医院运营分析难的不是报表本身，而是门诊、住院、药品、医生、科室等多源数据口径不一，清洗、整合和统计链路长，分析成本很高。

这篇案例介绍一种更轻量的 AI 工作流做法：不写代码、不写 SQL，直接在本地完成千万量级医院多源数据的整理与分析。

核心技术可以分成两部分：

• 清洗技术 ：日期标准化、金额转数值、空值填补、科室编码归一化、字段派生、明细粒度保留。
• 统计技术 ：分组汇总、多表关联、全量合并、占比计算、人均指标计算、TopN 排名、月度趋势分析。

通过提示词配置好AI工作流，可以生成统计结果表与可视化大盘，如下图：

接下来，我们就用一个典型业务场景，来完整演示这个过程：医院运营分析（门诊表 + 住院表 + 药品表 + 医生表 + 科室表）

 

一、案例需求分析

这个案例的重点，是把门诊、住院、药品、医生、科室等多源数据统一整理后，再完成医院运营分析所需的汇总、关联和统计，最终输出可直接用于经营判断的结果表。

1、最终输出哪些结果表

完成门诊、住院、药品、医生和科室数据的清洗、汇总和关联后，这个案例最终会产出 6 张重点结果表：

• 科室收入统计表 ：统计各科室的总收入、门诊人次、住院人次和人均产值，用来观察各科室的收入规模与产出水平。
• 科室运营指标表 ：统计药占比、平均住院天数、平均住院费用、平均门诊费用、床位周转率、医生人数等指标，用来分析科室运营效率。
• 科室门诊量 Top5 医生表 ：按科室筛选门诊量排名前 5 的医生，展示姓名、职称、门诊人次和门诊收入，用来识别重点医生资源分布。
• 药品使用量 Top50 表 ：统计药品的总使用量、总金额和使用科室分布，用来分析重点药品的消耗情况和科室使用结构。
• 月度运营趋势表 ：按月份统计门诊量、住院量以及相关收入指标，用来观察医院整体运营变化趋势。

2、业务数据涉及哪些源表

 源表 指的是直接承接原始业务数据的基础表。它们不是最终分析结果表，而是后续做数据清洗、字段统一、表间关联和统计汇总的起点。

这次案例一共涉及 5 张核心源表：

• 门诊记录表 ：记录门诊号、患者 ID、科室代码、医生工号、就诊日期、挂号费、检查费、药费等信息，是门诊量、门诊收入和门诊费用分析的基础来源。
• 住院记录表 ：记录住院号、患者 ID、科室代码、主治医生工号、入院日期、出院日期、住院天数、总费用等信息，是住院量、住院收入、住院天数和住院费用分析的核心来源。
• 药品处方表 ：记录处方号、门诊号/住院号、药品编码、药品名称、数量、单价、金额、开方日期等信息，用来补充药品使用明细，支撑药品消耗、药品金额和药占比分析。
• 医生信息表 ：记录医生工号、姓名、科室代码、科室名称、职称、入职日期等信息，用来补充医生维度数据，支撑医生人数、职称分布和科室医生资源分析。
• 科室信息表 ：记录科室代码、科室名称、科室类型、楼层、床位数等信息，用来补充科室基础属性，支撑科室收入、床位周转率和运营效率分析。

这 5 张源表共同构成了医院运营分析的数据基础，整体数据量达到千万级，需要先完成标准化清洗和口径统一，再进行后续统计分析。

3、这次主要做了哪些清洗

数据清洗，指的是把原始业务数据中格式不统一、无法直接计算、不能直接关联的内容先整理成统一标准的数据，例如统一日期格式、处理金额字段、规范编码字段、补充缺失值和派生分析所需字段。完成这一步之后，后面的多表关联、分组汇总和经营分析才能顺利展开。

这个案例我们需要清洗下面几张源表：

清洗门诊记录表

• 将“就诊日期”统一为 yyyy-MM-dd 格式
• 将挂号费、检查费、药费等金额字段去除符号后转为数值
• 将“科室代码”去除前后空格并统一为大写
• 空值按规则补齐，保证后续统计可直接使用
• 新增“门诊总费用” = 挂号费 + 检查费 + 药费

清洗住院记录表

• 将“入院日期”“出院日期”统一为 yyyy-MM-dd 格式
• 将“总费用”去除货币符号和千分位后转为数值
• 将“住院天数”缺失值按出院日期减入院日期自动补算
• 将“科室代码”统一为大写，保证能与其它表正常关联

清洗药品处方表

• 将“开方日期”统一为 yyyy-MM-dd 格式
• 将“金额”“单价”去除符号后转为数值
• 将“药品名称”去除前后空格，统一名称口径
• 保留处方明细粒度，不提前做汇总
• 新增“使用量”字段，直接取“数量”

清洗医生信息表

• 将“科室代码”统一为大写
• 将“职称”做归一化处理，例如把不同写法统一到标准职称口径
• 根据“入职日期”补充“从业年限”，为后续医生和科室统计做准备

清洗科室信息表

• 将“科室代码”统一为大写
• 将“床位数”转为纯数字，空值补 0
• 将“科室名称”“科室类型”去除前后空格，统一基础维度口径

二、提示词整理

在工作流配置之前，需要先把这次业务处理逻辑整理成一份提示词。

这一步的作用，就是先明确 清洗哪些表 、 怎么关联 、 输出哪些报表 。整理好之后，这份提示词就可以作为工作流配置输入，指导后续执行。

这里也需要说明一点： 提示词不一定非要写成固定模板 。只要表达得 清晰 、 明确 、 简洁 ，让人一眼能看懂要做什么、按什么顺序做、最后输出什么结果，就可以了。

本次案例整理出的提示词如下：

整体要求：生成医院年度运营分析报告：

第一步 - 清洗门诊记录表：
1. "就诊日期"统一为 yyyy-MM-dd 格式
2. 所有费用字段去除￥和"元"后缀，空值填充为 0
3. "科室代码"去除前后空格，统一为大写
4. 新增"门诊总费用" = 挂号费 + 检查费 + 药费

第二步 - 清洗住院记录表：
1. "入院日期""出院日期"统一为 yyyy-MM-dd 格式
2. "总费用"去除￥和千分位逗号
3. "住院天数"空值时自动计算 = 出院日期 - 入院日期
4. "科室代码"统一为大写

第三步 - 清洗药品处方表：
1. "开方日期"统一为 yyyy-MM-dd 格式
2. "金额""单价"去除￥符号
3. "药品名称"去除前后空格
4. 保留处方明细粒度，不提前按"门诊号/住院号"汇总
5. 新增"使用量" = 数量
6. 后续如需按就诊单据统计药品金额或种类数，再单独生成汇总表

第四步 - 清洗医生信息表：
1. "科室代码"统一为大写
2. "职称"归一化："主任医师""正高""主任"统一为"主任医师"
3. 根据"入职日期"计算"从业年限"

第五步 - 清洗科室信息表：
1. "科室代码"统一为大写
2. "床位数"转为纯数字，空值填充为 0
3. "科室名称""科室类型"去除前后空格

第六步 - 生成门诊科室统计表：
1. 门诊记录表按"科室代码"汇总：门诊总人次、门诊总收入、平均门诊费用、药占比（药费/总费用）

第七步 - 生成住院科室统计表：
1. 住院记录表按"科室代码"汇总：住院总人次、住院总收入、平均住院天数、平均住院费用

第八步 - 生成医生科室汇总表：
1. 医生信息表按"科室代码"汇总：医生人数、主任医师人数、平均从业年限

第九步 - 生成科室全景表：
1. 门诊科室统计表 与 住院科室统计表 按"科室代码"全量合并（两侧数据都保留）
2. 再关联科室信息表（按"科室代码"匹配）
3. 再关联医生科室汇总表（按"科室代码"匹配）
4. 新增"科室总收入" = 门诊收入 + 住院收入
5. 新增"床位周转率" = 住院总人次 / 床位数（床位数为 0 时记为空）
6. 新增"人均产值" = 科室总收入 / 医生人数（医生人数为 0 时记为空）

第十步 - 生成科室收入统计表：
1. 基于"科室全景表"
2. 按"科室代码"+"科室名称"输出：总收入、门诊人次、住院人次、人均产值，按总收入降序排名
3. 输出"科室收入统计表"

第十一步 - 生成科室运营指标表：
1. 基于"科室全景表"
2. 按"科室代码"+"科室名称"输出：药占比、平均住院天数、平均住院费用、平均门诊费用、床位周转率、医生人数
3. 输出"科室运营指标表"

第十二步 - 生成科室门诊量Top5医生表：
1. 基于"门诊记录表"（清洗后） 关联 "医生信息表"（按"医生工号"匹配）
2. 按"科室代码"+"科室名称"分组，在每个科室内按门诊人次降序取Top5医生
3. 输出"科室门诊量Top5医生表"（含姓名、职称、门诊人次、门诊收入）

第十三步 - 生成药品使用量Top50表：
1. 基于"药品处方表"清洗后明细，分别关联"门诊记录表"和"住院记录表"补齐"科室代码"
2. 按"药品名称"分组，统计：总使用量、总金额、使用科室分布，按总使用量降序取Top50
3. 输出"药品使用量Top50表"（含药品名称、总使用量、总金额、使用科室分布）

第十四步 - 生成月度运营趋势表：
1. 基于清洗后的"门诊记录表"，按"就诊日期"提取"月份"（yyyy-MM）分组汇总，统计：月份、门诊量、门诊收入
2. 基于清洗后的"住院记录表"，按"入院日期"提取"月份"（yyyy-MM）分组汇总，统计：月份、住院量、住院收入
3. 将第1步结果与第2步结果按"月份"全量合并，缺失侧补 0

三、落地实现：工作流配置

 工作流是由多个智能体节点组成的，这个案例我们涉及到下面几个智能体：

• 文件助手： 获取磁盘的文件或目录。
• 内容清洗器： 专门用来做数据清洗的，只要输入清洗描述就可以对文件数据进行任意整理。
• 数据入库：将文件数据转成本地数据库，用于后面作SQL统计。
• 表统计： 对本地数据库表进行SQL统计，不需要写sql，只需要统计的描述就可以了。
• 报表导出： 对数据库表进行导出，支持导出csv，xlsx，HTML（可视化显示） 。

根据这几个智能体还有上面描述的提示词，我们就可以完成工作流的配置了。

1. 清洗数据表

清洗数据流程总共分为三步：

1. 配置文件助手 ： 获取待清洗的源文件。
2. 配置内容清洗器： 描述清洗内容。
3. 数据入库： 将文件数据搞成表放到本地数据库（后面好进行sql统计）。

打开DT-Bot工作流， 配置一个 “文件助手”智能体节点，描述原始数据文件位置，文件助手配置如图：

DT-Bot工作流，解决方案获取可以看文章末尾名片。

根据提示词描述，获取到了”门诊记录表.csv“原始表格，然后就会输出该文件，然后我们接下一个智能体 “内容清洗器”，如图： 

直接将清洗的提示词写进来就可以了，清洗之后，我们需要将表格文件的数据放到数据库里面，后面好进行SQL统计，所以还要接入一个“数据入库”，不需要输入任何提示词，如下图：

 第一步就完成了，同理，所有的源表清洗都是这个套路。 

2. 表统计

接下来我们需要进行表统计，直接用“表统计”智能体就好了， 也是直接输入提示词描述，工作流内部会生成相关sql进行统计（全程不用你操心），下面是我配置完成的图：

3. 导出报表

表统计后，只生成了结果表到数据库里面，还需要从数据库里面下载出来，这是要用“报表导出”智能体，可以指定哪些表，下载类型，如下图：

配置完成后，我们发布工作流执行就可以了。

四、结尾语

医院运营分析真正复杂的地方，往往不在最后那几张结果表，而在前面多源数据的整理、清洗、关联和统计过程。门诊、住院、药品、医生、科室这些数据分散在不同表里，口径不统一、字段不一致，如果没有一套清晰的处理流程，分析工作很容易停留在反复整理数据的阶段。

这个案例展示的价值，在于把原本偏复杂的数据分析过程，拆成业务人员也能理解和使用的步骤：先清洗，再汇总，再关联，最后输出结果。借助 AI 工作流，即使不写代码、不写 SQL，也可以在本地把千万级医院运营数据逐步整理清楚，并完成经营分析所需的关键结果产出。对业务团队来说，这不仅意味着效率更高，也意味着很多原本依赖技术人员完成的分析任务，开始能够以更低门槛、更标准化的方式落地。