Emergency Manager

*用于医院紧急情况的AI代理系统*

*硕士项目2 SISE-数据科学*\ *里昂卢米埃大学2 | 2025-2026年*

关于 • 建筑 • 功能 • 技术 • 安装

______________________________________________________________________

📋 目录

• 关于
• 背景与问题
• 系统架构
• 主要特点
• 使用的技术
• 详细组件

- RAG-检索增强生成 - IA Autonome探员 - 护栏多沙发 - 医疗聊天机器人 - 监控绿色运营

• 仪表板流光灯
• 安装地点
• 项目结构
• 度量和性能
• 限制和警告
• 团队
• 许可证

______________________________________________________________________

📖 关于

应急_经理 是一个用于医院紧急情况的智能决策支持系统，作为SISE硕士学术项目的一部分开发。该系统结合了几种先进的人工智能技术，以应对紧急服务的日常挑战。

项目愿景

创建一个 助理人员IA 这使卫生专业人员（护士和医生）能够：

• 🔍 立即访问 相关医疗协议（RAG）
• 🤖 自动 一些患者流管理任务（代理）
• 🛡️ 安全 与防注射防护轨的相互作用
• 💬 自然互动 通过自然语言聊天机器人
• 📊 监视器 生态和金融影响（GreenOps/FinOps）

______________________________________________________________________

🏥 背景与问题

紧急服务面临三大挑战：

1.无效的患者分类

*“我们不能 特里尔 根据患者的需要有效地帮助他们。”*

• 不可预测的患者流动
• 不均匀重力水平（红色、黄色、绿色、灰色）
• 匆忙情况下的复杂优先级排序

2.获得医学文献的机会有限

*“在匆忙中，我们没有时间 搜索文学 回答我们的疑问。“。*

• 分散和难以访问的协议
• 没有时间查看存储库
• 需要快速、情境化的答案

3.次优物流组织

*“如果我们能有一种自动的方式 d组织者 急诊室的病人。“。*

• 候诊室的手动管理
• 工作人员分配效率低下
• 服务间运输不乐观

______________________________________________________________________

🏗️ 系统架构

该系统基于 5层模块化架构 :

flowchart TB
    subgraph UI["🖥️ Interface Utilisateur"]
        A[Dashboard Streamlit]
        B[Onglet Principal]
        C[Onglet Chatbot]
        D[Onglet Métriques]
    end

    subgraph Backend["⚙️ Backend Core"]
        E[EmergencyController]
        F[Patient/Staff/Transport Services]
        G[EmergencyState]
    end

    subgraph IA["🤖 Couche Intelligence Artificielle"]
        H[EmergencyAgent
Mistral AI]
        I[RAG Engine
FAISS + Embeddings]
        J[ChatbotEngine
+ Intent Parser]
    end

    subgraph Security["🛡️ Sécurité"]
        K[Guardrails Multi-Couches
Pattern + ML + Logic]
        L[InjectionDetector]
    end

    subgraph Monitoring["📊 Observabilité"]
        M[MetricsTracker
EcoLogits]
        N[RequestMetrics]
    end

    UI --> Backend
    Backend --> IA
    IA --> Security
    IA --> Monitoring
    H --> I
    J --> I
    I --> K
    Backend --> G

数据流

1. 用户界面 （Streamlit）→用户操作
2. 控制器 → 服务协调（患者、工作人员、运输）
3. 代理/聊天机器人 →通过RAG+Mistral进行智能分析
4. 护栏 →安全验证（LLM前/LLM后）
5. 监控 → 追踪绿色运营/金融运营

______________________________________________________________________

✨ 主要特点

🎯 智能应急管理

• 完整的状态系统 ：实时跟踪所有患者、工作人员和房间
• 模拟时间 ：自动事件管理的时间进度
• 自动优先级 ：遵守重力规则（红色>黄色>绿色>灰色）
• 运输管理 ：智能员工差旅分配

🤖 代理IA自动命名

• 自动编排 ：代理分析状态并做出决策
• 10 MCP工具 ：系统上的原子作用（添加患者、运输等）
• 集成RAG ：用医疗协议丰富决策
• 可解释性 ：每一项决定都是有计划和合理的

💬 交互式医疗聊天机器人

• 自然语言 ：法语命令（例如：“添加3名红色患者”）
• 意图解析 ：使用Regex+Mistral回退进行意向分析
• 行动的执行 ：聊天机器人可以操纵系统
• RAG背景 ：通过医疗协议丰富的答案

🛡️ 最大安全性

• 3张护栏沙发 :

1. 模式检测（40+正则表达式） 1. ML分类（快速注射训练模型） 1. 逻辑验证（医学相关性）

• 置信水平 ：如果相似性Rag\ 0.7)

1. Récupération des règles applicables
2. Validation post-retrieval (guardrails)
3. Réponse enrichie (protocole + règles)

#### 优化

- **嵌入的预计算** ：缓存中的15种常见症状
- **快速索引** : `protocoles_fast.index` 浇注模式模拟
- **标准化L2** ：保证余弦相似性
- **双模式** ：“模拟”（快速）与“聊天机器人”（活动ML）

#### RAG度量

度量|值|目标|
|----------|--------|-------|
|延迟搜索失败|0.3ms|\ List[str]:
    """Cycle de décision autonome de l'agent."""
    # 1. Analyse de l'état via RAG
    situation = self._build_situation_prompt()
    rag_response = self.rag_engine.query(situation)
    
    # 2. Décision LLM enrichie
    decision = self._call_llm(situation, rag_response)
    
    # 3. Exécution via MCP tools
    actions = self._execute_actions(decision)
    
    return actions

MCP工具可用（10个工具）

决策规则

该官员严格遵守医疗优先事项：

1. 胭脂 （紧急生命）→绝对优先
2. 新 （紧急非生命）→ 优先事项
3. 绿色等待＞360分钟 →黄色前通行证（特殊规则）
4. **绿色等待时间\seuil
5. 医学一致性 ：有效重力（红色/黄色/绿色/灰色）
6. 等待时间 ：验证业务规则
7. 资源的可用性 ：员工，可用房间

______________________________________________________________________

💬 交互式医疗聊天机器人

建筑 : chatbot/chatbot_engine.py - ChatbotEngine

组件

graph LR
    A[User Input] --> B[Guardrails]
    B --> C[Intent Parser]
    C --> D{Intent Type}
    D -->|ADD_PATIENT| E[Action Executor]
    D -->|ASK_PROTOCOL| F[RAG Engine]
    D -->|GET_STATUS| G[State Query]
    E --> H[Controller]
    F --> I[Response Builder]
    G --> I
    H --> I
    I --> J[Formatted Response]

意图分析器

方法 ：Regex First与Fallback Mistral

模式支持 :

# Ajout de patients
"ajoute Jean Dupont gravité rouge"
"ajoute 5 patients jaunes avec fièvre"
"ajoute Martin rouge pour douleur thoracique"

# Transports
"transporte P001 en consultation"
"déplace patient P002 vers Unité A"

# Questions protocoles
"quel protocole pour douleur thoracique ?"
"que faire pour un AVC suspect ?"

# État système
"quel est l'état du système ?"
"liste les patients en attente"

行动执行人

通过执行操作 EmergencyController :

class ActionExecutor:
    def execute(self, action_plan) -> List[Dict]:
        for action in action_plan.actions:
            tool_name = action["tool"]
            params = action["params"]
            result = self._execute_single(tool_name, params)
        return results

响应生成器

生成结构化响应：

@dataclass
class ChatbotResponse:
    message: str
    guardrail_status: str  # "allowed" | "blocked"
    rag_context: Optional[Dict]
    actions_executed: Optional[List]
    latency_ms: float
    intent_type: str

______________________________________________________________________

📊 监控绿色运营/金融运营

建筑 : monitoring/monitoring.py - MetricsTracker

环境指标（通过Ecologits）

# Calcul automatique par EcoLogits
response = litellm.completion(model="mistral/mistral-small-latest", ...)

# Extraction
energy_kwh = response.impacts.energy.value.min
co2_kg = response.impacts.gwp.value.min  # Mix électrique FR (55g CO2/kWh)

财务指标

米斯特拉尔AI奖 （100万美元代币）：

cost = (input_tokens / 1_000_000) * input_price + \
       (output_tokens / 1_000_000) * output_price

按组件跟踪

系统跟踪3个不同的源：

仪表板度量

实时显示：

• 总成本 （累计美元）
• 能源 （千瓦时）
• 二氧化碳 （累计千克）
• 等价物 :

- 谷歌搜索（1次搜索≈0.0003 kWh） - 60瓦安瓿分钟数

• 平均延迟 （毫秒）
• 历史 ：最后100个请求

______________________________________________________________________

🖥️ 仪表板Streamlit高级版

入口点 : emergency_dashboard_premium.py

接口结构

应用程序组织在 3个主要选项卡 :

📊 Onglet 1：仪表板负责人

英雄专区 （概述）

• 等待的危重患者人数
• IA管理下的患者数量
• 法定全球（安全/紧张/关键）
• 模拟时间

区域评论 （阿勒特斯）

• 系统警报列表
• 红色患者等待＞阈值
• 紧急情况

次要KPI

• 房间占用率
• 重力平均等待时间
• 个人可用性

详细章节

• 人员 ：每个成员国的状态（可用、占用、运输中）
• 等候室 ：容量、占用、监控
• 注意力文件 ：按优先顺序排列的患者名单
• 操作时间线 ：最近的事件

控制

• ▶️ 播放/⏸️ 暂停模拟
• ⚙️ Vitesse试剂（0.5倍→ 3x)
• ➕ 添加患者手册（红色/黄色/绿色/灰色）
• 🔄 重置系统

💬 Onglet 2:聊天机器人IA

界面对话

• 聊天历史记录（用户消息+助手）
• 输入自然命令的文本
• 显示GuardRail状态（✅ 授权/⚠️ 被阻止）
• 显示RAG上下文（使用的协议）
• 列出的已执行操作
• 请求度量（延迟、成本、CO2）

命令示例

"Ajoute 3 patients rouges avec détresse respiratoire"
"Quel est le protocole pour douleur thoracique ?"
"Transporte le patient P001 en consultation"
"Quel est l'état du système ?"
"Explique ta dernière décision"

📈 表3:LLM指标

概述

• 会议总费用（$）
• 总能量（kWh）
• 二氧化碳总量（kg）
• 平均延迟（ms）
• 请求总数

说话的等价物

• 🔍 等效的谷歌搜索
• 💡 60瓦安瓿分钟数
• 🌳 种植树木以补偿

按来源分列

• 代理：成本的X%，能源的Y%
• 聊天机器人：成本的X%，能源的Y%
• Rag：（无直接LLM）

图形历史

• Top 10最新查询
• 成本随时间的演变
• 延迟分布

设计溢价

Le仪表板使用 未来主义设计 具有：

• 颜色渐变（蓝色/紫色）
• 动画CSS（脉冲、淡入）
• 现代排版（SF Pro显示器）
• 带Glassmorphism的卡片
• 视觉上不同的KPI
• 彩色状态（红色/黄色/绿色/灰色）

______________________________________________________________________

🚀 安装地点

先决条件

安装步骤

# 1. Cloner le repository
git clone https://github.com/votre-username/emergency-manager.git
cd emergency-manager

# 2. Créer l'environnement virtuel
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# .venv\Scripts\activate   # Windows

# 3. Installer les dépendances
pip install -r requirements.txt

# 4. Configurer les variables d'environnement
cp .env.example .env
# Éditer .env et ajouter votre MISTRAL_API_KEY

配置

文件 .env :

# API Keys
MISTRAL_API_KEY=your_mistral_api_key_here

# Modèles (optionnel, valeurs par défaut)
LLM_MODEL=mistral-small-latest
EMBEDDING_MODEL=paraphrase-multilingual-MiniLM-L12-v2

# Monitoring (optionnel)
ENABLE_ECOLOGITS=true

构建公平指数

# Construire l'index vectoriel FAISS à partir des protocoles
python rag/LLM/build_index.py

Ce脚本va：

1. 充电器 data_regle/protocoles.json
2. 使用MiniLM-L12生成嵌入
3. 创建FAIS索引
4. 保存 data_regle/protocoles.index

Guardrail ML培训（可选）

# Télécharger les datasets et entraîner le modèle
python rag/LLM/train_guardrails.py

Ce脚本va：

1. 下载 deepset/prompt-injections 和 MultiJail
2. 生成安全的医学示例
3. 训练分类器HGB
4. 保存 storage/guardrail.pkl

⚠️ 备注 ：repo中提供了预训练模型。

启动应用程序

# Lancer le dashboard Streamlit
streamlit run emergency_dashboard_premium.py

L’应用程序可访问： http://localhost:8501

集成测试

# Lancer les tests de vérification
python test_integration.py

测试检查：

• ✅ 导入Python
• ✅ 结构档案
• ✅ 数据文件
• ✅ 环境变量
• ✅ 发动机RAG
• ✅ 护栏
• ✅ 代理
• ✅ 完全集成

______________________________________________________________________

📁 项目结构

emergency-manager/
│
├── 📄 README.md                              # Ce fichier
├── 📄 requirements.txt                       # Dépendances Python
├── 📄 .env.example                           # Template configuration
├── 📄 .gitignore                             # Fichiers à ignorer
│
├── 📄 emergency_dashboard_premium.py         # 🎯 POINT D'ENTRÉE - Dashboard Streamlit
├── 📄 premium_styles.py                      # Styles CSS du dashboard
├── 📄 dashboard_components.py                # Composants UI réutilisables
├── 📄 chatbot_component.py                   # Composant chatbot
├── 📄 test_integration.py                    # Tests d'intégration
│
├── 📂 rag/                                   # RAG Engine
│   ├── engine.py                            # HospitalRAGEngine (moteur principal)
│   ├── models.py                            # Modèles Pydantic (RAGResponse, Protocol, Rule)
│   ├── guardrails.py                        # Guardrails multi-couches
│   └── LLM/
│       ├── build_index.py                   # Construction index FAISS
│       ├── train_guardrails.py              # Entraînement guardrail ML
│       └── compare_models.py                # Benchmark modèles ML
│
├── 📂 mcp/                                   # Model Context Protocol
│   ├── state.py                             # Modèles d'état (EmergencyState, Patient, Staff)
│   ├── agent.py                             # EmergencyAgent autonome
│   ├── controllers/
│   │   └── emergency_controller.py          # Contrôleur principal
│   └── services/
│       ├── patient_service.py               # Service gestion patients
│       ├── staff_service.py                 # Service gestion personnel
│       └── transport_service.py             # Service gestion transports
│
├── 📂 chatbot/                               # Chatbot médical
│   ├── chatbot_engine.py                    # ChatbotEngine (orchestrateur)
│   ├── intent_parser.py                     # Parsing intentions NLP
│   ├── action_executor.py                   # Exécution actions MCP
│   └── response_builder.py                  # Construction réponses
│
├── 📂 monitoring/                            # Monitoring GreenOps/FinOps
│   ├── monitoring.py                        # MetricsTracker
│   └── rag_augmented.py                     # Wrapper LiteLLM + EcoLogits
│
├── 📂 data_regle/                            # Base de connaissances
│   ├── protocoles.json                      # ~100 protocoles médicaux
│   ├── regles.json                          # ~50 règles hospitalières
│   ├── protocoles.index                     # Index FAISS standard
│   └── protocoles_fast.index                # Index FAISS optimisé (simulation)
│
├── 📂 storage/                               # Stockage persistant
│   ├── guardrail.pkl                        # Modèle guardrail ML entraîné
│   └── logs/                                # Logs système (si activés)
│
└── 📂 docs/                                  # Documentation
    ├── img/                                 # Logo et captures
    └── notice_guardrail.md                  # Notice technique guardrails

______________________________________________________________________

📊 度量和性能

ML护栏性能

在约2400个示例的测试集上：

______________________________________________________________________

👥 团队

项目由 第3组 在 硕士2 SISE-数据科学\ 里昂卢米埃大学2 | 2024-2025学年

团队成员 :

• BUONO 罗马尼亚
• CHENIOUR Yassine
• DENA Nico
• Gordient-Piquet Miléna
• MBOOP莫斗

监督 :

• 教师 ：克洛维斯·瓦兰戈特·里尔-里科·拉科托马拉拉
• 大学 ：里昂之光2
• 编队 ：硕士2 SISE-数据科学

______________________________________________________________________

📄 许可证

本项目的开发目的是： 完全学术和教育.

使用限制

• ✅ 教育用途 ：授权用于学习和研究
• ✅ 学术用途 ：在大学环境中授权
• ❌ 商业用途 ：严格禁止
• ❌ 生产中的医疗用途 ：严格禁止
• ❌ 真实患者数据的使用 ：严格禁止

知识产权

• 代码源 ：作者财产，学术许可证
• 医疗协议 ：受SFMU（法国急诊医学学会）标准的启发
• 数据 ：合成，为模拟生成
• IA模型 ：使用Mistral AI API（商业许可证）

引用

如果您在学术背景下使用本项目，请引用：

Emergency_Manager - Système agentique IA pour les urgences hospitalières
Groupe 3, Master 2 SISE, Université Lyon 2, 2024-2025

______________________________________________________________________

📚 参考资料和资源

医疗协议和标准

• SFMU-法国急诊医学学会
• IOA-指导和接待护士（指南）
• 分类比例：红色/黄色/绿色/灰色

技术和框架

• Mistral AI文档
• 简化文档
• FAISS文件
• 句子转换
• LiteLLM文档
• 生态物流
• 派丹蒂克

数据集

• 深度注射/快速注射 -注射检测
• DAMO-NLP-SG/多监狱 -越狱多语种

出版物和文章

• 抹布： 知识密集型NLP任务的检索增强生成
• FAISS： 使用GPU进行十亿级相似性搜索
• 快速注射： 这不是你所签约的：通过间接快速注入妥协现实世界的LLM集成应用程序

______________________________________________________________________

emergency@manager-用于医院紧急情况的人工智能代理系统

*SISE硕士项目-里昂大学2*

______________________________________________________________________

*开发与❤️ 改善医院应急管理*