# Aplicaciones de LLM y datos de salud

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

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

**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

```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"
}'
```

| Campo | Significado |
|---|---|
| `patient` | el ID del paciente que ve su credencial |
| `task`, `question` | lo que hará el modelo; la plataforma planifica qué partes del registro son relevantes |
| `needs` | necesidades explícitas opcionales, por ejemplo `["labs:4548-4", "vitals:trend:85354-9", "timeline:180d"]` |
| `budget_tokens` | tamaño del contexto, 300–8 000 (predeterminado 2 000) |
| `format` | `structured` (secciones JSON) o `text` (también devuelve un bloque de texto listo para usar) |
| `window_days` | ventana de retroceso opcional |

## 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](https://developers.anpheros.com/es/guides/ai-agents-medical-data)

## ¿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](https://developers.anpheros.com/es/guides/ai-healthcare)
- [Agentes de IA y datos médicos](https://developers.anpheros.com/es/guides/ai-agents-medical-data)
- [Cómo crear un chatbot médico con datos estructurados](https://developers.anpheros.com/es/guides/ai-medical-assistant)
- [Seguridad, privacidad y residencia de datos](https://developers.anpheros.com/es/guides/security)