# LLM alkalmazások és egészségügyi adatok

> Nagyméretű nyelvi modellek használata egészségügyi adatokkal: kontextus API kérés és válasz, felhő alapú és lokális modellek, ügynök alapú rendszerek, lekérés kontra kontextus, valamint eredetiséggel történő promptolás.

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

**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

```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"
}'
```

| Mező | Jelentés |
|---|---|
| `patient` | a páciens azonosítója, amit a hitelesítő adatok látnak |
| `task`, `question` | mit fog tenni a modell; a platform tervezi, hogy a rekord mely részei relevánsak |
| `needs` | opcionális explicit igények, például `["labs:4548-4", "vitals:trend:85354-9", "timeline:180d"]` |
| `budget_tokens` | a kontextus mérete, 300–8 000 (alapértelmezett 2 000) |
| `format` | `structured` (JSON szekciók) vagy `text` (egy használatra kész szövegtömböt is visszaad) |
| `window_days` | opcionális visszatekintő ablak |

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

## 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](https://developers.anpheros.com/hu/guides/ai-healthcare)
- [AI ügynökök és orvosi adatok](https://developers.anpheros.com/hu/guides/ai-agents-medical-data)
- [Hogyan építsünk orvosi chatbotot strukturált adatokkal](https://developers.anpheros.com/hu/guides/ai-medical-assistant)
- [Biztonság, adatvédelem és adattárolás helye](https://developers.anpheros.com/hu/guides/security)