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

Gesundheitsmuster für KI-Agenten (Beta)

Was sich im Datensatz eines Patienten geändert hat und was sich wiederholt, berechnet durch feste statistische Regeln: Trends, Abweichungen vom üblichen Niveau der Person und Symptomwiederkehr, jeweils mit Periode, Belegen und Einschränkungen; keine Diagnosen.

Anpheros berechnet, was sich in der Patientenakte geändert hat und was wiederkehrt, anhand fester statistischer Regeln, und übergibt jeden Befund mit seiner Periode, den zugrunde liegenden Ressourcen, der Methodenkennung und seinen Einschränkungen an Ihre Anwendung oder Ihren KI-Agenten. Ein Modell muss nicht mehr einen Trend aus einer Handvoll Zahlen erraten: Es erhält den Trend, die Unsicherheit darum und die Daten, die es zitieren kann.

Beta. In der Sandbox funktioniert es mit jeder Sandbox-Anmeldeinformation (sk_test_… Schlüssel und Sandbox-OAuth-Verbindungen). Bei Produktionsdatensätzen läuft es nur unter der OAuth-Zustimmung eines Patienten, die die separate anpheros/patterns Berechtigung einschließt; Produktions-API-Schlüssel erhalten 403.

Was es findet

Typ	Frage, die es beantwortet	Methode
`trend`	Steigt oder fällt eine Messung über das Zeitfenster?	Theil–Sen-Steigung mit Mann–Kendall für einen Wert pro Tag (wöchentliche Mediane für dichte Überwachungsdaten), korrigiert, wenn benachbarte Tage gleich sind
`trend` (`change_between_results`)	Wie hat sich ein Labortest mit zwei bis fünf Ergebnissen verändert?	Erstes und letztes Ergebnis, das Neueste im Vergleich zum Referenzbereich des Berichts; beschrieben, nicht getestet
`trend` (`event_rate_change`)	Wird ein Symptom häufiger oder seltener aufgezeichnet?	Symptomtage im Verhältnis zu Tagen, an denen die Person etwas protokolliert hat, letzte 30 Tage im Vergleich zu den 90 Tagen davor, exakter Test
`baseline_deviation`	Ist die letzte Woche für diese Person ungewöhnlich?	Letzte 7 Tage im Vergleich zu den Tagen 8–60, Mann–Whitney oder ein autokorrelationsbereinigter Mittelwertunterschied
`recurrence`	Treten Symptomepisoden in regelmäßigen Abständen wieder auf?	Intervalle zwischen Episodenbeginnen, gesäte Monte-Carlo-Simulation im Vergleich zu zufällig platzierten Episoden
`association` (`around_medication_start`, sandbox)	Wird ein Symptom ab Beginn einer Medikation häufiger oder seltener aufgezeichnet?	Symptomtage im Verhältnis zu aktiven Tagen in den 30 Tagen ab Beginn im Vergleich zu bis zu 90 Tagen davor, exakter Test
`association` (`after_short_sleep`, sandbox)	Wird ein Symptom an Tagen nach weniger als 6 Stunden Schlaf häufiger aufgezeichnet?	Tage mit gemessenem Schlaf und einem Eintrag der Person, kurze im Vergleich zu längeren Nächten, Fisher's exakter Test
`convergence` (`recent_changes_together`, sandbox)	Haben sich mehrere Dinge in derselben jüngsten Periode geändert?	Kein neuer Test: gruppiert mindestens zwei jüngste Änderungen (eine ungewöhnliche Woche, ein Symptom häufiger oder seltener), die jeweils statistisch gestützt sind; gibt nur an, dass sie zusammen aufgetreten sind

Alle Tests eines Durchlaufs werden gemeinsam korrigiert (Benjamini–Hochberg). Eine Feststellung ist statistically_supported nur, wenn der korrigierte q-Wert unter 0,05 liegt und die Änderung mindestens dem Schwellenwert für diese Messung entspricht.

Was es nicht ist

Keine Diagnose. Befunde beschreiben den Datensatz; sie benennen niemals eine Erkrankung oder empfehlen eine Therapieänderung. Jeder Befund trägt safety.not_a_diagnosis = true und safety.causal_claim = false.
Keine Ursache. Eine Änderung nach einer neuen Medikation oder zwei gemeinsam aufgezeichnete Dinge sind kein Beweis dafür, dass eines das andere verursacht hat. Assoziationen besagen nur, dass zwei Dinge ungefähr zur gleichen Zeit aufgetreten sind; jede trägt confounding_possible und not_causal, und nur Medikamentenstarts und Schlaf werden gegen Symptome getestet, nicht jedes Paar. Derzeit nur mit Sandbox-Anmeldedaten.
Kein KI-Modell und noch nicht klinisch überprüft. Jede Zahl stammt aus festen, versionierten statistischen Regeln; kein KI-Modell analysiert die Daten. Die Schwellenwerte für eine aussagekräftige Änderung wurden mit KI-Unterstützung festgelegt und noch nicht von einem Kliniker überprüft; jeder Befund besagt dies in review.thresholds_reviewed_by_clinician. Die Engine wird anhand synthetischer Patienten mit bekannten, eingebrachten Mustern validiert: Sie findet, was eingebracht wurde, und bleibt ruhig, wenn nichts eingebracht wurde. Das ist keine klinische Validierung.

Ausprobieren

Jedes Sandbox-Projekt hat 30 synthetische Patienten, und sechs davon tragen ein angelegtes Muster. Finden Sie einen mit GET /fhir/R4/Patient?identifier=https://anpheros.com/fhir/sid/sandbox-persona|<key>.

Patient	Was wurde angelegt	Was der Engine berichtet
p01 Andrei Popescu	Tägliche Blutdruckmessung zu Hause, sinkt über sechs Monate um etwa 8/5 mmHg	`trend.decreasing` für systolisch (8480-6) und diastolisch (8462-4)
p06 Giulia Rossi	Kopfschmerzen alle 7 Tage, plus/minus eins	`recurrence.intervals` für Kopfschmerzen (R51)
p17 Ciarán Murphy	Müdigkeit an etwa der Hälfte der letzten 30 Tage, verglichen mit 1 Tag von 12 zuvor	`frequency.increased` für Müdigkeit (R53)
p19 Felix Gruber	Ruhe-Herzfrequenz von einer Uhr, etwa 9 Schläge pro Minute über seinem üblichen Niveau in der letzten Woche	`baseline.higher` für Ruhe-Herzfrequenz (40443-4)
p20 Ivana Horvat	Ruhe-Herzfrequenz von einer Uhr, sinkt über sechs Monate um etwa 16 Schläge pro Minute	`trend.decreasing` für Ruhe-Herzfrequenz (40443-4)
p30 Jan Kowalczyk	Dichte Uhr- und Heimdaten ohne angelegtes Muster	Kein unterstützter Befund: die Engine bleibt still

Projekte, die vor dem 16. Oktober 2026 erstellt wurden, erhalten diese Muster nach dem Zurücksetzen ihrer synthetischen Patienten über das Dashboard; ein Zurücksetzen ersetzt alle vorgenommenen Änderungen.

curl -s https://platform.anpheros.com/v1/patients/$PATIENT/patterns?window_days=180 \
  -H "Authorization: Bearer $ANPHEROS_KEY"

Mit dem TypeScript SDK (@anpheros/sdk 0.2.0 oder neuer):

const run = await anpheros.patterns.run(patientId, { window_days: 180, min_strength: 'moderate' });
for (const f of run.findings) console.log(f.summary_text, f.strength, f.limitations.map(l => l.code));

Fragen Sie mit dem MCP-Server Ihren Agenten: "Was hat sich im Datensatz dieses Patienten in den letzten sechs Monaten geändert?" Er ruft get_health_patterns auf und kann mit get_pattern_evidence, get_series und compare_periods nachfassen. POST /v1/context fügt einen patterns-Abschnitt für Fragen zu Änderungen und Beziehungen hinzu, oder wenn Sie nach dem patterns-Bedarf fragen.

Endpunkte

Endpunkt	Was wird zurückgegeben
`GET /v1/patients/{id}/patterns`	ein Lauf: Ergebnisse, was nicht berechnet werden konnte und warum, welche Zustimmung ausgelassen wurde; Filter `window_days` (30–730), `end`, `types`, `min_strength`
`GET /v1/patients/{id}/patterns/{finding_id}`	ein Ergebnis, neu berechnet für dasselbe Fenster
`GET /v1/patients/{id}/patterns/{finding_id}/evidence`	jede unterstützende Ressource, paginiert
`GET /v1/patients/{id}/series?code=…`	eine Messung als ein Wert pro Tag, mit Abdeckung, Lücken und Quellenänderungen
`POST /v1/patients/{id}/patterns/compare`	eine Messung in zwei von Ihnen gewählten Zeiträumen

Befund lesen

summary_text: Ein einfacher Satz, der sicher angezeigt oder zitiert werden kann.
strength: strong, moderate, weak oder not_tested. Schwache und ungetestete Befunde sind Beschreibungen, keine Beweise.
window, comparison_window: die analysierten Zeiträume.
evidence (bis zu 20, über den Zeitraum verteilt) und evidence_total: die Ressourcen hinter dem Befund, mit Version, Datum, Wert und Autorentyp.
limitations: kodiert, mit Text. Zeigen Sie sie zusammen mit dem Befund an.
review: ob ein Kliniker die Schwellenwerte überprüft hat (derzeit false) und woher diese stammen.
method, engine_version, input_fingerprint: dieselben Daten, Konfigurationen und Versionen ergeben dasselbe Ergebnis und dieselbe ID.

Wissenswerte Regeln

Zuerst die Zustimmung. Unter einer OAuth-Berechtigung liest die Engine nur, was die Berechtigung erlaubt; was sie nicht lesen konnte, ist in omitted ohne Inhalt aufgeführt.
IDs. Patienten erscheinen mit der paarweisen ID Ihres Projekts; gefundene IDs werden pro Projekt abgeleitet. Wenn sich der Datensatz ändert, erhält ein Fund eine neue ID und die alte gibt 404 zurück.
Zeit. Wenn die Zeit eines Lesevorgangs einen expliziten Offset trägt (2026-10-16T00:30:00+03:00), zählt sie auf dem eigenen Tag der Person; Zeiten in UTC (Z) oder ohne Offset bleiben auf dem UTC-Tag. Jeder Fund gibt an, welcher in time_basis (record_offsets, partly_local oder local_time_unknown). Lokale Tage werden auf Sandbox- und Produktionsdatensätzen verwendet; Tageszeitmuster werden noch nicht berechnet.
Ausgelassen. Von KI geschriebene Werte, als "entered-in-error" markierte Ergebnisse und nur monatsbekannte Daten werden nicht verwendet und gezählt.
Limits. 30 Musterläufe pro Minute pro Anmeldeinformation, zusätzlich zu den üblichen 600 Anfragen pro Minute.

Häufig gestellte Fragen

Verwendet es ein Sprachmodell?

Nein. Jede Zahl stammt aus festen, versionierten statistischen Methoden. Jedes Modell, ob gehostet oder lokal, kann die Ergebnisse lesen.

Warum wird eine klare Änderung in meinen Daten als schwach markiert?

Da die Evidenz die Korrektur für alle Tests im Durchlauf nicht übersteht, die Serie kurz oder verrauscht ist oder die Änderung unter dem Schwellenwert für diese Messung liegt. Der Befund beschreibt weiterhin, was der Datensatz zeigt.

Funktioniert es mit Produktionsdaten?

Ja, ab dem 16. Oktober 2026, aber nur unter der OAuth-Zustimmung eines Patienten, die die separate anpheros/patterns-Berechtigung beinhaltet, welche der Zustimmungsbildschirm auf einer eigenen Zeile anzeigt. Fordern Sie den Geltungsbereich neben Ihren patient/…-Geltungsbereichen an; eine Gewährung ohne diesen und ein beliebiger Produktions-API-Schlüssel führen zu einem 403.