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

LLM एप्लिकेशन और हेल्थकेयर डेटा

हेल्थकेयर डेटा के साथ बड़े भाषा मॉडल का उपयोग करना: कॉन्टेक्स्ट API अनुरोध और प्रतिक्रिया, क्लाउड और लोकल मॉडल, एजेंटिक सिस्टम, रिट्रीवल बनाम कॉन्टेक्स्ट, और प्रोवेनेंस के साथ प्रॉम्प्टिंग।

स्वास्थ्य डेटा के साथ बड़े भाषा मॉडल का उपयोग करने वाले एक एप्लिकेशन को एक समस्या का समाधान करना होता है जिसे मॉडल नहीं कर सकता: रोगी के रिकॉर्ड का कौन सा हिस्सा प्रॉम्प्ट में डालना है, और इसे कैसे लेबल करना है ताकि मॉडल तथ्यों को नोट्स से अलग बता सके। Anpheros इसे डेटा साइड पर एक संदर्भ API के साथ हल करता है: एक रोगी, एक कार्य और एक टोकन बजट दिया गया है, यह रोगी के HL7 FHIR R4 रिकॉर्ड के प्रासंगिक अनुभागों को लौटाता है, प्रत्येक आइटम को उसके स्रोत के साथ लेबल किया जाता है। आपका एप्लिकेशन उस संदर्भ को उस मॉडल पर भेजता है जिसे आप चुनते हैं — होस्टेड या स्थानीय।

मैं LLM को FHIR मेडिकल डेटा से कैसे कनेक्ट करूं? रिकॉर्ड को FHIR स्टोर में रखें जिस तक मॉडल सीधे नहीं पहुंच सकता — Anpheros के साथ, रोगी का HL7 FHIR R4 रिकॉर्ड — इसे एक बजटेड, स्रोत-लेबल वाले संदर्भ (POST /v1/context) के लिए पूछें, और उस संदर्भ को उस मॉडल के प्रॉम्प्ट में डालें जिसे आप चुनते हैं। मॉडल को कभी भी डेटाबेस या API क्रेडेंशियल प्राप्त नहीं होते हैं; आपका एप्लिकेशन रोगी की सहमति के भीतर कॉल करता है।

Anpheros मॉडल नहीं चलाता है और किसी भी मॉडल प्रदाता या स्थानीय रनटाइम के साथ इसका कोई मूल एकीकरण नहीं है।

पैटर्न

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

संदर्भ अनुरोध

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"
}'

फ़ील्ड	अर्थ
`patient`	रोगी आईडी जिसे आपका क्रेडेंशियल देखता है
`task`, `question`	मॉडल क्या करेगा; प्लेटफ़ॉर्म रिकॉर्ड के कौन से हिस्से प्रासंगिक हैं, इसकी योजना बनाता है
`needs`	वैकल्पिक स्पष्ट आवश्यकताएँ, उदाहरण के लिए `["labs:4548-4", "vitals:trend:85354-9", "timeline:180d"]`
`budget_tokens`	संदर्भ का आकार, 300–8 000 (डिफ़ॉल्ट 2 000)
`format`	`structured` (JSON अनुभाग) या `text` (उपयोग के लिए तैयार टेक्स्ट ब्लॉक भी लौटाता है)
`window_days`	वैकल्पिक लुक-बैक विंडो

संदर्भ प्रतिक्रिया

sections — उदाहरण के लिए एक सारांश कार्ड, स्थितियाँ, दवाएँ, एलर्जी, टीकाकरण, लैब परिणाम, साप्ताहिक रुझानों और उपचार-पूर्व/पश्चात मार्करों के साथ महत्वपूर्ण संकेत, लक्षण, समयरेखा और दस्तावेज़। प्रत्येक आइटम author_type और source वहन करता है।
omitted — जो बजट में फिट नहीं हुआ; मॉडल को बताएं कि उसका संदर्भ आंशिक है।
warnings, provenance_note।
text — जब format text है।
manifest_id — किन अनुभागों और स्रोतों का उपयोग किया गया था, इसका रिकॉर्ड, एक्सेस लॉग से जुड़ा हुआ।
एक ai_notes अनुभाग — AI द्वारा पहले लिखे गए मान केवल वहीं दिखाई देते हैं, जिन्हें सत्यापित नहीं के रूप में चिह्नित किया गया है, कभी भी नैदानिक अनुभागों के साथ मिश्रित नहीं किया जाता है।

क्लाउड मॉडल

होस्टेड मॉडल के साथ — OpenAI, Anthropic, Google, xAI या किसी अन्य प्रदाता से — आपका बैकएंड प्रॉम्प्ट में संदर्भ रखता है और प्रदाता के API को कॉल करता है। संदर्भ उस प्रदाता के लिए आपके इंफ्रास्ट्रक्चर को छोड़ देता है, इसलिए:

सुनिश्चित करें कि मरीज़ की सहमति और आपकी गोपनीयता सूचना इसे डेटा भेजने को कवर करती है;
प्रदाता के साथ एक डेटा प्रोसेसिंग समझौता करें जो स्वास्थ्य डेटा के लिए उपयुक्त हो;
केवल वही भेजें जिसकी कार्य को आवश्यकता है — टोकन बजट और स्पष्ट needs मदद करते हैं।

स्थानीय मॉडल

अपने द्वारा चलाए जाने वाले मॉडल के साथ — उदाहरण के लिए Ollama या किसी अन्य स्थानीय रनटाइम के माध्यम से — रोगी डेटा ले जाने वाला एकमात्र नेटवर्क कॉल आपके बैकएंड और Anpheros के बीच होता है; प्रॉम्प्ट और उत्तर आपके इंफ्रास्ट्रक्चर पर ही रहते हैं। छोटे स्थानीय मॉडलों में छोटे कॉन्टेक्स्ट विंडो होते हैं: तदनुसार budget_tokens कम होते हैं और format: "text" को प्राथमिकता देते हैं।

एजेंटिक सिस्टम

जब मॉडल यह तय करता है कि कौन से कॉल करने हैं, तो उसे रॉ क्रेडेंशियल्स के बजाय टूल्स (संदर्भ, खोज, टाइमलाइन) दें, स्कोप को संकीर्ण रखें और प्रत्येक manifest_id को उत्तर के बगल में लॉग करें। AI एजेंट और मेडिकल डेटा

कॉन्टेक्स्ट API या आपका अपना रिट्रीवल?

फ्री टेक्स्ट पर एक रिट्रीवल पाइपलाइन (दस्तावेजों के हिस्सों को एम्बेड करना और उन्हें खोजना) असंरचित नोट्स के लिए उपयोगी है। संरचित मेडिकल डेटा के लिए कॉन्टेक्स्ट API आमतौर पर सरल और सुरक्षित होता है: यह कोडेड FHIR रिसोर्सेज पर काम करता है, प्रोवेनेंस रखता है, ट्रेंड्स और ट्रीटमेंट पीरियड्स के बारे में जानता है, सहमति का सम्मान करता है और ऑडिट किया जाता है। दोनों को जोड़ा जा सकता है — उदाहरण के लिए Anpheros से कॉन्टेक्स्ट, साथ ही आपके द्वारा प्रबंधित दस्तावेजों से रिट्रीव किए गए अंश।

प्रोवेनेंस के साथ प्रॉम्प्ट करना

प्रॉम्प्ट में लेबल रखें और मॉडल को बताएं कि उनका क्या मतलब है:

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.