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

LLM aplikace a zdravotnická data

Použití velkých jazykových modelů se zdravotnickými daty: požadavek a odpověď kontextového API, cloudové a lokální modely, agentní systémy, vyhledávání versus kontext a promptování s původem.

Aplikace, která používá velký jazykový model se zdravotnickými daty, musí vyřešit jeden problém, který model neumí: kterou část záznamu pacienta vložit do promptu a jak ji označit, aby model rozlišil fakta od poznámek. Anpheros to řeší na straně dat pomocí kontextového API: na základě pacienta, úkolu a rozpočtu tokenů vrátí relevantní části záznamu pacienta ve formátu HL7 FHIR R4, přičemž každá položka je označena svým zdrojem. Vaše aplikace odešle tento kontext modelu, který si vyberete – hostovaný nebo lokální.

Jak připojím LLM ke zdravotnickým datům FHIR? Uchovávejte záznamy v úložišti FHIR, ke kterému model nemá přímý přístup – s Anpheros, záznam pacienta ve formátu HL7 FHIR R4 – požádejte jej o rozpočtovaný kontext označený zdrojem (POST /v1/context) a vložte tento kontext do promptu zvoleného modelu. Model nikdy neobdrží přihlašovací údaje k databázi nebo API; vaše aplikace provádí volání v rámci souhlasu pacienta.

Anpheros nespouští modely a nemá žádnou nativní integraci s žádným poskytovatelem modelů ani lokálním runtime.

Vzor

1. your app  ── POST /v1/context {patient, task, question, budget_tokens, format} ──►  Anpheros
2. Anpheros  ── sections + text + omitted + warnings + manifest_id ──────────────────►  your app
3. your app  ── system prompt + context + user question ─────────────────────────────►  the model
4. the model ── answer ───────────────────────────────────────────────────────────────►  your app
5. your app  ── optional write-back with author_type "ai" ──────────────────────────►  Anpheros

Požadavek na kontext

curl -X POST https://platform.anpheros.com/v1/context -H "Authorization: Bearer $TOKEN" -H 'content-type: application/json' -d '{
  "patient": "'$PID'",
  "task": "medication review before a cardiology visit",
  "question": "How did blood pressure evolve over the last 3 months?",
  "budget_tokens": 1500,
  "format": "text"
}'

Kontextová odpověď

• sections — například souhrnná karta, diagnózy, léky, alergie, očkování, laboratorní výsledky, vitální funkce s týdenními trendy a značkami před/po léčbě, symptomy, časová osa a dokumenty. Každá položka nese author_type a source.
• omitted — co se nevešlo do rozpočtu; sdělte modelu, že jeho kontext je neúplný.
• warnings, provenance_note.
• text — když format je text.
• manifest_id — záznam o tom, které sekce a zdroje byly použity, spojený s logem přístupu.
• sekce ai_notes — hodnoty, které AI dříve napsala, se objevují pouze tam, označené jako neověřené, nikdy smíchané s klinickými sekcemi.

Cloudové modely

S hostovaným modelem – od OpenAI, Anthropic, Google, xAI nebo jiného poskytovatele – váš backend vloží kontext do výzvy (prompt) a zavolá API poskytovatele. Kontext opustí vaši infrastrukturu a odejde k danému poskytovateli, proto:

• ujistěte se, že souhlas pacienta a vaše oznámení o ochraně osobních údajů pokrývají odesílání dat k němu;
• uzavřete s poskytovatelem dohodu o zpracování údajů, která je vhodná pro zdravotní údaje;
• posílejte pouze to, co úkol vyžaduje – rozpočet tokenů a explicitní needs pomáhají.

Lokální modely

S modelem, který spustíte sami – například prostřednictvím Ollama nebo jiného lokálního runtime – je jediným síťovým voláním přenášejícím data pacienta to mezi vaším backendem a Anpheros; prompt a odpověď zůstávají na vaší infrastruktuře. Menší lokální modely mají menší kontextová okna: nižší budget_tokens a preferují format: "text".

Agentní systémy

Když se model rozhoduje, které volání provede, poskytněte mu nástroje (kontext, vyhledávání, časová osa) namísto surových pověření, udržujte úzké rozsahy platnosti a zaznamenávejte každý manifest_id vedle odpovědi. AI agenti a lékařská data

Kontextové API nebo vlastní načítání?

Načítací pipeline přes volný text (vytváření vnoření částí dokumentů a jejich vyhledávání) je užitečná pro nestrukturované poznámky. Pro strukturovaná lékařská data je kontextové API obvykle jednodušší a bezpečnější: pracuje s kódovanými FHIR zdroji, zachovává původ, zná trendy a léčebná období, respektuje souhlas a je auditováno. Tyto dva přístupy lze kombinovat – například kontext z Anpheros plus načtené pasáže z dokumentů, které spravujete.

Prompting s proveniencí

Zachovejte popisky v promptu a vysvětlete modelu, co znamenají:

The context below comes from the patient's record. Each item is labelled with its author type
(patient, practitioner, device, import, derived) and source. Items under ai_notes were written by an
AI earlier and are not verified. Say which items your answer relies on. If the context is marked as
partial, say so. Do not give a diagnosis or change a treatment; suggest discussing it with a clinician.

Související

• AI zdravotnické aplikace
• AI agenti a lékařská data
• Jak vytvořit lékařského chatbota se strukturovanými daty
• Zabezpečení, ochrana soukromí a rezidence dat

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