参见：数据源说明

输出格式

文本报告（简洁版）

健康趋势分析报告
━━━━━━━━━━━━━━━━━━━━━━━━━━
生成时间: 2025-12-31
分析周期: 过去3个月 (2025-10-01 至 2025-12-31)

📊 总体评估
━━━━━━━━━━━━━━━━━━━━━━━━━━
改善中: 体重管理、胆固醇水平
稳定: 血糖控制、情绪状态
需关注: 用药依从性、睡眠质量

📊 体重/BMI 趋势
├─ 当前体重: 68.5 kg
├─ 当前 BMI: 23.1（正常范围）
├─ 3个月变化: -2.3 kg（-3.2%）
├─ 趋势: 📉 逐渐减重
└─ 评估: ✅ 积极趋势，在健康范围内

💊 药物依从性
├─ 当前药物: 3种
├─ 总体依从率: 78%
├─ 漏服次数: 8次
├─ 最好: 阿司匹林 (95%)
└─ 需改进: 氨氯地平 (65%)

⚠️ 症状模式
├─ 最频繁: 头痛（过去3个月 12次）
├─ 趋势: 📉 频率下降（较上期减少4次）
├─ 潜在诱因: 与睡眠质量识别出中等相关（r=0.62）
└─ 建议: 继续改善睡眠模式

🧪 化验结果趋势
├─ 胆固醇: 240 → 210 mg/dL（改善 ✅）
├─ 血糖: 5.6 → 5.4 mmol/L（稳定）
├─ 上次检查: 30天前
└─ 建议: 3个月后复查

😊 情绪与睡眠
├─ 平均情绪评分: 6.8/10
├─ 平均睡眠时长: 6.5小时
├─ 趋势: 情绪稳定，睡眠略有改善
└─ 相关性: 睡眠时长与情绪评分强相关（r=0.78）

🔗 相关性分析
━━━━━━━━━━━━━━━━━━━━━━━━━━
• 睡眠时长 ↔ 情绪评分: 强正相关 (r=0.78)
• 体重变化 ↔ 饮食记录: 中等相关 (r=0.55)
• 用药依从性 ↔ 症状频率: 中等负相关 (r=-0.62)

💡 风险评估与建议
━━━━━━━━━━━━━━━━━━━━━━━━━━

🟢 继续保持
• 当前体重管理方法有效
• 胆固醇水平改善明显

🟡 需要关注
• 提高氨氯地平依从性（设置提醒）
• 增加睡眠时长至7-8小时

📅 复查计划
• 3个月后复查血脂四项
• 1个月后评估用药依从性改善

━━━━━━━━━━━━━━━━━━━━━━━━━━
⚠️ 免责声明
本分析仅供参考，不替代专业医疗诊断。
请咨询医生获取专业建议。

HTML可视化报告（完整版）

生成包含ECharts交互式图表的独立HTML文件，包含：

1. 总体评估卡片：关键指标一目了然
2. 体重/BMI趋势图：双Y轴折线图（体重 + BMI）
3. 症状频率图：颜色编码的柱状图（高频红/中频黄/低频绿）
4. 药物依从性仪表盘：总体依从率 + 各药物详情
5. 化验结果趋势图：多系列折线图 + 参考线
6. 相关性热图：热力图展示变量间相关性
7. 情绪与睡眠面积图：双Y轴面积图

HTML文件特点：

• ✅ 完全独立（所有依赖通过CDN）
• ✅ 交互式图表（缩放、导出、图例切换）
• ✅ 响应式设计（移动端适配）
• ✅ 可打印（打印优化样式）
• ✅ 可分享（发送给医生）

数据源

主要数据源

数据源	文件路径	数据内容
个人档案	data/profile.json	体重、身高、BMI历史
症状记录	data/symptoms/**/*.json	症状名称、严重程度、持续时间
情绪记录	data/mood/**/*.json	情绪评分、睡眠质量、压力水平
饮食记录	data/diet/**/*.json	餐次、食物、卡路里、营养素
用药日志	data/medication-logs/**/*.json	用药时间、依从性记录
化验结果	data/medical_records/**/*.json	生化指标、参考范围

辅助数据源

数据源	文件路径	数据内容
女性周期	data/cycle-tracker.json	周期长度、症状记录
孕期追踪	data/pregnancy-tracker.json	孕周、体重、检查记录
更年期	data/menopause-tracker.json	症状、HRT使用
过敏史	data/allergies.json	过敏原、严重程度
辐射记录	data/radiation-records.json	累积辐射剂量

详细数据结构说明请参考：data-sources.md

分析算法

时间序列分析

• 趋势检测（线性回归）
• 季节性分析
• 异常值检测

相关性分析

• 皮尔逊相关系数（连续变量）
• 斯皮尔曼相关系数（有序变量）
• 交叉相关分析（时间序列）

变化点检测

• CUSUM算法
• 滑动窗口t检验
• 贝叶斯变化点检测

统计指标

• 均值、中位数、标准差
• 百分位数（25%, 50%, 75%）
• 变化率（环比、同比）

详细算法说明请参考：algorithms.md

安全与隐私

必须遵循

• ❌ 不给出医疗诊断
• ❌ 不给出具体用药建议
• ❌ 不判断生死预后
• ❌ 标注免责声明（仅供参考）

信息准确度

• ✅ 仅基于已记录的数据进行分析
• ✅ 不推测或推断缺失信息
• ✅ 明确标注数据来源和时间范围
• ✅ 建议应由医疗专业人员审查

隐私保护

• ✅ 所有数据保持本地
• ✅ 无外部API调用
• ✅ 分析结果仅保存在本地
• ✅ HTML报告独立运行（无数据传输）

错误处理

数据缺失

• 无数据：输出"暂无数据，建议先记录[数据类型]"
• 数据不足：输出"数据不足（需要至少1个月数据才能进行趋势分析）"
• 数据范围窄：使用现有数据，提示"建议延长记录时间以获得更准确的趋势"

分析失败

• 无法计算趋势：输出"无法计算趋势，数据点不足"
• 相关性分析失败：输出"相关性分析需要更多数据"
• 图表渲染失败：降级为文本报告

使用示例

示例 1：一般健康趋势

用户："过去3个月我的健康有什么变化？" 输出：生成完整的HTML报告，包含所有维度的趋势分析

示例 2：症状分析

用户："分析我的症状模式" 输出：重点分析症状频率、诱因、趋势

示例 3：体重趋势

用户："我的体重有什么趋势？" 输出：重点分析体重/BMI变化、与饮食/运动的相关性

示例 4：药物有效性

用户："我的降压药有效吗？" 输出：关联药物开始日期与血压读数、症状改善

更多完整示例请参考：examples.md

相关命令

• /symptom：记录症状
• /mood：记录情绪
• /diet：记录饮食
• /medication：管理药物和用药记录
• /query：查询特定数据点

技术实现

工具限制

此Skill仅使用以下工具（无需额外权限）：

• 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（保存到data/health-reports/）

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

扩展性

• 支持添加新的数据维度
• 支持自定义图表类型
• 支持自定义分析算法