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

Εφαρμογές LLM και δεδομένα υγειονομικής περίθαλψης

Χρήση μεγάλων γλωσσικών μοντέλων με δεδομένα υγειονομικής περίθαλψης: αίτημα και απόκριση API περιβάλλοντος, μοντέλα cloud και τοπικά, συστήματα πράκτορων, ανάκτηση έναντι περιβάλλοντος και prompting με προέλευση.

Μια εφαρμογή που χρησιμοποιεί ένα μεγάλο γλωσσικό μοντέλο με δεδομένα υγειονομικής περίθαλψης πρέπει να λύσει ένα πρόβλημα που το μοντέλο δεν μπορεί: ποιο μέρος του αρχείου ενός ασθενούς να συμπεριλάβει στο prompt, και πώς να το επισημάνει ώστε το μοντέλο να μπορεί να διακρίνει τα γεγονότα από τις σημειώσεις. Το Anpheros το λύνει από την πλευρά των δεδομένων με ένα context API: δεδομένου ενός ασθενούς, μιας εργασίας και ενός προϋπολογισμού token, επιστρέφει τις σχετικές ενότητες του αρχείου HL7 FHIR R4 του ασθενούς, με κάθε στοιχείο επισημασμένο με την πηγή του. Η εφαρμογή σας στέλνει αυτό το context στο μοντέλο που επιλέγετε — φιλοξενούμενο ή τοπικό.

Πώς συνδέω ένα LLM με ιατρικά δεδομένα FHIR; Διατηρήστε τα αρχεία σε ένα FHIR store στο οποίο το μοντέλο δεν μπορεί να έχει άμεση πρόσβαση — με το Anpheros, το αρχείο HL7 FHIR R4 του ασθενούς — ζητήστε του ένα προϋπολογισμένο, επισημασμένο με την πηγή context (POST /v1/context), και συμπεριλάβετε αυτό το context στο prompt του μοντέλου που επιλέγετε. Το μοντέλο δεν λαμβάνει ποτέ διαπιστευτήρια βάσης δεδομένων ή API. η εφαρμογή σας πραγματοποιεί τις κλήσεις, εντός της συναίνεσης του ασθενούς.

Το Anpheros δεν εκτελεί μοντέλα και δεν έχει εγγενή ενσωμάτωση με κανέναν πάροχο μοντέλων ή τοπικό runtime.

Το μοτίβο

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

Το αίτημα περιεχομένου

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"
}'

Η απάντηση του πλαισίου

• sections — για παράδειγμα, μια κάρτα σύνοψης, παθήσεις, φάρμακα, αλλεργίες, εμβολιασμοί, εργαστηριακά αποτελέσματα, ζωτικά σημεία με εβδομαδιαίες τάσεις και δείκτες πριν/μετά τη θεραπεία, συμπτώματα, χρονοδιάγραμμα και έγγραφα. Κάθε στοιχείο φέρει author_type και source.
• omitted — τι δεν εντάχθηκε στον προϋπολογισμό· ενημερώστε το μοντέλο ότι το πλαίσιό του είναι μερικό.
• warnings, provenance_note.
• text — όταν το format είναι text.
• manifest_id — το αρχείο καταγραφής των ενοτήτων και των πηγών που χρησιμοποιήθηκαν, συνδεδεμένο με το αρχείο καταγραφής πρόσβασης.
• μια ενότητα ai_notes — οι τιμές που έγραψε νωρίτερα μια ΤΝ εμφανίζονται μόνο εκεί, σημειωμένες ως μη επαληθευμένες, ποτέ αναμεμειγμένες με τις κλινικές ενότητες.

Cloud models

Με ένα hosted μοντέλο — από OpenAI, Anthropic, Google, xAI ή άλλο πάροχο — το backend σας τοποθετεί το context στο prompt και καλεί το API του παρόχου. Το context φεύγει από την υποδομή σας για αυτόν τον πάροχο, οπότε:

• βεβαιωθείτε ότι η συγκατάθεση του ασθενούς και η ειδοποίηση απορρήτου σας καλύπτουν την αποστολή δεδομένων σε αυτόν·
• έχετε συμφωνία επεξεργασίας δεδομένων με τον πάροχο που ταιριάζει σε δεδομένα υγείας·
• στείλτε μόνο ό,τι χρειάζεται η εργασία — ο προϋπολογισμός token και το explicit needs βοηθούν.

Τοπικά μοντέλα

Με ένα μοντέλο που εκτελείτε μόνοι σας — για παράδειγμα μέσω του Ollama ή άλλου τοπικού runtime — η μόνη κλήση δικτύου που μεταφέρει δεδομένα ασθενούς είναι αυτή μεταξύ του backend σας και του Anpheros· το prompt και η απάντηση παραμένουν στην υποδομή σας. Μικρότερα τοπικά μοντέλα έχουν μικρότερα παράθυρα περιβάλλοντος (context windows): χαμηλότερο budget_tokens αναλόγως και προτιμούν format: "text".

Agentic συστήματα

Όταν το μοντέλο αποφασίζει ποιες κλήσεις θα πραγματοποιήσει, δώστε του εργαλεία (context, search, timeline) αντί για ακατέργαστα διαπιστευτήρια, κρατήστε τα scopes περιορισμένα και καταγράψτε κάθε manifest_id δίπλα στην απάντηση. AI agents and medical data

API Περιβάλλοντος ή δική σας ανάκτηση;

Μια ροή ανάκτησης πάνω σε ελεύθερο κείμενο (ενσωμάτωση τμημάτων εγγράφων και αναζήτησή τους) είναι χρήσιμη για αδόμητες σημειώσεις. Για δομημένα ιατρικά δεδομένα, το API περιβάλλοντος είναι συνήθως απλούστερο και ασφαλέστερο: λειτουργεί σε κωδικοποιημένους πόρους FHIR, διατηρεί την προέλευση, γνωρίζει τις τάσεις και τις περιόδους θεραπείας, σέβεται τη συγκατάθεση και ελέγχεται. Τα δύο μπορούν να συνδυαστούν — για παράδειγμα, περιβάλλον από το Anpheros συν ανακτηθέντα αποσπάσματα από έγγραφα που διαχειρίζεστε.

Προτροπή με προέλευση

Διατηρήστε τις ετικέτες στην προτροπή και πείτε στο μοντέλο τι σημαίνουν:

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.

Σχετικά

• Εφαρμογές τεχνητής νοημοσύνης στην υγειονομική περίθαλψη
• Πράκτορες τεχνητής νοημοσύνης και ιατρικά δεδομένα
• Πώς να δημιουργήσετε ένα ιατρικό chatbot με δομημένα δεδομένα
• Ασφάλεια, ιδιωτικότητα και τοποθεσία δεδομένων

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