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

Aplikacje LLM i dane medyczne

Używanie dużych modeli językowych z danymi medycznymi: żądanie i odpowiedź API kontekstu, modele chmurowe i lokalne, systemy agentowe, pobieranie vs kontekst i promptowanie z pochodzeniem.

Aplikacja wykorzystująca duży model językowy z danymi medycznymi musi rozwiązać jeden problem, którego model nie potrafi: którą część dokumentacji pacjenta umieścić w podpowiedzi i jak ją oznaczyć, aby model mógł odróżnić fakty od notatek. Anpheros rozwiązuje go po stronie danych za pomocą API kontekstu: na podstawie pacjenta, zadania i budżetu tokenów zwraca odpowiednie sekcje rekordu HL7 FHIR R4 pacjenta, z każdym elementem oznaczonym jego źródłem. Twoja aplikacja wysyła ten kontekst do wybranego modelu – hostowanego lub lokalnego.

Jak połączyć LLM z danymi medycznymi FHIR? Przechowuj rekordy w magazynie FHIR, do którego model nie ma bezpośredniego dostępu – z Anpheros, rekord HL7 FHIR R4 pacjenta – poproś o budżetowany kontekst z oznaczeniem źródła (POST /v1/context) i umieść ten kontekst w podpowiedzi wybranego modelu. Model nigdy nie otrzymuje poświadczeń bazy danych ani API; Twoja aplikacja wykonuje wywołania, w ramach zgody pacjenta.

Anpheros nie uruchamia modeli i nie posiada natywnej integracji z żadnym dostawcą modeli ani lokalnym środowiskiem uruchomieniowym.

Wzorzec

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

Kontekst żądania

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"
}'

Odpowiedź kontekstowa

• sections — na przykład karta podsumowania, schorzenia, leki, alergie, szczepienia, wyniki badań laboratoryjnych, parametry życiowe z tygodniowymi trendami i znacznikami przed/po leczeniu, objawy, oś czasu i dokumenty. Każdy element zawiera author_type i source.
• omitted — co nie zmieściło się w budżecie; poinformuj model, że jego kontekst jest niepełny.
• warnings, provenance_note.
• text — gdy format jest text.
• manifest_id — zapis, które sekcje i źródła zostały użyte, powiązany z logiem dostępu.
• sekcja ai_notes — wartości napisane wcześniej przez AI pojawiają się tylko tam, oznaczone jako niezweryfikowane, nigdy niezmieszane z sekcjami klinicznymi.

Modele chmurowe

W przypadku modelu hostowanego — od OpenAI, Anthropic, Google, xAI lub innego dostawcy — Twoje zaplecze umieszcza kontekst w monicie i wywołuje API dostawcy. Kontekst opuszcza Twoją infrastrukturę i trafia do tego dostawcy, dlatego:

• upewnij się, że zgoda pacjenta i Twoje powiadomienie o prywatności obejmują wysyłanie danych do tego dostawcy;
• zawrzyj umowę o przetwarzaniu danych z dostawcą, która jest odpowiednia dla danych medycznych;
• wysyłaj tylko to, czego wymaga zadanie — budżet tokenów i jawne needs pomagają w tym.

Modele lokalne

W przypadku modelu uruchamianego samodzielnie — na przykład za pomocą Ollama lub innego lokalnego środowiska uruchomieniowego — jedynym wywołaniem sieciowym przenoszącym dane pacjenta jest połączenie między Twoim zapleczem a Anpheros; prompt i odpowiedź pozostają w Twojej infrastrukturze. Mniejsze modele lokalne mają mniejsze okna kontekstowe: odpowiednio niższe budget_tokens i preferują format: "text".

Systemy agentowe

Kiedy model decyduje, które wywołania wykonać, udostępnij mu narzędzia (kontekst, wyszukiwanie, oś czasu) zamiast surowych poświadczeń, utrzymuj wąskie zakresy i loguj każde manifest_id obok odpowiedzi. Agenci AI i dane medyczne

API kontekstu czy własne pobieranie?

Potok pobierania danych z tekstu swobodnego (tworzenie osadzeń fragmentów dokumentów i ich przeszukiwanie) jest przydatny w przypadku nieustrukturyzowanych notatek. W przypadku ustrukturyzowanych danych medycznych API kontekstu jest zazwyczaj prostsze i bezpieczniejsze: działa na zakodowanych zasobach FHIR, zachowuje pochodzenie danych, zna trendy i okresy leczenia, respektuje zgodę i jest audytowane. Oba podejścia można połączyć — na przykład kontekst z Anpheros plus pobrane fragmenty z zarządzanych przez Ciebie dokumentów.

Promptowanie z pochodzeniem danych

Zachowaj etykiety w prompcie i wyjaśnij modelowi, co one oznaczają:

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.

Powiązane tematy

• Aplikacje AI w opiece zdrowotnej
• Agenci AI i dane medyczne
• Jak zbudować chatbota medycznego z danymi strukturalnymi
• Bezpieczeństwo, prywatność i rezydencja danych

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