用途：从 MIMIC-IV 的 NOTEEVENTS、影像报告、心电图报告、出院小结等非结构化临床文本中提取诊断推理链、医嘱细节与病程记录中的诊疗逻辑，将原始医学文本转为可分析的结构化洞察。
主要能力：文本抽取（临床笔记、影像诊断文本、心电图解读、出院诊疗过程）；信息抽取（疾病、症状、药物、操作、解剖部位等实体；药物-疾病治疗关系、症状-疾病诊断关系；事件时间与疾病进展序列；否定检测如“no fever”）；临床逻辑解析（症状→检查→诊断推理链、用药与剂量调整决策依据、疾病进展与结局）；结构化输出（FHIR 兼容临床文档、知识图谱三元组、时序事件序列）。
使用方式：依赖 pandas>=1.3.0、spacy>=3.4.0、scispacy>=0.5.1、radlex、negspacy，可 pip install -r requirements.txt。Python 调用：from skills.unstructured_medical_text_miner.scripts.main import MedicalTextMiner；示例包括 load_notes(notes_path="path/to/noteevents.csv")、get_patient_texts(subject_id=10000032)、extract_insights(text=patient_texts, extract_entities=True, extract_relations=True, extract_timeline=True)。命令行可用 python -m skills.unstructured_medical_text_miner.scripts.main --input notes.csv --output extracted.json --extract all，或指定 --subject-id 10000032 --db-path mimic_iv.db --output patient_insights.json。运行前可用 python -m py_compile scripts/main.py 校验入口，并用 python scripts/main.py --help 查看参数。输入字段中 subject_id、note_type、note_text 必填，hadm_id、charttime 选填。可通过 config.yaml 配置实体类型、关系类型、否定检测、NER 模型与输出格式（json/fhir/kg）。
适用场景与限制：适合需要明确假设、限定范围、可复现输出格式的医学证据洞察任务。风险方面，代码本地执行、读写输入输出文件为中等风险，无外部 API 调用；输入路径需校验，输出限制在工作区，脚本应在沙箱运行；缺少必要输入或超出文档范围时应停止并请求补充，不得编造文件、引用、数据或执行结果。其他收费、平台与效果信息暂未提供。