無料GitHub で公開

ai-analyzer

AI驱动的综合健康分析系统，整合多维度健康数据、识别异常模式、预测健康风险、提供个性化建议。支持智能问答和AI健康报告生成。

FreedomIntelligence/OpenClaw-Medical-Skills

インストール方法を見る

含まれるファイル（1）

SKILL.md7.2 KB

SKILL.md（原文）

インストールする前に、エージェントに与えられる指示の中身を確認できます。

AI健康分析器

基于AI技术的综合健康分析系统，提供智能健康洞察、风险预测和个性化建议。

核心功能

1. 智能健康分析

多维度数据整合: 整合基础指标、生活方式、心理健康、医疗历史等4类数据源
异常模式识别: 使用CUSUM、Z-score等算法检测异常值和变化点
相关性分析: 计算不同健康指标之间的相关性（皮尔逊、斯皮尔曼）
趋势预测: 基于历史数据进行趋势分析和预测

2. 健康风险预测

高血压风险: 基于Framingham风险评分模型
糖尿病风险: 基于ADA糖尿病风险评分标准
心血管疾病风险: 基于ACC/AHA ASCVD指南
营养缺乏风险: 基于RDA达成率和饮食模式分析
睡眠障碍风险: 基于PSQI和睡眠模式分析

3. 个性化建议引擎

基础个性化: 基于年龄、性别、BMI、活动水平等静态档案
建议分级: Level 1（一般性）、Level 2（参考性）、Level 3（医疗建议）
循证依据: 基于医学指南和循证医学证据
可操作性: 提供具体、可行的改进建议

4. 自然语言交互

智能问答: 支持健康数据查询、趋势分析、相关性查询等
上下文理解: 维护对话历史，支持多轮对话
意图识别: 识别用户查询意图，提供精准回复

5. AI健康报告生成

综合报告: 包含所有维度健康数据、AI洞察、风险评估
快速摘要: 关键指标概览、异常警示、主要建议
风险评估报告: 各类疾病风险、风险因素分析、预防措施
趋势分析报告: 多维度趋势、变化点识别、预测分析
HTML交互式报告: ECharts图表、Tailwind CSS样式

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:

✅ "AI分析我的健康状况"
✅ "我的健康有什么风险？"
✅ "生成AI健康报告"
✅ "AI分析所有数据"

风险预测:

✅ "预测我的高血压风险"
✅ "我有糖尿病风险吗？"
✅ "评估我的心血管风险"
✅ "AI预测健康风险"

智能问答:

✅ "我的睡眠怎么样？"
✅ "运动对我的健康有什么影响？"
✅ "我应该如何改善健康状况？"
✅ "AI健康助手问答"

报告生成:

✅ "生成AI健康报告"
✅ "创建综合分析报告"
✅ "AI风险评估报告"

执行步骤

步骤 1: 读取AI配置

const aiConfig = readFile('data/ai-config.json');
const aiHistory = readFile('data/ai-history.json');

检查AI功能是否启用，验证数据源配置。

步骤 2: 读取用户档案

const profile = readFile('data/profile.json');

获取基础信息：年龄、性别、身高、体重、BMI等。

步骤 3: 读取健康数据

根据配置的数据源读取相关数据：

// 基础健康指标
const indexData = readFile('data/index.json');

// 生活方式数据
const fitnessData = readFile('data-example/fitness-tracker.json');
const sleepData = readFile('data-example/sleep-tracker.json');
const nutritionData = readFile('data-example/nutrition-tracker.json');

// 心理健康数据
const mentalHealthData = readFile('data-example/mental-health-tracker.json');

// 医疗历史
const medications = exists('data/medications.json') ? readFile('data/medications.json') : null;
const allergies = exists('data/allergies.json') ? readFile('data/allergies.json') : null;

步骤 4: 数据整合和预处理

整合所有数据源，进行数据清洗、时间对齐和缺失值处理。

步骤 5: 多维度分析

相关性分析: 计算睡眠↔情绪、运动↔体重、营养↔生化指标等关联

趋势分析: 使用线性回归、移动平均等方法识别趋势方向

异常检测: 使用CUSUM、Z-score算法检测异常值和变化点

步骤 6: 风险预测

基于Framingham、ADA、ACC/AHA等标准进行风险预测：

高血压风险（10年概率）
糖尿病风险（10年概率）
心血管疾病风险（10年概率）
营养缺乏风险
睡眠障碍风险

步骤 7: 生成个性化建议

根据分析结果生成三级建议：

Level 1: 一般性建议（基于标准指南）
Level 2: 参考性建议（基于个人数据）
Level 3: 医疗建议（需医生确认，包含免责声明）

步骤 8: 生成分析报告

文本报告: 包含总体评估、风险预测、关键趋势、相关性发现、个性化建议

HTML报告: 调用 scripts/generate_ai_report.py 生成包含ECharts图表的交互式报告

步骤 9: 更新AI历史记录

记录分析结果到 data/ai-history.json

数据源

数据源	文件路径	数据内容
用户档案	`data/profile.json`	年龄、性别、身高、体重、BMI
医疗记录	`data/index.json`	生化指标、影像检查
运动追踪	`data-example/fitness-tracker.json`	运动类型、时长、强度、MET值
睡眠追踪	`data-example/sleep-tracker.json`	睡眠时长、质量、PSQI评分
营养追踪	`data-example/nutrition-tracker.json`	饮食记录、营养素摄入、RDA达成率
心理健康	`data-example/mental-health-tracker.json`	PHQ-9、GAD-7评分
用药记录	`data/medications.json`	药物名称、剂量、用法、依从性
过敏史	`data/allergies.json`	过敏原、严重程度

算法说明

异常检测

CUSUM算法: 时间序列变化点检测
Z-score方法: 统计异常值检测（|z| > 2）
IQR方法: 四分位数异常值检测

风险预测

Framingham风险评分: 高血压、心血管疾病风险
ADA风险评分: 2型糖尿病风险
ASCVD计算器: 动脉粥样硬化心血管病风险

安全与合规

必须遵循

❌ 不给出医疗诊断
❌ 不给出具体用药剂量建议
❌ 不判断生死预后
❌ 不替代医生建议
✅ 所有分析必须标注"仅供参考"
✅ Level 3建议必须包含免责声明
✅ 高风险预测必须建议咨询医生

隐私保护

✅ 所有数据保持本地
✅ 无外部API调用
✅ HTML报告独立运行

技术实现

工具限制

此Skill仅使用以下工具：

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报告和更新历史记录

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

レビュー

まだレビューはありません。使ってみた感想をお寄せください。

ログインしてレビューを書く

同じリポジトリのスキル

概要と使いどころ

adaptyv

無料

Cloud laboratory platform for automated protein testing and validation. Use when designing proteins and needing experimental validation including binding assays, expression testing, thermostability measurements, enzyme activity assays, or protein sequence optimization. Also use for submitting experiments via API, tracking experiment status, downloading results, optimizing protein sequences for better expression using computational tools (NetSolP, SoluProt, SolubleMPNN, ESM), or managing protein design workflows with wet-lab validation.

日本語の概要は準備中です。原文の説明を表示しています。