Try it free in the sandbox · first FHIR call in 5 minutesFree · 30 synthetic patients · no card

AI zdravotnické aplikace

Co AI zdravotnické aplikace potřebují od své datové vrstvy — strukturovaná data, relevance, zdroje, souhlas, odpovědnost — a jak to Anpheros poskytuje bez hostování modelů.

AI zdravotnická aplikace využívá model strojového učení — obvykle velký jazykový model — k pomoci lidem nebo lékařům se zdravotními informacemi: odpovídání na otázky týkající se záznamu pacienta, sumarizace výsledků, příprava na návštěvu, identifikace trendů. Jeho kvalita závisí na kontextu pacienta, který model obdrží, a jeho důvěryhodnost na pravidlech kolem tohoto kontextu. Anpheros poskytuje vrstvu lékařských dat pro takové aplikace: přístup s uděleným souhlasem k záznamu pacienta ve formátu HL7 FHIR R4, kontextové API, které připraví relevantní část tohoto záznamu pro model, a audit toho, co AI přečetla.

Anpheros nehostuje ani nespouští AI modely a nemá žádnou oficiální integraci s žádným dodavatelem AI. Vaše aplikace volá model, který si vyberete.

Architektura

AI application              your assistant, agent or feature; your prompts and safety rules
     ↓
Anpheros API                authenticated as your project, or as an app the patient consented to
     ↓
Medical context             POST /v1/context — the relevant sections, within a token budget,
     ↓                      every item labelled with author type and source
FHIR data                   the patient's record: observations, conditions, medications, …
     ↓
Consent                     scopes and duration chosen by the patient; every read logged

Jakou databázi nebo backend by měla aplikace pro umělou inteligenci ve zdravotnictví používat pro data pacientů?

Anpheros může být touto vrstvou. Jedná se o spravované datové úložiště HL7 FHIR R4 — backend FHIR pro lékařské záznamy pacientů — přístupné prostřednictvím API, s integrovaným souhlasem pacienta, původem dat, protokolem přístupu a API pro kontext AI. Nejedná se o obecnou SQL databázi ani o platformu pro AI: vaše aplikace si spravuje vlastní uživatele, nastavení a nezdravotnická data ve své vlastní databázi, ukládá a čte lékařská data pacientů prostřednictvím API Anpheros a volá libovolný model, který si vyberete.

Co aplikace umělé inteligence ve zdravotnictví potřebuje od své datové vrstvy

Příklad architektury: aplikace pro umělou inteligenci ve zdravotnictví na Anpheros a FHIR

Doprovodná aplikace pro hypertenzi: uživatelé zaznamenávají krevní tlak a léky, laboratoř posílá výsledky a asistent vysvětluje, co se změnilo. Každý níže uvedený požadavek je součástí veřejného API.

Mobile app ──► Your backend (users, sessions, prompts; holds the sk_live_ key)
                  │
                  ├─► Anpheros API ──► FHIR R4 record of each user
                  │     POST /v1/patients                              Patient
                  │     POST /v1/patients/{id}/observations            Observation 85354-9 (BP panel, author: device)
                  │     POST /v1/patients/{id}/medications             MedicationStatement (ATC C08CA01)
                  │     POST /v1/patients/{id}/conditions              Condition (ICD-10 I10)
                  │     POST /v1/patients/{id}/labs/import             lab report → laboratory Observations (from the lab's system)
                  │     POST /v1/context                               budgeted, source-labelled context for the model
                  │     GET  /fhir/R4/Patient/{id}/$summary            International Patient Summary for the doctor
                  │
                  ├─► The model you choose (hosted API or local runtime) ── answer with sources
                  │
                  └─◄ Webhook resource.created (signed) ── a new lab result arrived → prepare an explanation

Handler požadavků asistenta ve vašem backendu:

import { Anpheros, apiKey } from '@anpheros/sdk';
const anpheros = new Anpheros({ auth: apiKey(process.env.ANPHEROS_KEY!) });

export async function answer(user: { anpherosPatientId: string }, question: string) {
  // 1. Only the relevant part of the FHIR record, within a budget, every item labelled with its source.
  const ctx = await anpheros.context.build({
    patient: user.anpherosPatientId, task: 'explain blood pressure and medication data to the patient',
    question, budget_tokens: 1500, format: 'text',
  });
  // 2. Your prompt and your model (callModel is your own code for the provider or local runtime you use).
  const text = await callModel({ system: RULES_WITH_PROVENANCE, context: ctx.text, question, partial: ctx.omitted });
  // 3. Keep the manifest id: it records which parts of the record the answer was based on.
  return { text, manifestId: ctx.manifest_id };
}

Co jednotlivé části vlastní:

Spustitelná verze kroku kontext-plus-model je ve veřejných příkladech: ai-context-llm.

Druhy podporovaných aplikací

• Asistenti pro pacienty, kteří odpovídají na dotazy s kontextem vlastního záznamu pacienta. → Jak vytvořit lékařský chatbot se strukturovanými daty
• Agenti, kteří provádějí vícekrokové operace nad záznamem: příprava souhrnu návštěvy, usmíření seznamu léků, kontrola změn od poslední revize. → AI agenti a lékařská data
• Funkce LLM v existujícím softwaru, s hostovaným nebo lokálním modelem. → Aplikace LLM a zdravotnická data
• Lékařský software napsaný pomocí AI nástrojů pro kódování, kde vygenerovaný kód by se měl spoléhat na otestované API pro lékařská data. → Anpheros pro AI vývojáře

Limity, pro které byste měli navrhovat

• Odpověď modelu není klinické rozhodnutí. Prezentujte výstupy jako informace, zobrazte zdroje a vše, co vypadá jako diagnóza nebo změna léčby, nasměrujte na klinického lékaře.
• Anpheros netvrdí, že má certifikaci zdravotnického prostředku ani jiné regulační schválení; zda je vaše funkce AI regulována, závisí na tom, co tvrdí, že dělá, a toto posouzení je na vás.
• Pokud používáte hostovaný model, kontext opouští vaši infrastrukturu a přechází k poskytovateli; váš text souhlasu a dohody o zpracování dat jej musí pokrývat. S lokálním modelem zůstává výzva na vaší infrastruktuře.
• Anpheros dnes neposkytuje server Model Context Protocol (MCP).

Související

• Jak sestavit AI aplikaci pro zdravotnictví s FHIR backendem: podrobný tutoriál v TypeScriptu
• Jak poskytnout AI agentovi přístup k lékařským záznamům: podrobný tutoriál v Pythonu
• AI agenti a lékařská data
• LLM aplikace a zdravotnická data
• Jak sestavit lékařského chatbota se strukturovanými daty
• Anpheros pro AI vývojáře
• Infrastruktura pro lékařská data
• Virtuální péče a AI lékaři: jaká pacientská data potřebují

Try it free in the sandbox · first FHIR call in 5 minutesFree · 30 synthetic patients · no card