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

Applicazioni LLM e dati sanitari

Utilizzo di large language models con dati sanitari: richiesta e risposta API contesto, modelli cloud e locali, sistemi agentivi, retrieval vs contesto e prompting con provenienza.

Un'applicazione che utilizza un modello linguistico di grandi dimensioni con dati sanitari deve risolvere un problema che il modello non può: quale parte del record di un paziente inserire nel prompt e come etichettarla in modo che il modello possa distinguere i fatti dalle note. Anpheros lo risolve dal lato dati con un'API di contesto: dato un paziente, un'attività e un budget di token, restituisce le sezioni pertinenti del record HL7 FHIR R4 del paziente, ogni elemento etichettato con la sua origine. La tua applicazione invia quel contesto al modello che scegli, ospitato o locale.

Come collego un LLM ai dati medici FHIR? Mantieni i record in un archivio FHIR a cui il modello non può accedere direttamente — con Anpheros, il record HL7 FHIR R4 del paziente — chiedi un contesto con budget e origine etichettata (POST /v1/context) e inserisci quel contesto nel prompt del modello che scegli. Il modello non riceve mai credenziali di database o API; la tua applicazione esegue le chiamate, nel rispetto del consenso del paziente.

Anpheros non esegue modelli e non ha integrazioni native con alcun provider di modelli o runtime locale.

Il pattern

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

La richiesta di contesto

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"
}'

La risposta del contesto

• sections — ad esempio una scheda riassuntiva, condizioni, farmaci, allergie, immunizzazioni, risultati di laboratorio, segni vitali con trend settimanali e marcatori pre/post-trattamento, sintomi, timeline e documenti. Ogni elemento porta author_type e source.
• omitted — ciò che non rientrava nel budget; indica al modello che il suo contesto è parziale.
• warnings, provenance_note.
• text — quando format è text.
• manifest_id — il record di quali sezioni e fonti sono state utilizzate, collegato al log di accesso.
• una sezione ai_notes — i valori che un'IA ha scritto in precedenza appaiono solo lì, contrassegnati come non verificati, mai mescolati con le sezioni cliniche.

Modelli cloud

Con un modello ospitato — da OpenAI, Anthropic, Google, xAI o un altro provider — il tuo backend inserisce il contesto nel prompt e chiama l'API del provider. Il contesto lascia la tua infrastruttura per quel provider, quindi:

• assicurati che il consenso del paziente e la tua informativa sulla privacy coprano l'invio di dati a esso;
• stipula un accordo di elaborazione dati con il provider che sia adatto ai dati sanitari;
• invia solo ciò che è necessario per l'attività — il budget dei token e le needs esplicite aiutano.

Modelli locali

Con un modello che esegui autonomamente — ad esempio tramite Ollama o un altro runtime locale — l'unica chiamata di rete che trasporta dati del paziente è quella tra il tuo backend e Anpheros; il prompt e la risposta rimangono sulla tua infrastruttura. I modelli locali più piccoli hanno finestre di contesto più piccole: di conseguenza budget_tokens inferiori e preferiscono format: "text".

Sistemi agentivi

Quando il modello decide quali chiamate effettuare, forniscigli strumenti (contesto, ricerca, cronologia) invece di credenziali grezze, mantieni gli scope ristretti e registra ogni manifest_id accanto alla risposta. Agenti AI e dati medici

API di contesto o recupero personalizzato?

Una pipeline di recupero su testo libero (creando embedding di frammenti di documenti e cercandoli) è utile per note non strutturate. Per dati medici strutturati, l'API di contesto è solitamente più semplice e sicura: opera su risorse FHIR codificate, mantiene la provenienza, è a conoscenza di trend e periodi di trattamento, rispetta il consenso ed è soggetta ad audit. Le due possono essere combinate — ad esempio, contesto da Anpheros più passaggi recuperati da documenti gestiti da te.

Prompting con provenienza

Mantieni le etichette nel prompt e spiega al modello cosa significano:

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.

Correlati

• Applicazioni sanitarie AI
• Agenti AI e dati medici
• Come creare un chatbot medico con dati strutturati
• Sicurezza, privacy e residenza dei dati

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