ComfyUI插件开发完全指南：从零构建自定义扩散模型节点
2026/6/3 17:50:24
本项目是面向医院药剂科、财务科与院级管理者的药品效期治理工具，不依赖人工经验排期，也不做通用库存系统。它把药品批次看作有“生命曲线”的个体，用 Kaplan-Meier 生存分析建模效期衰减规律，再以整数规划（PuLP）求解跨科室调拨的全局最优解，最终交付两类可落地输出：终端彩色 CLI 报告（供值班药师快速响应），和带筛选器的交互式 HTML 报告（供药剂科主任周度复盘、财务科成本归因、院长办全院效期健康度监测）。核心模块全部由 Python 3.10+ 实现，依赖 lifelines 做生存拟合，pandas 清洗批次数据，Rich 渲染高可读终端界面，Chart.js 驱动 Web 可视化，所有分析逻辑封装为命令行入口，支持模拟数据生成、配置驱动运行、多格式结果导出。
定位与能力范围
我们不做全链路进销存，也不覆盖采购计划或供应商协同。系统边界明确锚定在「已有库存的效期风险识别与调拨干预」这一环节。当药房已完成入库、各科室已形成分散库存、但临近效期的批次尚未被主动调度时，本系统介入，不是告诉你“这批药还能放多久”，而是回答“这批药该优先发给哪个科室、调多少、不调会损失多少钱”。它服务三类典型角色：药剂科主任需要知道下周必须优先消耗的 Top 10 批次；财务科需将“濒临报废数量”“濒临报废价值”映射到月度成本报表；院长办则通过仪表盘中“紧急/预警/正常”三级分布占比，判断全院药品流转健康度是否持续劣化。系统不替代人工决策，但把原来靠 Excel 筛选+微信群协调的流程，变成可复现、可回溯、带量化依据的标准化动作。
核心功能
系统由四大引擎构成，彼此解耦、职责清晰：
模块 | 职责 | 关键技术点 | 输出形态 |
|---|---|---|---|
生存分析引擎 | 对同通用名、同规格的不同生产批次，拟合其效期生存函数，输出各批次剩余安全使用天数的置信区间 | Kaplan-Meier 非参数估计，lifelines 库实现 | 批次级优先级排序、效期分布直方图 |
调拨优化引擎 | 在满足科室最低库存约束、单次调拨量整数约束、总调拨成本最小化前提下，求解跨科室调拨方案 | PuLP 构建整数规划模型，目标函数含报废损失权重 | 调拨建议表格（源科室→目标科室→数量）、报废风险预测汇总 |
CLI 报告引擎 | 将分析结果结构化渲染为终端友好格式，用颜色区分风险等级，支持快速扫描关键数字 | Rich 库控制色彩、缩进与分隔线 | 彩色文本流，适配 Linux/macOS/Windows 终端 |
HTML 可视化引擎 | 生成离线可打开的交互式报告，内置图表联动与字段筛选器 | Chart.js 渲染动态图表，Jinja2 模板注入数据 | 单 HTML 文件，含效期分布图、科室热力图、调拨明细表 |
这四个模块共同构成一个闭环：从原始库存 JSON 数据出发，先判别哪些批次已进入“红色区域”，再计算如何用最少的调拨动作延缓报废，最后用两种形态把结论送到对应岗位手上。
使用与配置
所有操作均通过python -m src命令触发，无需安装包、不修改系统环境。你只需准备一份符合规范的库存数据（JSON 格式），或直接生成模拟数据上手验证：
python -m src generate-data --output data/inventory.json --seed 42运行分析时，可指定输入、输出路径与格式：
python -m src run-analysis --input data/inventory.json --format console python -m src run-analysis --input data/inventory.json --output output/report.html --format html若需长期使用，推荐复制配置模板并编辑config.yaml：
cp config.yaml.example config.yaml配置文件支持以下关键参数：
参数 | 说明 | 默认值 | 典型调整场景 |
|---|---|---|---|
threshold_days | 效期预警阈值（剩余天数 ≤ 此值即标为“预警”） | 30 | 财务科要求提前 45 天预警，则设为 45 |
critical_days | 效期紧急阈值（剩余天数 ≤ 此值即标为“紧急”，触发强提醒） | 7 | 临床急需药品可设为 3，延长响应窗口 |
output_format | 默认输出格式，可选 console / html | console | 日常巡检用 console，周报归档用 html |
random_seed | 控制模拟数据与部分随机过程可重现 | 42 | 调试阶段保持固定，确保结果一致 |
配置项不多，但每项都对应真实业务规则，比如critical_days不是技术参数，而是药房 SOP 中明文规定的“必须 7 天内完成处置”的硬性时限。
环境与运行
本地运行仅需 Python 3.10+，无 GPU 或特殊硬件依赖。我们坚持轻量部署原则：不强制 Docker，不依赖云服务，不设后台进程。整个流程是单次、离线、可审计的：
git clone <repository-url> cd pharmacy-expiry-allocator python -m venv venv source venv/bin/activate # Linux/macOS venv\Scripts\activate # Windows pip install -r requirements.txt依赖列表严格收敛：lifelines专注生存建模，PuLP保证整数规划求解稳定，pandas处理结构化数据，Rich和Chart.js分别负责两类终端的呈现质量。没有“全家桶”式框架，每个依赖都对应一个不可绕过的业务能力。项目自带bin/下的 shell/bat 脚本，一线药师双击即可运行，无需记忆命令。
数据与扩展
输入数据为标准 JSON，字段含义与医院 HIS 出库字段对齐，包含：药品通用名、规格、生产批号、有效期至、当前库存量、所属科室、入库日期等。示例见data/inventory_sample.json。字段设计遵循两个原则：一是兼容多数医院基础库存导出格式，二是剔除非效期相关冗余字段（如供应商、采购价），聚焦问题本质。
系统预留扩展接口：survival_engine.py支持替换为 Cox 比例风险模型（需补充协变量）；optimizer.py的目标函数可加入运输成本、科室调剂频次惩罚项；visualizer.py接收任意新增图表类型。所有扩展均不破坏原有 CLI/HTML 双通道输出能力。我们不预设“未来要加 AI 预测”，但确保当你真有新模型要集成时，只需改一个模块，其余部分照常工作。
限制与说明
本系统有明确的能力边界，说明文档中已如实标注：
- 不处理效期造假、标签脱落等物理异常，仅基于录入的有效期至字段运算；
- 不对接实时库存接口，数据需定期手动导入（建议每日/每周导出一次）；
- 整数规划求解在超大规模科室（>100）+超多批次（>10,000）时可能耗时增加，此时建议按药品大类分批运行；
- 生存分析依赖历史报废数据校准，首次使用建议用模拟数据跑通流程，再逐步接入真实数据。
这些不是缺陷，而是设计选择，我们优先保障中小规模医院药房在普通笔记本上 5 秒内获得可靠结论，而非追求理论上的全场景覆盖。真正的效期治理，从来不是比谁的模型更复杂，而是比谁的结论更及时、更可执行、更经得起翻查。
项目地址：
https://github.com/nexorin9/pharmacy-expiry-allocator