Try it free in the sandbox · first FHIR call in 5 minutesFree · 30 synthetic patients · no card
AI egészségügyi alkalmazások
Mire van szükségük az AI egészségügyi alkalmazásoknak az adatrétegüktől – strukturált adatok, relevancia, források, beleegyezés, elszámoltathatóság – és hogyan biztosítja ezt az Anpheros modellek tárolása nélkül.
Egy AI egészségügyi alkalmazás egy gépi tanulási modellt használ – jellemzően egy nagy nyelvi modellt –, hogy segítsen embereknek vagy klinikusoknak egészségügyi információkkal: válaszoljon a személy rekordjára vonatkozó kérdésekre, összefoglalja az eredményeket, felkészítse a látogatást, felismerje a trendeket. Minősége a modell által kapott betegkontextustól függ, és megbízhatósága a kontextust körülvevő szabályoktól. Az Anpheros biztosítja az ilyen alkalmazások orvosi adatrétegét: hozzájáruláson alapuló hozzáférést egy beteg HL7 FHIR R4 rekordjához, egy kontextus API-t, amely előkészíti annak releváns részét egy modell számára, és auditot arról, hogy mit olvasott az AI.
Az Anpheros nem tárol vagy futtat AI modelleket, és nincs hivatalos integrációja semmilyen AI-szolgáltatóval. Az Ön alkalmazása hívja meg a választott modellt.
Az architektúra
AI application your assistant, agent or feature; your prompts and safety rules
↓
Anpheros API authenticated as your project, or as an app the patient consented to
↓
Medical context POST /v1/context — the relevant sections, within a token budget,
↓ every item labelled with author type and source
FHIR data the patient's record: observations, conditions, medications, …
↓
Consent scopes and duration chosen by the patient; every read logged
Milyen adatbázist vagy backendet használjon egy AI egészségügyi alkalmazás a páciens adatokhoz?
Az Anpheros lehet ez a réteg. Ez egy felügyelt HL7 FHIR R4 adattár — egy FHIR backend a páciens orvosi nyilvántartásaihoz —, amelyhez API-n keresztül lehet hozzáférni, beépített páciens hozzájárulással, származási információval, hozzáférési naplóval és egy AI kontextus API-val. Nem egy általános célú SQL adatbázis, és nem egy AI platform: az alkalmazás a saját felhasználóit, beállításait és nem orvosi adatait a saját adatbázisában tartja, a páciens orvosi adatait az Anpheros API-n keresztül tárolja és olvassa, és az Ön által választott bármelyik modellt hívja.
Mit igényel egy AI egészségügyi alkalmazás az adatrétegétől
| Igény | Miért | Anpherosban |
|---|---|---|
| Strukturált, kódolt adatok | a modellek jobban érvelnek a "HbA1c 6,4% (LOINC 4548-4), 2026-09-01" felett, mint egy PDF felett | FHIR R4 erőforrások LOINC, ICD-10, ATC, UCUM kódokkal |
| Relevancia költségvetésen belül | egy teljes rekord nem illeszkedik egy promptba, és az irreleváns adatok hígítják a válaszokat | kontextus API task, question, needs és budget_tokens kódokkal |
| Források minden tényhez | a modellnek – és a felhasználónak – tudnia kell, hogy egy laboreredmény egy beírt jegyzetből származik-e | author_type és source minden elemen; omitted felsorolja, mi maradt ki |
| Az AI kimenetének elkülönítése a tényektől | a korábbi AI összefoglalók nem válhatnak "tényekké" a későbbi promptokban | AI által írt értékek elkülönítve a ai_notes alatt |
| Hozzájárulás | a beteg dönt arról, hogy egy AI funkció olvashatja-e a rekordját | OAuth engedélyek; egy kontextus megfigyelésekhez, állapotokhoz, gyógyszerekhez és allergiákhoz való olvasási hozzáférést igényel |
| Elszámoltathatóság | a betegeknek látniuk kell, hogy egy asszisztens olvasta az adataikat | minden kontextus kérés megjelenik a beteg hozzáférési naplójában, egy manifest id-vel |
Példa architektúra: egy AI-alapú egészségügyi alkalmazás Anpheros és FHIR használatával
Magas vérnyomás kezelését segítő alkalmazás: a felhasználók rögzítik vérnyomásukat és gyógyszereiket, egy laboratórium elküldi az eredményeket, és egy asszisztens elmagyarázza a változásokat. Az alábbi minden hívás a nyilvános API része.
Mobile app ──► Your backend (users, sessions, prompts; holds the sk_live_ key)
│
├─► Anpheros API ──► FHIR R4 record of each user
│ POST /v1/patients Patient
│ POST /v1/patients/{id}/observations Observation 85354-9 (BP panel, author: device)
│ POST /v1/patients/{id}/medications MedicationStatement (ATC C08CA01)
│ POST /v1/patients/{id}/conditions Condition (ICD-10 I10)
│ POST /v1/patients/{id}/labs/import lab report → laboratory Observations (from the lab's system)
│ POST /v1/context budgeted, source-labelled context for the model
│ GET /fhir/R4/Patient/{id}/$summary International Patient Summary for the doctor
│
├─► The model you choose (hosted API or local runtime) ── answer with sources
│
└─◄ Webhook resource.created (signed) ── a new lab result arrived → prepare an explanation
Az asszisztens kéréskezelője a backendben:
import { Anpheros, apiKey } from '@anpheros/sdk';
const anpheros = new Anpheros({ auth: apiKey(process.env.ANPHEROS_KEY!) });
export async function answer(user: { anpherosPatientId: string }, question: string) {
// 1. Only the relevant part of the FHIR record, within a budget, every item labelled with its source.
const ctx = await anpheros.context.build({
patient: user.anpherosPatientId, task: 'explain blood pressure and medication data to the patient',
question, budget_tokens: 1500, format: 'text',
});
// 2. Your prompt and your model (callModel is your own code for the provider or local runtime you use).
const text = await callModel({ system: RULES_WITH_PROVENANCE, context: ctx.text, question, partial: ctx.omitted });
// 3. Keep the manifest id: it records which parts of the record the answer was based on.
return { text, manifestId: ctx.manifest_id };
}
Mi tartozik melyik részhez:
| Rész | Tulajdon |
|---|---|
| Az Ön alkalmazása és backendje | felhasználók, UI, promptok, biztonsági szabályok, a modell kiválasztása |
| Anpheros | a beteg orvosi adatai (FHIR R4), hozzájárulás, eredet, hozzáférési napló, a kontextus API, laboratóriumi importálás, webhookok |
| A modell | nyelvi megértés és a válasz megfogalmazása – soha nem a hitelesítő adatok |
A kontextus-plusz-modell lépés futtatható verziója a nyilvános példákban található: ai-context-llm.
Az alkalmazások típusai, amelyeket ez támogat
- Betegközpontú asszisztensek, amelyek a személy saját rekordjával összefüggésben válaszolnak kérdésekre. → Orvosi chatbot készítése strukturált adatokkal
- Ügynökök, amelyek több lépésből álló feladatokat végeznek egy rekord felett: látogatási összefoglaló készítése, gyógyszerlista egyeztetése, az utolsó felülvizsgálat óta történt változások ellenőrzése. → AI ügynökök és orvosi adatok
- LLM funkciók meglévő szoftvereken belül, akár hostolt, akár helyi modellel. → LLM alkalmazások és egészségügyi adatok
- AI kódoló eszközökkel írt orvosi szoftverek, ahol a generált kód egy tesztelt orvosi adat API-ra támaszkodik. → Anpheros AI fejlesztőknek
Figyelembe veendő korlátok
- A modell válasza nem minősül klinikai döntésnek. Az eredményeket információszerűen jelenítse meg, mutassa meg a forrásokat, és minden olyan kimenetet, amely diagnózisnak vagy kezelésváltoztatásnak tűnik, irányítson orvoshoz.
- Az Anpheros nem állítja, hogy rendelkezik orvostechnikai eszköz tanúsítvánnyal vagy egyéb szabályozási jóváhagyásokkal; az, hogy az Ön AI funkciója szabályozott-e, attól függ, hogy mit állít, és ez az értékelés az Ön felelőssége.
- Ha hosztolt modellt használ, a kontextus elhagyja az Ön infrastruktúráját az adott szolgáltató felé; a hozzájárulási szövegnek és az adatfeldolgozási megállapodásoknak ezt fedezniük kell. Helyi modell esetén a prompt az Ön infrastruktúráján marad.
- Az Anpheros jelenleg nem biztosít Model Context Protocol (MCP) szervert.
Kapcsolódó
- AI alapú egészségügyi alkalmazás készítése FHIR háttérrendszerrel: lépésről lépésre útmutató TypeScript nyelven
- Hogyan adjunk AI ügynöknek hozzáférést orvosi rekordokhoz: lépésről lépésre útmutató Python nyelven
- AI ügynökök és orvosi adatok
- LLM alkalmazások és egészségügyi adatok
- Orvosi chatbot készítése strukturált adatokkal
- Anpheros AI fejlesztőknek
- Orvosi adat infrastruktúra
- Virtuális ellátás és AI orvosok: a szükséges betegadatok
Try it free in the sandbox · first FHIR call in 5 minutesFree · 30 synthetic patients · no card