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

Applicazioni sanitarie AI

Cosa necessitano le applicazioni sanitarie AI dal loro livello dati — dati strutturati, pertinenza, fonti, consenso, responsabilità — e come Anpheros li fornisce senza ospitare modelli.

Un'applicazione sanitaria basata sull'IA utilizza un modello di machine learning — tipicamente un modello linguistico di grandi dimensioni — per aiutare le persone o i clinici con informazioni sanitarie: rispondere a domande sul record di una persona, riassumere risultati, preparare una visita, individuare tendenze. La sua qualità dipende dal contesto del paziente che il modello riceve, e la sua affidabilità dalle regole che circondano tale contesto. Anpheros fornisce il data layer medico per tali applicazioni: accesso con consenso al record HL7 FHIR R4 di un paziente, un API di contesto che prepara la parte pertinente di esso per un modello, e un audit di ciò che l'IA ha letto.

Anpheros non ospita né esegue modelli di IA e non ha integrazioni ufficiali con alcun fornitore di IA. La tua applicazione chiama il modello che scegli.

L'architettura

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

Quale database o backend dovrebbe utilizzare un'applicazione sanitaria AI per i dati dei pazienti?

Anpheros può essere quel livello. È un data store HL7 FHIR R4 gestito — un backend FHIR per le cartelle cliniche dei pazienti — accessibile tramite API, con consenso del paziente, provenienza, un registro degli accessi e un'API di contesto AI integrati. Non è un database SQL generico e non è una piattaforma AI: la tua applicazione mantiene i propri utenti, impostazioni e dati non medici nel proprio database, memorizza e legge i dati medici dei pazienti tramite l'API Anpheros e chiama il modello che preferisci.

Cosa necessita un'applicazione sanitaria AI dal suo data layer

Architettura di esempio: un'applicazione sanitaria AI su Anpheros e FHIR

Un'app companion per l'ipertensione: le persone registrano la pressione sanguigna e i farmaci, un laboratorio invia i risultati e un assistente spiega cosa è cambiato. Ogni chiamata di seguito fa parte dell'API pubblica.

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

Il gestore delle richieste dell'assistente nel tuo backend:

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 };
}

Cosa possiede ogni parte:

Una versione eseguibile del passaggio context-plus-model è negli esempi pubblici: ai-context-llm.

Tipi di applicazioni supportate

• Assistenti rivolti ai pazienti che rispondono a domande utilizzando il record della persona nel contesto. → Come creare un chatbot medico con dati strutturati
• Agenti che eseguono attività multi-step su un record: preparazione di un riepilogo di visita, riconciliazione di un elenco di farmaci, verifica delle modifiche dall'ultima revisione. → Agenti AI e dati medici
• Funzionalità LLM all'interno di software esistenti, con un modello ospitato o locale. → Applicazioni LLM e dati sanitari
• Software medico scritto con strumenti di codifica AI, in cui il codice generato dovrebbe basarsi su un'API di dati medici testata. → Anpheros per sviluppatori AI

Limiti per cui dovresti progettare

• La risposta di un modello non è una decisione clinica. Presenta gli output come informazioni, mostra le fonti e indirizza al clinico qualsiasi cosa che assomigli a una diagnosi o a una modifica del trattamento.
• Anpheros non rivendica certificazioni come dispositivo medico o altre approvazioni normative; se la tua funzionalità AI è regolamentata dipende da ciò che dichiara di fare, e tale valutazione spetta a te.
• Se utilizzi un modello ospitato, il contesto lascia la tua infrastruttura per quel provider; il tuo testo di consenso e gli accordi di elaborazione dei dati devono coprirlo. Con un modello locale, il prompt rimane sulla tua infrastruttura.
• Anpheros non fornisce oggi un server Model Context Protocol (MCP).

Correlati

• Come creare un'app sanitaria AI con un backend FHIR: tutorial passo-passo in TypeScript
• Come concedere a un agente AI l'accesso alle cartelle cliniche: tutorial passo-passo in Python
• Agenti AI e dati medici
• Applicazioni LLM e dati sanitari
• Come creare un chatbot medico con dati strutturati
• Anpheros per sviluppatori AI
• Infrastruttura dati medica
• Cure virtuali e medici AI: i dati del paziente di cui hanno bisogno

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