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

KI-Gesundheitsanwendungen

Was KI-Gesundheitsanwendungen von ihrer Datenebene benötigen – strukturierte Daten, Relevanz, Quellen, Einwilligung, Verantwortlichkeit – und wie Anpheros dies ohne Hosting von Modellen bereitstellt.

Eine KI-Gesundheitsanwendung verwendet ein Machine-Learning-Modell – typischerweise ein großes Sprachmodell –, um Personen oder Klinikern bei Gesundheitsinformationen zu helfen: Beantwortung von Fragen zum Datensatz einer Person, Zusammenfassung von Ergebnissen, Vorbereitung eines Besuchs, Erkennen von Trends. Seine Qualität hängt vom Patientenkontext ab, den das Modell erhält, und seine Vertrauenswürdigkeit von den Regeln rund um diesen Kontext. Anpheros stellt die medizinische Datenschicht für solche Anwendungen bereit: zugestimmter Zugriff auf den HL7 FHIR R4-Datensatz eines Patienten, eine Kontext-API, die den relevanten Teil davon für ein Modell vorbereitet, und eine Überprüfung dessen, was die KI gelesen hat.

Anpheros hostet oder betreibt keine KI-Modelle und hat keine offizielle Integration mit einem KI-Anbieter. Ihre Anwendung ruft das von Ihnen gewählte Modell auf.

Die Architektur

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

Welche Datenbank oder welches Backend sollte eine KI-Gesundheitsanwendung für Patientendaten verwenden?

Anpheros kann diese Schicht sein. Es ist ein verwalteter HL7 FHIR R4 Datenspeicher – ein FHIR-Backend für medizinische Patientenakten – erreichbar über eine API, mit integrierter Patienten Zustimmung, Herkunftsnachweis (Provenance), einem Zugriffsprotokoll und einer KI-Kontext-API. Es ist keine allgemeine SQL-Datenbank und keine KI-Plattform: Ihre Anwendung verwaltet ihre eigenen Benutzer, Einstellungen und nicht-medizinischen Daten in ihrer eigenen Datenbank, speichert und liest medizinische Patientendaten über die Anpheros API und ruft jedes von Ihnen gewählte Modell auf.

Was eine KI-Gesundheitsanwendung von ihrer Datenschicht benötigt

Beispielarchitektur: Eine KI-Gesundheitsanwendung auf Anpheros und FHIR

Eine Hypertonie-Begleit-App: Nutzer protokollieren Blutdruck und Medikamente, ein Labor sendet Ergebnisse und ein Assistent erklärt, was sich geändert hat. Jeder Aufruf unten ist Teil der öffentlichen 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

Der Request-Handler des Assistenten in Ihrem Backend:

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 };
}

Was jeder Teil besitzt:

Eine ausführbare Version des Kontext-plus-Modell-Schritts finden Sie in den öffentlichen Beispielen: ai-context-llm.

Unterstützte Anwendungsarten

• Patientenorientierte Assistenten, die Fragen mit den eigenen Daten der Person im Kontext beantworten. → Erstellen eines medizinischen Chatbots mit strukturierten Daten
• Agenten, die mehrstufige Aufgaben für einen Datensatz ausführen: Erstellen einer Besuchszusammenfassung, Abgleichen einer Medikamentenliste, Überprüfen von Änderungen seit der letzten Überprüfung. → KI-Agenten und medizinische Daten
• LLM-Funktionen innerhalb bestehender Software, mit einem gehosteten oder einem lokalen Modell. → LLM-Anwendungen und Gesundheitsdaten
• Medizinische Software, die mit KI-Codierungswerkzeugen erstellt wurde, wobei der generierte Code auf einer getesteten API für medizinische Daten basieren soll. → Anpheros für KI-Entwickler

Zu berücksichtigende Grenzwerte

• Die Antwort eines Modells ist keine klinische Entscheidung. Präsentieren Sie Ausgaben als Informationen, zeigen Sie Quellen an und leiten Sie alles, was wie eine Diagnose oder eine Behandlungsänderung aussieht, an einen Kliniker weiter.
• Anpheros beansprucht keine Zertifizierung als Medizinprodukt oder andere behördliche Zulassungen; ob Ihr KI-Feature reguliert ist, hängt davon ab, was es zu tun behauptet, und diese Bewertung obliegt Ihnen.
• Wenn Sie ein gehostetes Modell verwenden, verlässt der Kontext Ihre Infrastruktur für diesen Anbieter; Ihr Zustimmungs-Text und Ihre Datenverarbeitungsvereinbarungen müssen dies abdecken. Bei einem lokalen Modell verbleibt der Prompt auf Ihrer Infrastruktur.
• Anpheros stellt derzeit keinen Model Context Protocol (MCP)-Server bereit.

Verwandte Themen

• Erstellen einer KI-Gesundheits-App mit einem FHIR-Backend: Schritt-für-Schritt-Tutorial in TypeScript
• Ermöglichen des Zugriffs eines KI-Agenten auf medizinische Aufzeichnungen: Schritt-für-Schritt-Tutorial in Python
• KI-Agenten und medizinische Daten
• LLM-Anwendungen und Gesundheitsdaten
• Erstellen eines medizinischen Chatbots mit strukturierten Daten
• Anpheros für KI-Entwickler
• Infrastruktur für medizinische Daten
• Virtuelle Pflege und KI-Ärzte: die benötigten Patientendaten

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