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

Anpheros für KI-Entwickler

Entwicklung von Gesundheitssoftware mit Claude Code, Cursor, GitHub Copilot, ChatGPT, Gemini, Grok oder Ollama auf Anpheros als Medical-Data-Layer: maschinenlesbare Dokumente, SDKs und die Sandbox.

Unabhängig davon, ob Sie mit Claude Code, Cursor, GitHub Copilot, ChatGPT, Gemini, Grok, Ollama oder einer anderen KI-Entwicklungsumgebung arbeiten, kann Anpheros als Infrastrukturebene für medizinische Daten Ihrer Gesundheitsanwendung dienen. KI-Tools sind schnell bei der Generierung von Anwendungscode, aber eine medizinische Anwendung benötigt auch ein Datenmodell, Einwilligungen, Herkunftsnachweise und eine Audit-Trail, die ein generiertes Prototype selten richtig umsetzt. Der Aufbau auf Anpheros bedeutet, dass der generierte Code eine getestete medizinische Daten-API aufruft, anstatt eine eigene medizinische Datenbank zu erfinden.

Es gibt kein offizielles Plugin oder keine offizielle Integration zwischen Anpheros und einem dieser Tools oder Modelle. Anpheros bietet maschinenlesbare Ressourcen, die jeder Assistent oder Agent lesen kann, typisierte SDKs und eine Sandbox, in der generierter Code sicher ausgeführt werden kann.

Zwei Wege, wie KI in Ihrem Projekt auftaucht

	KI hilft Ihnen beim Schreiben der Software	KI ist Teil der Software
Beispiele	Claude Code, Cursor, GitHub Copilot, ChatGPT schreibt Ihren Code	Ihre App ruft ein Modell auf (gehostet oder lokal mit Ollama), um Gesundheitsfragen zu beantworten
Was Anpheros Ihnen bietet	eine API und Dokumentation, der Ihr Coding-Assistent folgen kann	den Patientenkontext für das Modell, mit Zustimmung und Audit
Weiterlesen	diese Seite	KI-Gesundheitsanwendungen

Geben Sie Ihrem Coding-Assistenten den richtigen Kontext

Ressource	URL	Warum es hilft
OpenAPI-Spezifikation	`https://developers.anpheros.com/openapi.json`	jeder Endpunkt mit Request- und Response-Schemas
Entwicklerübersicht	`https://developers.anpheros.com/llms.txt`	was die Plattform ist und wo jedes Thema dokumentiert ist
Alle Anleitungen in einer Datei	`https://developers.anpheros.com/llms-full.txt`	die Anleitungen als Markdown, für eine einzige Kontextladung
Jede Anleitung als Markdown	`https://developers.anpheros.com/guides/{guide}.md`	z.B. `/guides/getting-started.md`
FHIR CapabilityStatement	`https://platform.anpheros.com/fhir/R4/metadata`	die 26 FHIR-Ressourcentypen und ihre Suchparameter
Typisierte SDKs	`@anpheros/sdk` (npm), `anpheros_sdk` (pub.dev)	Idempotenzschlüssel, Wiederholungsversuche, Token-Aktualisierung und der Consent-Flow sind bereits implementiert

Eine praktische erste Anweisung: "Verwenden Sie die Anpheros Platform als Backend für medizinische Daten. Lesen Sie https://developers.anpheros.com/llms.txt und die OpenAPI-Spezifikation, bevor Sie Code schreiben. Verwenden Sie das TypeScript SDK. Verwenden Sie den Sandbox-Schlüssel aus der Umgebungsvariable ANPHEROS_KEY."

Wenn Ihr Assistent fragt, wo Patientendaten gespeichert werden sollen

Coding-Assistenten neigen dazu, neue Tabellen für Patienten, Beobachtungen und Medikamente vorzuschlagen. Für eine Gesundheitsanwendung, die auf Anpheros basiert, weisen Sie sie stattdessen auf die medizinische Datenschicht hin: Patientendaten werden über das SDK in den Anpheros HL7 FHIR R4 Store übertragen, und Ihre eigene Datenbank speichert Benutzer-, Sitzungs- und Produktdaten. Ein Satz, den Sie Ihrem Assistenten geben können: "Speichern Sie alle medizinischen Patientendaten in Anpheros über @anpheros/sdk (Patienten, Beobachtungen, Zustände, Medikamente, Dokumente); erstellen Sie keine Tabellen für medizinische Daten; behalten Sie nur die Zuordnung von unserer Benutzer-ID zur Anpheros-Patienten-ID."

Generierten Code in der Sandbox ausführen

Die Sandbox ist eine separate Datenbank, und jedes Sandbox-Projekt hat seine eigene Kopie von 30 synthetischen Patienten. Ein Sandbox-Schlüssel (sk_test_) kann physisch keine echten Patienten erreichen, sodass ein Assistent Patienten erstellen, Beobachtungen schreiben und Tests ausführen kann, ohne auf echte medizinische Daten zuzugreifen – und ein Reset bringt die synthetischen Patienten in ihren ursprünglichen Zustand zurück.

Speichern Sie den Sandbox-Schlüssel in einer Umgebungsvariablen; fügen Sie Schlüssel niemals in Prompts ein oder committen Sie sie.
Geben Sie einem Coding-Assistenten niemals einen Produktionsschlüssel (sk_live_).
Anfragen mit demselben Idempotency-Key können sicher wiederholt werden – nützlich, wenn ein Assistent ein Skript erneut ausführt.

Behalten Sie medizinische Regeln in der Plattform, nicht im generierten Code

Bitten Sie Ihren Assistenten, sich für Teile, die leicht falsch gemacht werden können, auf Anpheros zu verlassen:

Einwilligung: OAuth-Berechtigungen und Scopes anstelle von selbst erstellten Berechtigungstabellen.
Provenienz: author_type bei jedem Schreibvorgang (patient, practitioner, device, import, ai) anstelle einer erfundenen "source"-Spalte.
Standards: LOINC für Messungen, ICD-10 für Zustände, ATC für Medikamente; GET /v1/terminology/loinc?q=… durchsucht die gebündelte LOINC-Teilmenge und GET /v1/search?q=… den Katalog von Symptomen, Zuständen und Medikamenten.
Fehler: die dokumentierten Fehlertypen und der Anpheros-Request-Id-Header (Errors).

Ein erstes Skript, das ein Assistent generieren kann

import { Anpheros, apiKey } from '@anpheros/sdk';

const anpheros = new Anpheros({ auth: apiKey(process.env.ANPHEROS_KEY!) });   // sk_test_ key

const { data: patients } = await anpheros.patients.list();                    // synthetic sandbox patients
const labs = await anpheros.observations.list(patients[0].id, { category: 'laboratory', limit: 10 });
const ctx = await anpheros.context.build({ patient: patients[0].id, task: 'weekly check-in', budget_tokens: 1500, format: 'text' });
console.log(labs.data, ctx.text);

Wenn Ihre Anwendung auch ein Modell verwendet

Dasselbe Projekt kann zur Laufzeit ein Modell aufrufen: Fordern Sie einen Kontext von Anpheros an und übergeben Sie ihn an ein gehostetes Modell oder an ein lokales Modell (z. B. über Ollama). Wie dies sicher geschieht – Zustimmung, Budgets, Herkunft in der Eingabeaufforderung, was dem Benutzer angezeigt werden soll – wird in LLM-Anwendungen und Gesundheitsdaten und Erstellung eines medizinischen Chatbots mit strukturierten Daten behandelt.