# Aplikace LLM a zdravotnická data

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

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

**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

```bash
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"
}'
```

| Pole | Význam |
|---|---|
| `patient` | ID pacienta, které vaše pověření vidí |
| `task`, `question` | co model udělá; platforma plánuje, které části záznamu jsou relevantní |
| `needs` | volitelné explicitní potřeby, například `["labs:4548-4", "vitals:trend:85354-9", "timeline:180d"]` |
| `budget_tokens` | velikost kontextu, 300–8 000 (výchozí 2 000) |
| `format` | `structured` (sekce JSON) nebo `text` (také vrací připravený textový blok) |
| `window_days` | volitelné okno zpětného pohledu |

## 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](https://developers.anpheros.com/cs/guides/ai-agents-medical-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](https://developers.anpheros.com/cs/guides/ai-healthcare)
- [AI agenti a lékařská data](https://developers.anpheros.com/cs/guides/ai-agents-medical-data)
- [Jak vytvořit lékařského chatbota se strukturovanými daty](https://developers.anpheros.com/cs/guides/ai-medical-assistant)
- [Zabezpečení, ochrana soukromí a rezidence dat](https://developers.anpheros.com/cs/guides/security)