OpenEMR中FHIR LForms升级与表单样式优化实践
背景介绍
OpenEMR作为一款开源的电子病历系统,近期对其FHIR LForms组件进行了重要升级,从旧版本更新至v36.3.3。这次升级不仅解决了表单渲染中的竞态条件问题,还对表单的视觉呈现进行了全面优化,包括字体样式、大小调整以及支持深色/浅色主题切换。
技术升级要点
LForms版本升级
项目团队将FHIR LForms从原有版本升级至v36.3.3,这一版本带来了多项性能改进和功能增强。值得注意的是,在v33.3.0版本中,LForms对布尔类型组件的设计进行了变更,将其从滑动开关改为三个单选按钮(是/否/未回答),这一改动虽然影响了部分现有表单的交互方式,但为了保持与上游项目的同步,OpenEMR选择接受这一变更而非维护独立分支。
表单样式优化
-
主题支持:实现了深色和浅色主题的自动适配,当系统全局主题设置为深色时,LForms也会自动切换为深色主题,其他情况则默认使用浅色主题。
-
视觉改进:
- 调整了字体样式和大小,提高表单可读性
- 优化了表单元素的间距和布局
- 增加了表单引导线显示功能,帮助用户理解复杂的嵌套结构
-
响应式设计:考虑将表单容器从固定宽度(container-xl)改为流体宽度(container-fluid),以更好地利用屏幕空间,特别是对于内容丰富的长表单。
功能增强
-
表单验证:在患者门户中实施了强制完成验证,患者必须完成所有必填字段才能提交表单审阅,但仍可随时保存为草稿。
-
操作按钮布局:在长表单的顶部和底部都添加了保存/取消按钮,减少用户滚动操作。
-
配置管理:新增了Questionnaires配置模块,管理员可以在全局设置中控制表单样式选项。
技术实现细节
项目团队对LForms的样式表进行了重构,将自定义样式与核心样式分离,便于后续维护。样式表路径位于interface/forms/questionnaire_assessments/lform_webcomponents.php,开发者可以方便地扩展和修改。
对于表单构建工具,团队评估了NLM提供的最新Form Builder工具,考虑将其集成到系统中以简化表单创建流程。
用户体验改进
-
必填项提示:清晰地标记必填字段,帮助用户准确完成表单。
-
多级嵌套支持:优化了复杂表单的渲染,支持多达四级的嵌套结构。
-
表单摘要:改进了表单提交后的摘要显示,确保评分和关键信息正确呈现。
开发路线图
未来计划包括:
- 与临床决策支持系统(CDR)深度集成
- 增强表单数据分析能力
- 完善门户配置选项,优化工作流程
- 开发更智能的表单评估功能
总结
这次OpenEMR对FHIR LForms的升级和优化,不仅提升了系统性能,也显著改善了用户体验。通过支持响应式设计、主题切换和增强的表单功能,使OpenEMR在电子病历表单处理方面达到了新的水平。这些改进为后续的临床决策支持和智能分析功能奠定了坚实基础。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00