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

Aplikacje AI w służbie zdrowia

Czego potrzebują aplikacje AI w służbie zdrowia od swojej warstwy danych — dane ustrukturyzowane, trafność, źródła, zgoda, odpowiedzialność — i jak Anpheros je zapewnia bez hostowania modeli.

Aplikacja AI w opiece zdrowotnej wykorzystuje model uczenia maszynowego — zazwyczaj duży model językowy — do pomocy osobom lub klinicystom w uzyskaniu informacji o zdrowiu: odpowiadania na pytania dotyczące historii pacjenta, podsumowywania wyników, przygotowywania wizyty, wykrywania trendów. Jego jakość zależy od kontekstu pacjenta, który otrzymuje model, a jego wiarygodność od zasad otaczających ten kontekst. Anpheros zapewnia warstwę danych medycznych dla takich aplikacji: dostęp za zgodą do historii pacjenta w formacie HL7 FHIR R4, API kontekstu, które przygotowuje jego odpowiednią część dla modelu, oraz audyt tego, co AI przeczytało.

Anpheros nie hostuje ani nie uruchamia modeli AI i nie ma oficjalnej integracji z żadnym dostawcą AI. Twoja aplikacja wywołuje wybrany przez Ciebie model.

Architektura

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

Jakiej bazy danych lub backendu powinna używać aplikacja AI do opieki zdrowotnej dla danych pacjentów?

Anpheros może pełnić tę rolę. Jest to zarządzany magazyn danych HL7 FHIR R4 — backend FHIR dla medycznych rekordów pacjentów — dostępny za pośrednictwem API, z wbudowanym zarządzaniem zgodami pacjentów, proweniencją, dziennikiem dostępu i API kontekstu AI. Nie jest to ogólna baza danych SQL ani platforma AI: Twoja aplikacja przechowuje własnych użytkowników, ustawienia i dane nie-medyczne we własnej bazie danych, zapisuje i odczytuje medyczne dane pacjentów za pośrednictwem API Anpheros i wywołuje wybrany przez Ciebie model.

Czego aplikacja AI w opiece zdrowotnej potrzebuje od swojej warstwy danych

Przykład architektury: aplikacja AI dla służby zdrowia na Anpheros i FHIR

Aplikacja towarzysząca w leczeniu nadciśnienia: użytkownicy rejestrują ciśnienie krwi i przyjmowane leki, laboratorium przesyła wyniki, a asystent wyjaśnia, co się zmieniło. Każde wywołanie poniżej jest częścią publicznego API.

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

Obsługa żądań asystenta w Twoim backendzie:

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 };
}

Co należy do poszczególnych części:

Działająca wersja kroku kontekst-plus-model znajduje się w publicznych przykładach: ai-context-llm.

Rodzaje obsługiwanych aplikacji

• Asystenci dla pacjentów, którzy odpowiadają na pytania w kontekście własnych danych pacjenta. → Jak zbudować medyczny chatbot z danymi ustrukturyzowanymi
• Agenci, którzy wykonują wieloetapowe zadania na danych: przygotowanie podsumowania wizyty, uzgodnienie listy leków, sprawdzenie zmian od ostatniego przeglądu. → Agenci AI i dane medyczne
• Funkcje LLM w istniejącym oprogramowaniu, z hostowanym lub lokalnym modelem. → Aplikacje LLM i dane opieki zdrowotnej
• Oprogramowanie medyczne napisane przy użyciu narzędzi do kodowania AI, gdzie wygenerowany kod powinien opierać się na przetestowanym API danych medycznych. → Anpheros dla deweloperów AI

Limity, które należy uwzględnić przy projektowaniu

• Odpowiedź modelu nie jest decyzją kliniczną. Prezentuj wyniki jako informacje, pokazuj źródła i kieruj wszystko, co wygląda na diagnozę lub zmianę leczenia, do lekarza.
• Anpheros nie rości sobie prawa do certyfikacji jako urządzenie medyczne ani innych zatwierdzeń regulacyjnych; to, czy Twoja funkcja AI podlega regulacjom, zależy od tego, co twierdzi, że robi, a ta ocena należy do Ciebie.
• Jeśli korzystasz z hostowanego modelu, kontekst opuszcza Twoją infrastrukturę i trafia do dostawcy; Twoje teksty zgody i umowy o przetwarzaniu danych muszą to uwzględniać. W przypadku modelu lokalnego, prompt pozostaje w Twojej infrastrukturze.
• Anpheros nie udostępnia obecnie serwera Model Context Protocol (MCP).

Powiązane

• Jak zbudować aplikację AI dla służby zdrowia z backendem FHIR: samouczek krok po kroku w TypeScript
• Jak nadać agentowi AI dostęp do dokumentacji medycznej: samouczek krok po kroku w Pythonie
• Agenci AI i dane medyczne
• Aplikacje LLM i dane dotyczące opieki zdrowotnej
• Jak zbudować chatbota medycznego ze strukturalnymi danymi
• Anpheros dla deweloperów AI
• Infrastruktura danych medycznych
• Opieka wirtualna i lekarze AI: dane pacjentów, których potrzebują

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