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

Aplicaciones LLM y datos sanitarios

Uso de modelos de lenguaje grandes con datos sanitarios: solicitud y respuesta de la API de contexto, modelos en la nube y locales, sistemas agentivos, recuperación frente a contexto, y prompting con procedencia.

Una aplicación que utiliza un modelo de lenguaje grande con datos de salud debe resolver un problema que el modelo no puede: qué parte del registro de un paciente incluir en el prompt y cómo etiquetarla para que el modelo pueda distinguir los hechos de las notas. Anpheros lo resuelve en el lado de los datos con una API de contexto: dado un paciente, una tarea y un presupuesto de tokens, devuelve las secciones relevantes del registro HL7 FHIR R4 del paciente, cada elemento etiquetado con su origen. Su aplicación envía ese contexto al modelo que elija, alojado o local.

¿Cómo conecto un LLM a datos médicos FHIR? Mantenga los registros en un almacén FHIR al que el modelo no pueda acceder directamente —con Anpheros, el registro HL7 FHIR R4 del paciente— solicite un contexto presupuestado y etiquetado por origen (POST /v1/context), e incluya ese contexto en el prompt del modelo que elija. El modelo nunca recibe credenciales de base de datos o API; su aplicación realiza las llamadas, dentro del consentimiento del paciente.

Anpheros no ejecuta modelos y no tiene integración nativa con ningún proveedor de modelos o tiempo de ejecución local.

El patrón

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

La solicitud de contexto

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"
}'

La respuesta de contexto

• sections — por ejemplo, una tarjeta resumen, condiciones, medicamentos, alergias, inmunizaciones, resultados de laboratorio, signos vitales con tendencias semanales y marcadores antes/después del tratamiento, síntomas, línea de tiempo y documentos. Cada elemento lleva author_type y source.
• omitted — lo que no encajó en el presupuesto; se le indica al modelo que su contexto es parcial.
• warnings, provenance_note.
• text — cuando format es text.
• manifest_id — el registro de qué secciones y fuentes se utilizaron, vinculado al registro de acceso.
• una sección ai_notes — los valores que una IA escribió anteriormente solo aparecen allí, marcados como no verificados, nunca mezclados con las secciones clínicas.

Modelos en la nube

Con un modelo alojado — de OpenAI, Anthropic, Google, xAI u otro proveedor — tu backend pone el contexto en el prompt y llama a la API del proveedor. El contexto sale de tu infraestructura hacia ese proveedor, por lo que:

• asegúrate de que el consentimiento del paciente y tu aviso de privacidad cubran el envío de datos al mismo;
• ten un acuerdo de procesamiento de datos con el proveedor que se ajuste a los datos de salud;
• envía solo lo que la tarea necesita — el presupuesto de tokens y el needs explícito ayudan.

Modelos locales

Con un modelo que ejecutas tú mismo —por ejemplo, a través de Ollama u otro tiempo de ejecución local—, la única llamada de red que transporta datos del paciente es la que se produce entre tu backend y Anpheros; el prompt y la respuesta permanecen en tu infraestructura. Los modelos locales más pequeños tienen ventanas de contexto más pequeñas: menor budget_tokens en consecuencia y prefieren format: "text".

Sistemas agénticos

Cuando el modelo decida qué llamadas realizar, proporciónale herramientas (contexto, búsqueda, línea de tiempo) en lugar de credenciales directas, mantén los ámbitos restringidos y registra cada manifest_id junto a la respuesta. Agentes de IA y datos médicos

¿API de contexto o recuperación propia?

Una canalización de recuperación sobre texto libre (incrustando fragmentos de documentos y buscándolos) es útil para notas no estructuradas. Para datos médicos estructurados, la API de contexto suele ser más sencilla y segura: funciona con recursos FHIR codificados, mantiene la procedencia, conoce las tendencias y los períodos de tratamiento, respeta el consentimiento y se audita. Los dos se pueden combinar; por ejemplo, contexto de Anpheros más pasajes recuperados de documentos que usted gestiona.

Indicaciones con procedencia

Mantenga las etiquetas en la indicación y explique al modelo qué significan:

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.

Relacionado

• Aplicaciones de IA en el sector sanitario
• Agentes de IA y datos médicos
• Cómo crear un chatbot médico con datos estructurados
• Seguridad, privacidad y residencia de datos

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