# AI egészségügyi alkalmazások

> Mit igényelnek az AI egészségügyi alkalmazások az adatrétegüktől – strukturált adatok, relevanciát, forrásokat, hozzájárulást, elszámoltathatóságot – és hogyan biztosítja ezt az Anpheros anélkül, hogy modelleket tárolna.

Source: https://developers.anpheros.com/hu/guides/ai-healthcare

**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:

```ts
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](https://github.com/anpheros/anpheros-sdk/tree/main/examples/ai-context-llm).

## Az alkalmazások típusai, amelyeket ez támogat

- **Betegközpontú asszisztensek**, amelyek a személy saját rekordjával összefüggésben válaszolnak kérdésekre. → [Orvosi chatbot készítése strukturált adatokkal](https://developers.anpheros.com/hu/guides/ai-medical-assistant)
- **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](https://developers.anpheros.com/hu/guides/ai-agents-medical-data)
- **LLM funkciók meglévő szoftvereken belül**, akár hostolt, akár helyi modellel. → [LLM alkalmazások és egészségügyi adatok](https://developers.anpheros.com/hu/guides/llm-healthcare-data)
- **AI kódoló eszközökkel írt orvosi szoftverek**, ahol a generált kód egy tesztelt orvosi adat API-ra támaszkodik. → [Anpheros AI fejlesztőknek](https://developers.anpheros.com/hu/guides/ai-developers)

## 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](https://developers.anpheros.com/hu/guides/build-ai-healthcare-app): lépésről lépésre útmutató TypeScript nyelven
- [Hogyan adjunk AI ügynöknek hozzáférést orvosi rekordokhoz](https://developers.anpheros.com/hu/guides/ai-agent-access-medical-records): lépésről lépésre útmutató Python nyelven
- [AI ügynökök és orvosi adatok](https://developers.anpheros.com/hu/guides/ai-agents-medical-data)
- [LLM alkalmazások és egészségügyi adatok](https://developers.anpheros.com/hu/guides/llm-healthcare-data)
- [Orvosi chatbot készítése strukturált adatokkal](https://developers.anpheros.com/hu/guides/ai-medical-assistant)
- [Anpheros AI fejlesztőknek](https://developers.anpheros.com/hu/guides/ai-developers)
- [Orvosi adat infrastruktúra](https://developers.anpheros.com/hu/guides/medical-data-infrastructure)
- [Virtuális ellátás és AI orvosok: a szükséges betegadatok](https://developers.anpheros.com/hu/guides/virtual-care-ai-data)