# Εφαρμογές LLM και δεδομένα υγειονομικής περίθαλψης

> Χρήση μεγάλων γλωσσικών μοντέλων με δεδομένα υγειονομικής περίθαλψης: αίτημα και απόκριση του context API, cloud και τοπικά μοντέλα, agentic συστήματα, retrieval έναντι context, και prompting με provenance.

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

**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

```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"
}'
```

| Πεδίο | Σημασία |
|---|---|
| `patient` | το αναγνωριστικό του ασθενούς που βλέπει η διαπίστευσή σας |
| `task`, `question` | τι θα κάνει το μοντέλο· η πλατφόρμα σχεδιάζει ποια μέρη του αρχείου είναι σχετικά |
| `needs` | προαιρετικές ρητές ανάγκες, για παράδειγμα `["labs:4548-4", "vitals:trend:85354-9", "timeline:180d"]` |
| `budget_tokens` | μέγεθος του περιεχομένου, 300–8 000 (προεπιλογή 2 000) |
| `format` | `structured` (ενότητες JSON) ή `text` (επιστρέφει επίσης ένα έτοιμο προς χρήση μπλοκ κειμένου) |
| `window_days` | προαιρετικό παράθυρο αναδρομής |

## 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](https://developers.anpheros.com/el/guides/ai-agents-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](https://developers.anpheros.com/el/guides/ai-healthcare)
- [Πράκτορες τεχνητής νοημοσύνης και ιατρικά δεδομένα](https://developers.anpheros.com/el/guides/ai-agents-medical-data)
- [Πώς να δημιουργήσετε ένα ιατρικό chatbot με δομημένα δεδομένα](https://developers.anpheros.com/el/guides/ai-medical-assistant)
- [Ασφάλεια, ιδιωτικότητα και τοποθεσία δεδομένων](https://developers.anpheros.com/el/guides/security)