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

Patrones de salud para agentes de IA (beta)

Qué cambió en el registro de un paciente y qué se repite, calculado por reglas estadísticas fijas: tendencias, desviaciones del nivel habitual de la persona y recurrencia de síntomas, cada uno con su período, evidencia y limitaciones; no diagnósticos.

Anpheros calcula qué cambió en el registro de un paciente y qué se repite, mediante reglas estadísticas fijas, y entrega cada hallazgo a su aplicación o agente de IA con su período, los recursos subyacentes, la versión del método y sus limitaciones. Un modelo ya no tiene que adivinar una tendencia a partir de un puñado de números: recibe la tendencia, la incertidumbre en torno a ella y los datos para citar.

Beta. En el sandbox funciona con cualquier credencial de sandbox (claves sk_test_… y conexiones OAuth de sandbox). En registros de producción, solo se ejecuta bajo el consentimiento OAuth de un paciente que incluya el permiso anpheros/patterns por separado; las claves API de producción obtienen 403.

Qué encuentra

Tipo	Pregunta que responde	Método
`trend`	¿Está una medición subiendo o bajando durante el período?	Pendiente de Theil–Sen con Mann–Kendall en un valor por día (medianas semanales para datos de vigilancia densos), corregido cuando los días vecinos son iguales
`trend` (`change_between_results`)	¿Cómo cambió una prueba de laboratorio con dos a cinco resultados?	Primer y último resultado, con el más reciente comparado con el rango de referencia del informe; descrito, no probado
`trend` (`event_rate_change`)	¿Se registra un síntoma con más o menos frecuencia?	Días de síntomas sobre días en que la persona registró algo, últimos 30 días comparados con los 90 anteriores, prueba exacta
`baseline_deviation`	¿Es la última semana inusual para esta persona?	Últimos 7 días comparados con los días 8–60, Mann–Whitney o una diferencia de medias ajustada por autocorrelación
`recurrence`	¿Los episodios de síntomas regresan a intervalos regulares?	Intervalos entre el inicio de los episodios, Monte Carlo sembrado contra episodios colocados al azar
`association` (`around_medication_start`, sandbox)	¿Se registra un síntoma con más o menos frecuencia desde el inicio de una medicación?	Días de síntomas sobre días activos en los 30 días desde el inicio comparado con hasta 90 días antes, prueba exacta
`association` (`after_short_sleep`, sandbox)	¿Se registra un síntoma con más frecuencia en días con menos de 6 horas de sueño?	Días con sueño medido y una entrada de la persona, noches cortas comparadas con noches más largas, prueba exacta de Fisher
`convergence` (`recent_changes_together`, sandbox)	¿Varios eventos cambiaron en el mismo período reciente?	Sin prueba nueva: agrupa al menos dos cambios recientes (una semana inusual, un síntoma con más o menos frecuencia) que están cada uno estadísticamente respaldados; solo dice que ocurrieron juntos

Todas las pruebas de una ejecución se corrigen juntas (Benjamini–Hochberg). Un hallazgo es statistically_supported solo cuando el valor q corregido está por debajo de 0.05 y el cambio es al menos el umbral para esa medición.

Lo que no es

No es un diagnóstico. Los hallazgos describen el registro; nunca nombran una condición ni recomiendan un cambio de tratamiento. Cada hallazgo lleva safety.not_a_diagnosis = true y safety.causal_claim = false.
No es una causa. Un cambio después de una nueva medicación, o dos cosas registradas juntas, no es evidencia de que una causó la otra. Las asociaciones solo dicen que dos cosas sucedieron al mismo tiempo; cada una lleva confounding_possible y not_causal, y solo los inicios de medicación y el sueño se prueban contra los síntomas, no cada par. Por ahora, solo con credenciales de sandbox.
No es un modelo de IA, y aún no ha sido revisado clínicamente. Cada número proviene de reglas estadísticas fijas y versionadas; ningún modelo de IA analiza los datos. Los umbrales para un cambio significativo se establecieron con ayuda de IA y aún no han sido revisados por un clínico; cada hallazgo lo indica en review.thresholds_reviewed_by_clinician. El motor se valida en pacientes sintéticos con patrones plantados conocidos: encuentra lo que se plantó y permanece en silencio cuando no hay nada. Esa no es una validación clínica.

Pruébalo

Cada proyecto sandbox tiene 30 pacientes sintéticos, y seis de ellos tienen un patrón predefinido. Encuentra uno con GET /fhir/R4/Patient?identifier=https://anpheros.com/fhir/sid/sandbox-persona|<key>.

Paciente	Qué se plantó	Qué reporta el motor
p01 Andrei Popescu	Presión arterial diaria en casa, disminuyendo aproximadamente 8/5 mmHg en seis meses	`trend.decreasing` para sistólica (8480-6) y diastólica (8462-4)
p06 Giulia Rossi	Dolor de cabeza cada 7 días, con una variación de uno	`recurrence.intervals` para dolor de cabeza (R51)
p17 Ciarán Murphy	Fatiga aproximadamente la mitad de los últimos 30 días, frente a 1 día de cada 12 antes	`frequency.increased` para fatiga (R53)
p19 Felix Gruber	Frecuencia cardíaca en reposo de un reloj, aproximadamente 9 lpm por encima de su nivel habitual en la última semana	`baseline.higher` para frecuencia cardíaca en reposo (40443-4)
p20 Ivana Horvat	Frecuencia cardíaca en reposo de un reloj, disminuyendo aproximadamente 16 lpm en seis meses	`trend.decreasing` para frecuencia cardíaca en reposo (40443-4)
p30 Jan Kowalczyk	Datos densos del reloj y del hogar sin nada plantado	No se encontró hallazgo compatible: el motor permanece en silencio

Los proyectos creados antes del 16 de octubre de 2026 obtienen estos patrones después de restablecer sus pacientes sintéticos desde el dashboard; un restablecimiento reemplaza cualquier cambio realizado en ellos.

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

Con el SDK de TypeScript (@anpheros/sdk 0.2.0 o posterior):

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));

Con el servidor MCP, pregúntale a tu agente: "¿Qué cambió en el registro de este paciente en los últimos seis meses?": llama a get_health_patterns, y puede continuar con get_pattern_evidence, get_series y compare_periods. POST /v1/context añade una sección patterns para preguntas sobre cambios y relaciones, o cuando solicitas la necesidad patterns.

Endpoints

Endpoint	Qué devuelve
`GET /v1/patients/{id}/patterns`	un run: hallazgos, lo que no se pudo computar y por qué, qué consentimiento se omitió; filtros `window_days` (30–730), `end`, `types`, `min_strength`
`GET /v1/patients/{id}/patterns/{finding_id}`	un hallazgo, recalculado para la misma ventana
`GET /v1/patients/{id}/patterns/{finding_id}/evidence`	cada recurso de soporte, paginado
`GET /v1/patients/{id}/series?code=…`	una medición como un valor por día, con cobertura, huecos y cambios de origen
`POST /v1/patients/{id}/patterns/compare`	una medición en dos períodos que usted elija

Lectura de un hallazgo

summary_text: una frase sencilla, segura de mostrar o citar.
strength: strong, moderate, weak o not_tested. Los hallazgos débiles y no probados son descripciones, no evidencia.
window, comparison_window: los períodos analizados.
evidence (hasta 20, distribuidos a lo largo del período) y evidence_total: los recursos detrás del hallazgo, con versión, fecha, valor y tipo de autor.
limitations: codificado, con texto. Muéstrelo con el hallazgo.
review: si un clínico ha revisado los umbrales (false por ahora) y de dónde provienen.
method, engine_version, input_fingerprint: los mismos datos, configuración y versiones dan el mismo resultado y el mismo id.

Reglas importantes

Consentimiento primero. Bajo una concesión de OAuth, el motor lee solo lo que la concesión permite; lo que no pudo leer se enumera en omitted, sin contenido.
IDs. Los pacientes aparecen con el ID de emparejamiento de su proyecto; los IDs de hallazgo se derivan por proyecto. Cuando el registro cambia, un hallazgo obtiene un nuevo ID y el anterior responde 404.
Hora. Cuando la hora de una lectura lleva un desplazamiento explícito (2026-10-16T00:30:00+03:00), se basa en el día propio de la persona; las horas en UTC (Z) o sin desplazamiento permanecen en el día UTC. Cada hallazgo indica cuál en time_basis (record_offsets, partly_local o local_time_unknown). Los días locales se utilizan en los registros de sandbox y producción; los patrones de hora del día aún no se calculan.
Omitido. Los valores escritos por IA, los resultados marcados como "entered-in-error" y las fechas conocidas solo por el mes no se utilizan y se cuentan.
Límites. 30 ejecuciones de patrones por minuto por credencial, además de las 600 solicitudes habituales por minuto.

Preguntas frecuentes

¿Utiliza un modelo de lenguaje?

No. Cada número proviene de métodos estadísticos fijos y versionados. Cualquier modelo, alojado o local, puede leer los resultados.

¿Por qué se marca como débil un cambio claro en mis datos?

Porque la evidencia no sobrevive a la corrección para todas las pruebas en la ejecución, la serie es corta o ruidosa, o el cambio está por debajo del umbral para esa medición. El hallazgo aún describe lo que muestra el registro.

¿Funciona en registros de producción?

Sí, a partir del 16 de octubre de 2026, pero solo bajo el consentimiento OAuth de un paciente que incluya el permiso anpheros/patterns separado, que la pantalla de consentimiento muestra en su propia línea. Solicite el scope junto a sus scopes patient/…; una concesión sin él, y cualquier clave API de producción, recibe un 403.

Relacionado

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