crf-ocr-entrylisted
Install: claude install-skill xjjbeijing-julio/crf-ocr-entry
# CRF 扫描表自动录入(OCR → 数据字典 → 数据库 → 质控)
把纸质 CRF 的扫描件(PDF/图片)变成「干净的结��化数据 + REDCap 数据字典 + 质控报告」。设计上针对**大量手写填答**的场景:PaddleOCR 负责版面/表格/印刷字定位,多模态 LLM 负责读手写内容——两者分工,而不是让单一 OCR 硬啃手写。
## 何时使用
- 用户有一批扫描/拍照的 CRF、问卷、随访表、检查单,想自动录入成数据表;
- 需要生成数据字典/变量词典(REDCap 或中文),或导入 EDC 建库;
- 需要对录入结果做缺失、取值域、一致性、重复值的自动核查;
- 提到 PaddleOCR、PP-Structure、OCR 录入、手写识别、REDCap、数据字典等。
## 总流程(5 步)
```
扫描 CRF(PDF/图片)
→ [1] 版面/表格定位 scripts/ocr_layout.py (PaddleOCR PP-Structure)
→ [2] 手写字段识别 scripts/extract_handwriting.py (多模态 LLM,读手写/勾选)
→ [3] 生成数据字典 scripts/build_redcap.py (REDCap CSV + 数据表)
→ [4] 组装数据表 scripts/build_redcap.py (CSV / Excel / SAS)
���� [5] 数据质控 scripts/quality_check.py (Python,输出报告)
```
**关键顺序**:先建数据字典(明确"有哪些字段、什么类型、什���取值"),再抽取数据、再做质控。数据字典是质控的输入——没有字典,质控无从判断"什么值非法"。所以不要跳过第 3 步直接抽数据。
## 前置:确认 schema(字段清单)
抽取前必须有一个字段清单 `schema.json`,它是整个流程的"契约"。来源有二:
1. **已有 CRF/方案文档**:先让 Claude 读 CRF 的印刷标签/表头,整理出字段清单(变量名、中文标签、类型、取值域、逻辑校验),写进 `schema.json`。
2. **用户直接提供**:用户给出变量清单或原数据字典。
`schema.json` 格式(字段名直接对应 REDCap 数据字典列):
```json
{
"form_name": "baseline",
"fields": [
{
"variable": "age",
"field_label": "年龄(岁)",
"field_type": "text",
"text_validation": "integer",
"min": "18", "max": "120",
"choices": "",
"required": "y",
"branching_logic": "",
"value": null
},
{
"variable": "smoking",
"field_label": "是否吸烟",
"field_type": "radio",
"choices": "0, 否 | 1, 是",
"req