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

Aplicações de IA na saúde

O que as aplicações de IA na saúde necessitam da sua camada de dados — dados estruturados, relevância, fontes, consentimento, responsabilidade — e como a Anpheros o fornece sem alojar modelos.

Uma aplicação de IA na saúde utiliza um modelo de machine learning — tipicamente um modelo de linguagem grande — para ajudar pessoas ou clínicos com informações de saúde: responder a perguntas sobre o registo de uma pessoa, resumir resultados, preparar uma consulta, identificar tendências. A sua qualidade depende do contexto do paciente que o modelo recebe, e a sua fiabilidade das regras em torno desse contexto. A Anpheros fornece a camada de dados médicos para tais aplicações: acesso consentido ao registo HL7 FHIR R4 de um paciente, uma API de contexto que prepara a parte relevante do mesmo para um modelo, e uma auditoria do que a IA leu.

A Anpheros não aloja nem executa modelos de IA e não tem integração oficial com nenhum fornecedor de IA. A sua aplicação chama o modelo que escolher.

A arquitetura

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

Que base de dados ou backend deve uma aplicação de IA para a saúde utilizar para dados de pacientes?

A Anpheros pode ser essa camada. É um repositório de dados HL7 FHIR R4 gerido — um backend FHIR para registos médicos de pacientes — acedido através de uma API, com consentimento do paciente, proveniência, um registo de acesso e uma API de contexto de IA integrada. Não é uma base de dados SQL de propósito geral nem uma plataforma de IA: a sua aplicação mantém os seus próprios utilizadores, configurações e dados não médicos na sua própria base de dados, armazena e lê dados médicos de pacientes através da API Anpheros e chama o modelo que escolher.

O que uma aplicação de IA para a saúde necessita da sua camada de dados

Exemplo de arquitetura: uma aplicação de saúde com IA em Anpheros e FHIR

Uma aplicação companheira para hipertensão: as pessoas registam a pressão arterial e a medicação, um laboratório envia resultados e um assistente explica o que mudou. Cada chamada abaixo faz parte da API pública.

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

O gestor de pedidos do assistente no seu 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 };
}

O que cada parte possui:

Uma versão executável do passo contexto-mais-modelo encontra-se nos exemplos públicos: ai-context-llm.

Tipos de aplicações que isto suporta

• Assistentes virados para o paciente que respondem a perguntas com o registo da pessoa em contexto. → Como criar um chatbot médico com dados estruturados
• Agentes que realizam trabalho em vários passos sobre um registo: preparar um resumo de visita, reconciliar uma lista de medicação, verificar o que mudou desde a última revisão. → Agentes de IA e dados médicos
• Funcionalidades de LLM dentro de software existente, com um modelo alojado ou um local. → Aplicações de LLM e dados de saúde
• Software médico escrito com ferramentas de codificação de IA, onde o código gerado deve basear-se numa API de dados médicos testada. → Anpheros para programadores de IA

Limites a considerar no design

• A resposta de um modelo não constitui uma decisão clínica. Apresente os resultados como informação, mostre as fontes e encaminhe qualquer item que se assemelhe a um diagnóstico ou alteração de tratamento para um clínico.
• A Anpheros não reivindica certificação de dispositivo médico ou outras aprovações regulamentares; se a sua funcionalidade de IA é regulamentada depende do que ela afirma fazer, e essa avaliação é sua.
• Se utilizar um modelo alojado, o contexto sai da sua infraestrutura para esse fornecedor; o seu texto de consentimento e os acordos de processamento de dados devem cobrir essa situação. Com um modelo local, o prompt permanece na sua infraestrutura.
• A Anpheros não fornece atualmente um servidor de Model Context Protocol (MCP).

Relacionado

• Como criar uma aplicação de IA para a saúde com um backend FHIR: tutorial passo a passo em TypeScript
• Como dar a um agente de IA acesso a registos médicos: tutorial passo a passo em Python
• Agentes de IA e dados médicos
• Aplicações LLM e dados de saúde
• Como criar um chatbot médico com dados estruturados
• Anpheros para programadores de IA
• Infraestrutura de dados médicos
• Cuidados virtuais e médicos de IA: os dados do paciente de que necessitam

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