Family Health Analyzer

• data/hypertension-tracker.json
• data/diabetes-tracker.json
• data/profile.json

步骤3: 数据验证与清洗

验证项目:

• 关系完整性
• 年龄合理性
• 数据一致性

步骤4: 遗传模式识别

识别算法:

1. 家族聚集性分析
2. 遗传模式识别
3. 早发病例识别(通常<50岁)

步骤5: 风险计算算法

加权计算:

遗传风险评分 = (一级亲属患病数 × 0.4) +
              (早发病例数 × 0.3) +
              (家族聚集度 × 0.3)

风险等级:
- 高风险: ≥70%
- 中风险: 40%-69%
- 低风险: <40%

步骤6: 生成预防建议

建议分类:

• 筛查建议:定期检查项目
• 生活方式建议:饮食、运动、作息
• 就医建议:何时就医、咨询专科

示例:

{
  "category": "screening",
  "action": "定期血压监测",
  "frequency": "每周3次",
  "start_age": 35,
  "priority": "high"
}

步骤7: 生成可视化报告

HTML报告组件:

1. 家谱树(ECharts树图)
2. 遗传风险热力图
3. 疾病分布饼图
4. 预防建议时间线

步骤8: 输出结果

输出格式:

1. 文本报告(简洁版):命令行输出
2. HTML报告(完整版):可视化图表

安全原则

医学安全边界

• ✅ 仅基于家族病史进行统计分析
• ✅ 提供预防建议和筛查提醒
• ✅ 明确标注不确定性
• ❌ 不进行遗传疾病诊断
• ❌ 不预测个体发病概率
• ❌ 不推荐具体治疗方案

免责声明

每次分析输出必须包含:

⚠️ 免责声明:
1. 本分析基于家族病史统计,仅供参考
2. 遗传风险评估不预测个体发病
3. 所有医疗决策请咨询专业医师
4. 遗传咨询建议咨询专业遗传咨询师

集成现有模块

• 读取高血压管理数据
• 读取糖尿病管理数据
• 关联用药记录

技能版本: v1.0 最后更新: 2025-01-08 维护者: WellAlly Tech

AGI Framework Integration

Adapted for @techwavedev/agi-agent-kit Original source: antigravity-awesome-skills

Memory-First Protocol

Retrieve prior decisions and patterns to avoid re-discovering solutions. Cache results for instant retrieval in future sessions.

# Check for prior development context before starting
python3 execution/memory_manager.py auto --query "prior work and patterns related to Family Health Analyzer"

Storing Results

After completing work, store development decisions for future sessions:

python3 execution/memory_manager.py store \
  --content "Completed task with key insights documented for future reference" \
  --type decision --project <project> \
  --tags family-health-analyzer default

Multi-Agent Collaboration

Share outcomes with other agents so the team stays aligned and avoids duplicate work.

python3 execution/cross_agent_context.py store \
  --agent "<your-agent>" \
  --action "Task completed — results documented and shared with team" \
  --project <project>