# Zastosowania 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 oraz podpowiadanie z pochodzeniem.

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

**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

```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"
}'
```

| Pole | Znaczenie |
|---|---|
| `patient` | identyfikator pacjenta widoczny dla Twoich poświadczeń |
| `task`, `question` | co model zrobi; platforma planuje, które części rekordu są istotne |
| `needs` | opcjonalne jawne potrzeby, na przykład `["labs:4548-4", "vitals:trend:85354-9", "timeline:180d"]` |
| `budget_tokens` | rozmiar kontekstu, 300–8 000 (domyślnie 2 000) |
| `format` | `structured` (sekcje JSON) lub `text` (zwraca również gotowy do użycia blok tekstu) |
| `window_days` | opcjonalne okno wsteczne |

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

## 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](https://developers.anpheros.com/pl/guides/ai-healthcare)
- [Agenci AI i dane medyczne](https://developers.anpheros.com/pl/guides/ai-agents-medical-data)
- [Jak zbudować chatbota medycznego z danymi strukturalnymi](https://developers.anpheros.com/pl/guides/ai-medical-assistant)
- [Bezpieczeństwo, prywatność i rezydencja danych](https://developers.anpheros.com/pl/guides/security)