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

Застосунки LLM та дані охорони здоров'я

Використання великих мовних моделей з даними охорони здоров'я: запит та відповідь API контексту, хмарні та локальні моделі, агентні системи, пошук проти контексту та створення запитів з походженням.

Застосунок, який використовує велику мовну модель із медичними даними, має вирішити одну проблему, яку модель не може: яку частину запису пацієнта помістити в підказку та як її позначити, щоб модель могла відрізняти факти від приміток. Anpheros вирішує це з боку даних за допомогою контекстного API: враховуючи пацієнта, завдання та бюджет токенів, він повертає відповідні розділи запису пацієнта HL7 FHIR R4, кожен елемент позначений своїм джерелом. Ваш застосунок надсилає цей контекст до обраної вами моделі — розміщеної або локальної.

Як підключити LLM до медичних даних FHIR? Зберігайте записи в сховищі FHIR, до якого модель не може отримати прямого доступу — з Anpheros, запис пацієнта HL7 FHIR R4 — запитуйте бюджетний контекст із позначеним джерелом (POST /v1/context) і поміщайте цей контекст у підказку обраної вами моделі. Модель ніколи не отримує облікових даних бази даних або API; ваш застосунок здійснює виклики в межах згоди пацієнта.

Anpheros не запускає моделі та не має нативної інтеграції з жодним постачальником моделей або локальним середовищем виконання.

Шаблон

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

Запит контексту

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"
}'

Контекстна відповідь

• sections — наприклад, картка з резюме, стани, ліки, алергії, щеплення, результати лабораторних досліджень, життєві показники з тижневими трендами та маркерами до/після лікування, симптоми, часова шкала та документи. Кожен елемент містить author_type та source.
• omitted — те, що не ввійшло в бюджет; повідомте моделі, що її контекст є частковим.
• warnings, provenance_note.
• text — коли format є text.
• manifest_id — запис про те, які розділи та джерела були використані, пов'язаний із журналом доступу.
• розділ ai_notes — значення, написані ШІ раніше, з'являються лише там, позначені як неперевірені, ніколи не змішуються з клінічними розділами.

Хмарні моделі

З хостованою моделлю — від OpenAI, Anthropic, Google, xAI або іншого постачальника — ваш бекенд поміщає контекст у запит (prompt) і викликає API постачальника. Контекст залишає вашу інфраструктуру для цього постачальника, тому:

• переконайтеся, що згода пацієнта та ваше повідомлення про конфіденційність охоплюють надсилання даних до нього;
• укладіть угоду про обробку даних з постачальником, яка підходить для медичних даних;
• надсилайте лише те, що потрібно для завдання — бюджет токенів та явні needs допомагають.

Локальні моделі

З моделлю, яку ви запускаєте самостійно — наприклад, через Ollama або інший локальний середовище виконання — єдиним мережевим викликом, що передає дані пацієнта, є виклик між вашим бекендом та Anpheros; запит і відповідь залишаються на вашій інфраструктурі. Менші локальні моделі мають менші контекстні вікна: відповідно нижчі budget_tokens і надають перевагу format: "text".

Агентні системи

Коли модель вирішує, які виклики робити, надайте їй інструменти (контекст, пошук, часова шкала) замість необроблених облікових даних, тримайте сфери дії вузькими та логуйте кожен manifest_id поруч із відповіддю. AI-агенти та медичні дані

API контексту чи власний пошук?

Конвеєр пошуку за вільним текстом (ембединг фрагментів документів та їх пошук) корисний для неструктурованих нотаток. Для структурованих медичних даних API контексту зазвичай простіший і безпечніший: він працює з кодованими ресурсами FHIR, зберігає походження, знає про тенденції та періоди лікування, поважає згоду та проходить аудит. Ці два підходи можна комбінувати — наприклад, контекст з Anpheros плюс знайдені фрагменти з документів, якими ви керуєте.

Підказки з походженням даних

Зберігайте мітки в підказці та поясніть моделі, що вони означають:

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.

Пов'язане

• AI-застосунки в галузі охорони здоров'я
• AI-агенти та медичні дані
• Як створити медичний чат-бот зі структурованими даними
• Безпека, конфіденційність та місцезнаходження даних

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