# AI zdravotnické aplikace

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

Source: https://developers.anpheros.com/cs/guides/ai-healthcare

**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

| Potřeba | Proč | V Anpheros |
|---|---|---|
| Strukturovaná, kódovaná data | modely lépe uvažují nad "HbA1c 6.4 % (LOINC 4548-4), 2026-09-01" než nad PDF | FHIR R4 zdroje s LOINC, ICD-10, ATC, UCUM |
| Relevance v rámci rozpočtu | celý záznam se nevejde do promptu a nerelevantní data ředí odpovědi | kontextové API s `task`, `question`, `needs` a `budget_tokens` |
| Zdroje pro každý fakt | model — a uživatel — musí poznat laboratorní výsledek od ručně zapsané poznámky | `author_type` a `source` u každé položky; `omitted` uvádí, co bylo vynecháno |
| Oddělení výstupu AI od faktů | dřívější souhrny AI se nesmí stát "faktami" v pozdějších promptech | hodnoty napsané AI uchovávány odděleně pod `ai_notes` |
| Souhlas | pacient rozhoduje, zda funkce AI může číst jeho záznam | OAuth udělení; kontext vyžaduje přístup pro čtení k pozorováním, stavům, lékům a alergiím |
| Odpovědnost | pacienti by měli vidět, že asistent četl jejich data | každá žádost o kontext se objeví v přístupovém logu pacienta s ID manifestu |

## 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:

```ts
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:

| Část | Vlastní |
|---|---|
| Vaše aplikace a backend | uživatele, UI, prompty, bezpečnostní pravidla, volba modelu |
| Anpheros | lékařská data pacienta (FHIR R4), souhlas, původ dat, log přístupů, kontextové API, import z laboratoře, webhooks |
| Model | porozumění jazyku a formulace odpovědi — nikdy přihlašovací údaje |

Spustitelná verze kroku kontext-plus-model je ve veřejných příkladech: [ai-context-llm](https://github.com/anpheros/anpheros-sdk/tree/main/examples/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](https://developers.anpheros.com/cs/guides/ai-medical-assistant)
- **Agenti**, kteří provádějí vícekrokové operace nad záznamem: příprava souhrnu návštěvy, usmíření seznamu léků, kontrola změn od poslední revize. → [AI agenti a lékařská data](https://developers.anpheros.com/cs/guides/ai-agents-medical-data)
- **Funkce LLM v existujícím softwaru**, s hostovaným nebo lokálním modelem. → [Aplikace LLM a zdravotnická data](https://developers.anpheros.com/cs/guides/llm-healthcare-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](https://developers.anpheros.com/cs/guides/ai-developers)

## 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](https://developers.anpheros.com/cs/guides/build-ai-healthcare-app): podrobný tutoriál v TypeScriptu
- [Jak poskytnout AI agentovi přístup k lékařským záznamům](https://developers.anpheros.com/cs/guides/ai-agent-access-medical-records): podrobný tutoriál v Pythonu
- [AI agenti a lékařská data](https://developers.anpheros.com/cs/guides/ai-agents-medical-data)
- [LLM aplikace a zdravotnická data](https://developers.anpheros.com/cs/guides/llm-healthcare-data)
- [Jak sestavit lékařského chatbota se strukturovanými daty](https://developers.anpheros.com/cs/guides/ai-medical-assistant)
- [Anpheros pro AI vývojáře](https://developers.anpheros.com/cs/guides/ai-developers)
- [Infrastruktura pro lékařská data](https://developers.anpheros.com/cs/guides/medical-data-infrastructure)
- [Virtuální péče a AI lékaři: jaká pacientská data potřebují](https://developers.anpheros.com/cs/guides/virtual-care-ai-data)