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

LLM alkalmazások és egészségügyi adatok

Nagy nyelvi modellek használata egészségügyi adatokkal: a kontextus API kérés és válasz, felhő és helyi modellek, ügynöki rendszerek, lekérés vs. kontextus, és promptolás eredettel.

Egy olyan alkalmazásnak, amely nagyméretű nyelvi modellt használ egészségügyi adatokkal, meg kell oldania egy olyan problémát, amit a modell nem tud: a beteg rekordjának melyik részét tegye a promptba, és hogyan címkézze azt, hogy a modell meg tudja különböztetni a tényeket a jegyzetektől. Az Anpheros ezt az adatoldalon oldja meg egy kontextus API-val: a beteg, a feladat és egy token költségvetés alapján visszaadja a beteg HL7 FHIR R4 rekordjának releváns részeit, minden elemet a forrásával címkézve. Az Ön alkalmazása ezt a kontextust elküldi az Ön által választott modellnek – legyen az felhő alapú vagy lokális.

Hogyan csatlakoztathatok egy LLM-et FHIR orvosi adatokhoz? Tartsa a rekordokat egy FHIR tárolóban, amelyhez a modell nem fér hozzá közvetlenül – az Anpheros segítségével a beteg HL7 FHIR R4 rekordját – kérjen tőle egy költségvetésű, forrással címkézett kontextust (POST /v1/context), és tegye ezt a kontextust az Ön által választott modell promptjába. A modell soha nem kap adatbázis vagy API hitelesítő adatokat; az Ön alkalmazása végzi a hívásokat, a beteg beleegyezésével.

Az Anpheros nem futtat modelleket, és nincs natív integrációja semmilyen modell szolgáltatóval vagy lokális futtatókörnyezettel.

A minta

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

A kontextus kérés

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"
}'

A kontextus válasz

• sections — például összefoglaló kártya, állapotok, gyógyszerek, allergiák, oltások, laboreredmények, heti trendekkel és kezelés előtti/utáni jelzőkkel ellátott vitális jelek, tünetek, idővonal és dokumentumok. Minden elem author_type és source azonosítókat tartalmaz.
• omitted — ami nem fért bele a költségvetésbe; tájékoztatja a modellt, hogy a kontextusa részleges.
• warnings, provenance_note.
• text — amikor a format text.
• manifest_id — a felhasznált szakaszok és források nyilvántartása, összekapcsolva a hozzáférési naplóval.
• egy ai_notes szakasz — az AI által korábban írt értékek csak ott jelennek meg, jelölve, hogy nem ellenőrzöttek, soha nem keverednek a klinikai szakaszokkal.

Felhőalapú modellek

Egy hosztolt modellel – az OpenAI, Anthropic, Google, xAI vagy más szolgáltatótól – a backendje helyezi a kontextust a promptba, és meghívja a szolgáltató API-ját. A kontextus elhagyja az Ön infrastruktúráját a szolgáltatóhoz, ezért:

• győződjön meg róla, hogy a beteg hozzájárulása és az Ön adatvédelmi nyilatkozata lefedi az adatok oda küldését;
• kössön adatfeldolgozási megállapodást a szolgáltatóval, amely alkalmas egészségügyi adatokra;
• csak azt küldje el, amire a feladatnak szüksége van – a tokenkeret és az explicit needs segítenek ebben.

Helyi modellek

Saját magad által futtatott modellel – például Ollama vagy más helyi futtatókörnyezet segítségével – az egyetlen hálózati hívás, amely betegadatokat továbbít, a backended és az Anpheros közötti hívás; a prompt és a válasz az infrastruktúrádon marad. A kisebb helyi modellek kisebb kontextusablakkal rendelkeznek: ennek megfelelően alacsonyabb a budget_tokens, és előnyben részesítik a format: "text".

Agentikus rendszerek

Amikor a modell eldönti, mely hívásokat tegye meg, adjon neki eszközöket (kontextus, keresés, idővonal) nyers hitelesítő adatok helyett, tartsa a hatóköröket szűken, és naplózza mindegyik manifest_id-et a válasz mellett. AI ügynökök és orvosi adatok

Kontekst API vagy saját lekérdezés?

A szabad szövegen alapuló lekérdezési folyamat (dokumentumok darabokra bontása és azok keresése) hasznos lehet strukturálatlan jegyzetek esetén. Strukturált orvosi adatokhoz a kontext API általában egyszerűbb és biztonságosabb: kódolt FHIR erőforrásokon dolgozik, megőrzi a származást, ismeri a trendeket és kezelési időszakokat, tiszteletben tartja a hozzájárulást és auditálva van. A kettő kombinálható – például az Anpheros kontextusából származó információk, plusz az Ön által kezelt dokumentumokból lekérdezett részek.

Prompting with provenance

Tartsa meg a címkéket a promptban, és mondja el a modellnek, mit jelentenek:

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.

Kapcsolódó

• AI egészségügyi alkalmazások
• AI ügynökök és orvosi adatok
• Hogyan építsünk orvosi chatbotot strukturált adatokkal
• Biztonság, adatvédelem és adattárolás helye

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