pnascimento9596/ceintel

# CEIntel — 临床工程智能 **用于医疗设备服务采购的 RFP 评估引擎。** 对结构上无法直接比较的供应商投标进行标准化，检测隐性成本，并根据加权临床工程标准对供应商进行评分。 基于对 16 个医院系统、超过 2.96 亿美元评估支出的 5 年以上医疗采购分析构建而成。 ## 问题所在 卫生系统每年在临床工程服务上花费 1500–2500 万美元 — 包括生物医疗设备维护、维修、法规合规性和 OEM 合同管理。当这些合同进入 RFP（招标建议书）流程时，收到的投标在**结构上往往无法直接比较**： - 一家供应商采用成本转嫁模式（医院按面值支付实际工资、部件和 OEM 发票） - 另一家将所有内容打包为固定年费，并在 OEM 合同中嵌入 15–20% 的加价 - 第三家详细列出了过渡成本（80 万美元的实物盘点，75 万美元的测试设备），而其他供应商将这些成本吸收到了基本费用中 - 所有供应商的定价都基于从未经过实物验证的设备清单 — 其中 25–35% 的“活跃”设备可能是幽灵资产 结果：一旦解构其结构，一份 1700 万美元的投标和一份 2000 万美元的投标可能代表**相同的实际成本**。或者 1700 万美元的投标可能隐藏了 300 万美元由医院承担的风险，而 2000 万美元的投标包含了这些风险。如果不进行标准化，你无法判断。 CEIntel 解决了这个问题。 ## 功能 ``` Vendor Bids (Excel/JSON) Equipment Inventory │ │ ▼ ▼ ┌──────────────┐ ┌──────────────┐ │ Intake │ │ Scope │ │ Parser │ │ Aligner │ └──────┬───────┘ └──────┬───────┘ │ │ ▼ ▼ ┌─────────────────────────────────────────┐ │ Normalization Engine │ │ │ │ ┌─────────────┐ ┌──────────────────┐ │ │ │ OEM Pass- │ │ Coverage Level │ │ │ │ Through │ │ Standardization │ │ │ │ Separation │ │ (5 vendor maps) │ │ │ └─────────────┘ └──────────────────┘ │ │ ┌─────────────┐ ┌──────────────────┐ │ │ │ FTE/Staff │ │ Scope │ │ │ │ Normalizer │ │ Alignment │ │ │ └─────────────┘ └──────────────────┘ │ └────────────────────┬────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ Hidden Cost Detection │ │ 8 pattern-based rules: │ │ • OEM markup concealment │ │ • Transition cost padding │ │ • Ghost asset FTE inflation │ │ • Coverage level mismatch │ │ • Subcontracting markup │ │ • Test equipment ownership ambiguity │ │ • Consumable pool undersize │ │ • Escalation concealment │ └────────────────────┬────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ Weighted Scoring & Reporting │ │ 7 categories, 30+ subcriteria │ │ → 8-tab Excel report with charts │ │ → Executive summary │ │ → Side-by-side vendor comparison │ └─────────────────────────────────────────┘ ``` ## 快速开始 ``` git clone https://github.com/pnascimento9596/ceintel.git cd ceintel pip install -e ".[dev]" # 运行内置 demo — 使用样本数据进行 3-vendor 对比 ceintel rfp compare --demo ``` ### 实时仪表板 浏览交互式演示：[ceintel-rfp.streamlit.app](https://ceintel-rfp.streamlit.app) 7 页交互式查看器 — 投标标准化、隐性成本检测、可调权重评分矩阵、人员配置分析、覆盖范围比较和 OEM 合同分析。 ### CLI 命令 ``` # 分析单一 bid ceintel rfp analyze --bid vendor_bid.json --inventory equipment.json # 对比多个 bid（生成 8-tab Excel 报告） ceintel rfp compare --bids vendor_a.json vendor_b.json vendor_c.json \ --inventory equipment.json --output evaluation_report.xlsx # 仅运行隐藏成本检测 ceintel rfp detect --bid vendor_bid.json # 标准化 bid 以便对比 ceintel rfp normalize --bid vendor_bid.json --output normalized.json # 根据加权标准为 vendor 评分 ceintel rfp score --bids vendor_a.json vendor_b.json \ --output scoring_matrix.xlsx ``` ## 关键技术决策 ### OEM 转嫁分离 这是 CE 采购中最大的扭曲因素。转嫁模式供应商按面值报告 OEM 合同（零加价）。全服务供应商在相同合同中嵌入 12–22% 的加价。一旦剔除 OEM 加价，一份 1700 万美元的转嫁投标和一份 2000 万美元的全服务投标在实际服务交付成本上可能只相差 150 万美元。 标准化引擎将每份投标分解为三层：面值的 OEM 成本、供应商对 OEM 的加价、以及供应商交付的实际服务。 ### 置信度评分 并非所有的标准化都同样可靠。具有逐项明细的转嫁投标标准化置信度较高。没有成本明细的固定费用投标需要估算和基准参考 — 引擎将其评分为较低置信度 (0.4–0.6)，并准确告知您它做出了哪些假设。 这是故意的。当供应商构建提案的结构不同时，投标标准化本质上涉及不确定性。系统诚实地对待它所知道的与它正在估算的内容。 ### 幽灵资产调整 提供给 RFP 供应商的设备清单很少经过验证。实际上，25–35% 的列出设备可能已报废、调拨或不存在。FTE（全职人力）标准化器根据估算的验证计数调整人员配置比例，标记那些基于虚高库存提出人员配置水平的供应商。 当与第 1 阶段的库存智能数据（验证过的设备数量、模态分类）配对时，置信度评分会显著提高。 ### 基于真实采购的检测规则 每种检测模式都对应于在数百万美元的 CE 服务评估中识别出的真实成本差异： | 模式 | 现实来源 | |---|---| | OEM 加价隐瞒 | 全服务供应商在固定费用中嵌入超过 130 万美元的 OEM 加价 | | 过渡期虚增 | 供应商详细列出 150 万美元的过渡成本，而同行通常将其吸收 | | 幽灵资产虚高 | 针对 6.4 万台库存提议 47 名 FTE，但其中约 35% 为幽灵资产 | | 覆盖范围不匹配 | 声称“全服务”，但探头池被排除或规模不足 | | 耗材池规模不足 | 每年需要 25 万美元以上的系统仅配备 7.5 万美元的探头池 | ## 架构 ``` ceintel-rfp-engine/ ├── config/ │ ├── scoring_weights.yaml # 7 weighted categories, 30+ subcriteria │ ├── cost_categories.yaml # Standard CE cost taxonomy (6 categories) │ ├── detection_rules.yaml # 8 pattern-based detection rules │ └── coverage_definitions.yaml # 5 vendor coverage maps + cost multipliers ├── src/ │ ├── models/ # Pydantic v2 data models │ │ ├── bid.py # VendorBid, BidStructure, CoverageLevel │ │ ├── evaluation.py # NormalizedBid, DetectionFlag, ScoringResult │ │ ├── vendor.py # VendorProfile │ │ ├── cost_line.py # CostLineItem, CostCategory │ │ └── inventory.py # EquipmentItem, EquipmentInventory │ ├── normalization/ # Core normalization pipeline │ │ ├── pass_through.py # OEM pass-through separation │ │ ├── coverage_mapper.py # Coverage level standardization │ │ ├── fte_normalizer.py # Staffing ratio normalization │ │ ├── scope_aligner.py # Equipment scope alignment │ │ └── cost_normalizer.py # Orchestrator → NormalizedBid │ ├── detection/ # Hidden cost detection │ │ ├── hidden_cost_detector.py # 8-pattern rule engine │ │ ├── padding_detector.py # Transition cost anomalies │ │ ├── scope_gap_analyzer.py # Coverage gap analysis │ │ └── risk_flagger.py # Aggregate risk scoring │ ├── scoring/ # Weighted evaluation │ │ ├── matrix.py # Composite scoring engine │ │ ├── criteria.py # Auto-scoring for quantitative criteria │ │ └── benchmarks.py # Industry benchmark comparisons │ ├── reporting/ # Output generation │ │ ├── excel_report.py # 8-tab openpyxl workbook │ │ ├── summary.py # Executive summary │ │ └── comparison_table.py # Side-by-side builder │ └── cli.py # Click-based CLI (5 commands) └── tests/ # 102 tests across all modules ``` ### 技术栈 - **Python 3.10+** 配合 **Pydantic v2** 进行数据验证 - **Click** 用于 CLI 框架 - **openpyxl** 用于 Excel 报告生成，支持条件格式和图表 - **PyYAML** 用于外部化配置 - **pytest** 用于测试（102 个测试，覆盖所有模块） 所有评分权重、检测阈值和供应商映射均在 YAML 中外部化 — 无需更改代码即可针对不同的 RFP 场景进行配置。 ## 评分类别 | 类别 | 权重 | 衡量内容 | |---|---|---| | 成本 | 25% | 标准化年成本、成本确定性、升级条款 | | 技术能力 | 25% | 人员配置模型、设备覆盖范围、内部与分包对比 | | 过渡计划 | 15% | 时间表现实性、库存验证方法、员工保留 | | 参考与经验 | 10% | 同等规模卫生系统经验、可验证指标 | | 创新与技术 | 10% | 预测性维护、分析、资本规划 | | 网络安全 | 8% | 网络分段、补丁管理、FDA 合规性 | | 法规合规性 | 7% | Joint Commission/DNV 准备情况、AEM/PEMS 方法论 | ## 路线图 CEIntel 是一个三阶段的临床工程智能平台： - **第 1 阶段：库存智能** — 幽灵资产检测、设备分类、基于原始库存数据的服务成本估算（10 万+ 行条目）。✅ 已完成 - **第 2 阶段：RFP 评估引擎** — 投标标准化、隐性成本检测、供应商评分。✅ 已完成（本仓库） - **第 3 阶段：合同分析** — 服务协议修订、SLA 提取、合规条款检测。计划中。 ## 背景 这个工具的存在是因为每年价值 1500–2500 万美元的医疗采购决策通常是通过比较结构上不可比的投标来做出的。CEIntel 中的分析逻辑 — OEM 转嫁分解、幽灵资产调整、覆盖水平标准化 — 来自于针对美国主要卫生系统的骨科植入物、生物医疗设备服务、放射学和临床工程合同的实际评估。 检测规则不是理论性的。每种模式都是在实际的 RFP 评估过程中识别出来的，其中的成本差异非常显著 — 范围从 7.5 万美元被低估的探头池到 440 万美元无法解释的定价缺口，这些缺口可追溯至 OEM 加价隐瞒和库存虚高。 ## 测试 ``` # 运行 full suite pytest # 按 module 运行 pytest tests/test_normalization.py pytest tests/test_detection.py pytest tests/test_scoring.py # 首次失败时停止 pytest -x ``` ## 许可证 MIT ## 作者 **Paulo Nascimento** 高级数据分析师 — 医疗采购与临床工程 [LinkedIn](https://www.linkedin.com/in/paulo-nascimento9596) · [GitHub](https://github.com/pnascimento9596)

标签：Excel解析, JSON处理, Kubernetes, LSASS转储, Pydantic, Python, RFP评估引擎, 临床工程, 代码示例, 价格透明度, 供应商评分, 供应商风险管理, 决策支持系统, 医疗设备维护, 医疗财务, 医疗采购, 医院管理系统, 合同管理, 安全规则引擎, 恶意代码分类, 成本规范化, 投标标准化, 招标分析, 支出分析, 数据分析, 数据清洗, 无后门, 生物医学工程, 采购智能, 隐性成本检测