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

Aplicações LLM e dados de saúde

Utilizar modelos de linguagem grandes com dados de saúde: pedido e resposta da API de contexto, modelos na nuvem e locais, sistemas agentivos, recuperação versus contexto e prompting com proveniência.

Uma aplicação que utiliza um modelo de linguagem grande com dados de saúde tem de resolver um problema que o modelo não consegue: qual parte do registo de um paciente colocar no prompt e como rotulá-la para que o modelo possa distinguir factos de notas. A Anpheros resolve-o no lado dos dados com uma API de contexto: dado um paciente, uma tarefa e um orçamento de tokens, retorna as secções relevantes do registo HL7 FHIR R4 do paciente, cada item rotulado com a sua origem. A sua aplicação envia esse contexto para o modelo que escolher — alojado ou local.

Como é que conecto um LLM a dados médicos FHIR? Mantenha os registos num repositório FHIR ao qual o modelo não consegue aceder diretamente — com a Anpheros, o registo HL7 FHIR R4 do paciente — peça-lhe um contexto orçamentado e rotulado com a origem (POST /v1/context) e coloque esse contexto no prompt do modelo que escolher. O modelo nunca recebe credenciais de base de dados ou de API; a sua aplicação faz as chamadas, dentro do consentimento do paciente.

A Anpheros não executa modelos e não tem integração nativa com nenhum fornecedor de modelos ou runtime local.

O padrão

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

O pedido de contexto

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"
}'

A resposta de contexto

• sections — por exemplo, um cartão de resumo, condições, medicamentos, alergias, imunizações, resultados de laboratório, sinais vitais com tendências semanais e marcadores antes/depois do tratamento, sintomas, linha cronológica e documentos. Cada item transporta author_type e source.
• omitted — o que não coube no orçamento; diga ao modelo que o seu contexto é parcial.
• warnings, provenance_note.
• text — quando format é text.
• manifest_id — o registo de quais secções e fontes foram utilizadas, ligado ao registo de acesso.
• uma secção ai_notes — os valores que uma IA escreveu anteriormente aparecem apenas aí, marcados como não verificados, nunca misturados com as secções clínicas.

Modelos na nuvem

Com um modelo alojado — da OpenAI, Anthropic, Google, xAI ou outro fornecedor — o seu backend insere o contexto no prompt e chama a API do fornecedor. O contexto sai da sua infraestrutura para esse fornecedor, pelo que:

• certifique-se de que o consentimento do paciente e o seu aviso de privacidade cobrem o envio de dados para o mesmo;
• tenha um acordo de processamento de dados com o fornecedor que se adeque a dados de saúde;
• envie apenas o que a tarefa necessita — o orçamento de tokens e o explícito needs ajudam.

Modelos Locais

Com um modelo que executa localmente — por exemplo, através do Ollama ou de outro runtime local — a única chamada de rede que transporta dados do paciente é a que ocorre entre o seu backend e o Anpheros; o prompt e a resposta permanecem na sua infraestrutura. Modelos locais mais pequenos têm janelas de contexto menores: budget_tokens mais baixas, respetivamente, e preferem format: "text".

Sistemas Agentivos

Quando o modelo decidir que chamadas fazer, forneça-lhe ferramentas (contexto, pesquisa, linha temporal) em vez de credenciais brutas, mantenha os escopos restritos e registe cada manifest_id ao lado da resposta. Agentes de IA e dados médicos

API de Contexto ou a sua própria recuperação?

Um pipeline de recuperação sobre texto livre (incorporando fragmentos de documentos e pesquisando-os) é útil para notas não estruturadas. Para dados médicos estruturados, a API de contexto é geralmente mais simples e segura: funciona com recursos FHIR codificados, mantém a proveniência, conhece tendências e períodos de tratamento, respeita o consentimento e é auditada. Os dois podem ser combinados — por exemplo, contexto do Anpheros mais passagens recuperadas de documentos que você gerencia.

Prompting com proveniência

Mantenha os rótulos no prompt e diga ao modelo o que eles significam:

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.

Relacionado

• Aplicações de IA na área da saúde
• Agentes de IA e dados médicos
• Como criar um chatbot médico com dados estruturados
• Segurança, privacidade e residência de dados

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