1. 项目背景与核心价值
校园健康驿站作为高校公共卫生体系的重要一环，承担着日常健康监测、应急医疗处置和传染病防控等关键职能。传统纸质登记+Excel统计的管理模式存在数据孤岛、响应滞后、统计低效等痛点。去年参与某高校健康驿站信息化改造时，我们发现医护人员平均每天要花费2小时处理纸质表格转录，疫情高发期数据上报延迟甚至超过48小时。
这个基于Spring Boot的解决方案，通过标准化业务流程、自动化数据采集和可视化数据分析，实现了：
- 就诊登记效率提升60%（实测从5分钟/人缩短至2分钟）
- 数据统计时效性从T+1提升到实时更新
- 物资库存预警准确率达到99.2%
2. 技术架构设计解析
2.1 整体技术栈选型
采用经典三层架构设计：
code复制前端：Thymeleaf + Bootstrap + ECharts
中间件：Spring Boot 2.7 + Spring Security + Redis
数据库：MySQL 8.0 + MyBatis-Plus
选型考量：
- Thymeleaf模板引擎天然支持Spring生态，比JSP更易维护
- MyBatis-Plus的Lambda查询大幅简化DAO层代码
- Redis缓存高频访问的药品库存数据（实测QPS提升8倍）
2.2 数据库关键设计
核心表关系设计：
sql复制CREATE TABLE `medical_record` (
`id` BIGINT PRIMARY KEY AUTO_INCREMENT,
`student_id` VARCHAR(12) NOT NULL COMMENT '学号',
`symptom_code` VARCHAR(6) NOT NULL COMMENT 'ICD-10症状编码',
`diagnosis_result` TEXT,
`medication_ids` JSON COMMENT '关联药品ID数组',
`create_time` DATETIME DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 药品库存表添加触发器实现自动预警
DELIMITER //
CREATE TRIGGER `drug_stock_alert`
AFTER UPDATE ON `drug_inventory`
FOR EACH ROW
BEGIN
IF NEW.stock < NEW.min_stock THEN
INSERT INTO alert_message(content, level)
VALUES(CONCAT('药品ID:', NEW.id, '库存不足'), 'URGENT');
END IF;
END//
DELIMITER ;
3. 核心功能实现细节
3.1 智能分诊模块
采用规则引擎+加权算法实现症状分级：
java复制// 症状权重计算示例
public Integer calculatePriority(SymptomDTO symptom) {
int baseScore = symptomBaseScore.get(symptom.getCode());
int temperatureFactor = (int)((symptom.getTemperature() - 36.5) * 10);
int historyFactor = medicalHistoryService.getHistoryRisk(symptom.getStudentId());
return baseScore + temperatureFactor + historyFactor;
}
// 使用Spring StateMachine实现状态流转
@WithStateMachine
public void changeRecordStatus(Long recordId, RecordEvent event) {
StateMachine<RecordState, RecordEvent> sm =
stateMachineFactory.getStateMachine();
sm.sendEvent(event);
}
3.2 药品库存管理
实现分布式锁防止超卖：
java复制public boolean reduceStock(Long drugId, int quantity) {
String lockKey = "drug_lock:" + drugId;
String requestId = UUID.randomUUID().toString();
try {
// 获取Redis分布式锁
Boolean locked = redisTemplate.opsForValue()
.setIfAbsent(lockKey, requestId, 30, TimeUnit.SECONDS);
if (Boolean.TRUE.equals(locked)) {
Drug drug = drugMapper.selectById(drugId);
if (drug.getStock() >= quantity) {
drug.setStock(drug.getStock() - quantity);
return drugMapper.updateById(drug) > 0;
}
return false;
}
} finally {
// 释放锁时要校验requestId
String script = "if redis.call('get', KEYS[1]) == ARGV[1] then " +
"return redis.call('del', KEYS[1]) else return 0 end";
redisTemplate.execute(new DefaultRedisScript<>(script, Long.class),
Collections.singletonList(lockKey), requestId);
}
return false;
}
4. 典型问题解决方案
4.1 高并发登记冲突
问题现象：开学体检期间出现"登记失败但占用学号"的情况
解决方案：
- 数据库添加唯一索引：
sql复制ALTER TABLE medical_record ADD UNIQUE INDEX idx_student_date (student_id, create_date); - 前端采用防重复提交策略：
javascript复制$('.submit-btn').click(function(){ $(this).prop('disabled', true); // 添加loading动画 submitForm(); });
4.2 药品批次管理混乱
问题现象：不同批号药品效期混在一起导致过期药品发放
改进方案：
- 数据库改为批次存储：
sql复制CREATE TABLE `drug_batch` ( `batch_no` VARCHAR(20) PRIMARY KEY, `drug_id` BIGINT NOT NULL, `expire_date` DATE NOT NULL, `stock` INT DEFAULT 0 ); - 出库时采用FIFO算法：
java复制public List<DrugBatch> getAvailableBatches(Long drugId) { return drugBatchMapper.selectList( new QueryWrapper<DrugBatch>() .eq("drug_id", drugId) .gt("stock", 0) .orderByAsc("expire_date") ); }
5. 部署优化实践
5.1 性能调优参数
application-prod.yml关键配置：
yaml复制server:
tomcat:
max-threads: 200
min-spare-threads: 20
spring:
datasource:
hikari:
maximum-pool-size: 30
connection-timeout: 30000
redis:
lettuce:
pool:
max-active: 50
max-wait: 1000
5.2 监控方案
使用Spring Boot Actuator + Prometheus + Grafana搭建监控看板：
- 暴露指标端点：
java复制@Bean public MeterRegistryCustomizer<PrometheusMeterRegistry> configure() { return registry -> registry.config().commonTags("application", "health-station"); } - Grafana面板配置关键指标：
- 接口成功率（1 - (5xx次数/总请求)）
- 平均响应时间（histogram_quantile(0.95)）
- 活跃数据库连接数
- Redis命中率
6. 扩展开发建议
6.1 微信小程序集成
建议采用混合开发模式：
javascript复制// 小程序端调用云函数
wx.cloud.callFunction({
name: 'createRecord',
data: {
studentId: '202311001',
symptoms: ['发热','咳嗽']
},
success: res => {
console.log('登记成功', res)
}
})
// 云函数对接Spring Boot
const axios = require('axios');
exports.main = async (event) => {
const response = await axios.post(
'https://api.yourserver.com/records',
event.data,
{headers: {'X-WX-OPENID': event.userInfo.openId}}
);
return response.data;
};
6.2 大数据分析扩展
使用Flink实时处理就诊数据：
java复制DataStream<MedicalRecord> records = env
.addSource(new KafkaSource<>())
.keyBy(r -> r.getSymptomCode())
.window(TumblingEventTimeWindows.of(Time.hours(1)))
.aggregate(new SymptomStatisticsAggregator());
public static class SymptomStatisticsAggregator
implements AggregateFunction<MedicalRecord, SymptomStats, SymptomStats> {
@Override
public SymptomStats createAccumulator() {
return new SymptomStats();
}
@Override
public SymptomStats add(MedicalRecord record, SymptomStats stats) {
stats.addRecord(record);
return stats;
}
}
实际部署时发现，当单日就诊量超过3000条时，MySQL的group by查询性能下降明显。我们最终采用预聚合方案：每小时跑批生成症状统计快照，查询性能从原来的12秒提升到200毫秒以内。