Медицинските писатели на ИИ трансформират документацията за здравеопазването, но изграждането на такава, която работи в клинични условия, изисква повече от основна транскрипция. Този урок ви води през изграждането на функционален AI медицински писател в Python. Ще започнете с основен транскрипт и постепенно ще добавите идентификация на говорител, PII редактиране, SOAP генериране на бележки и автоматично изтриване на данни. What makes a production-ready medical scribe? Какво прави медицински писател готов за производство? Преди да се потопите в кода, разберете какво разделя доказателствената концепция от разгръщаното решение за здравеопазване. Essential features checklist 
 
 
 
 
 
 
 
 
 
 
 
 Feature 
 Why it matters 
 Implementation Complexity 
 
 
 
 
 High accuracy on medical terms 
 Misheard drug names or dosages create clinical risks 
 Medium - requires domain-specific models 
 
 
 
 
 Speaker identification 
 Distinguishes doctor from patient for proper documentation 
 Low - handled by speech recognition API 
 
 
 
 
 PII redaction 
 Removes names, dates, and identifiers to protect privacy 
 Medium - needs careful configuration 
 
 
 
 
 SOAP note generation 
 Converts conversations into structured clinical documentation 
 Medium - requires LLM integration 
 
 
 
 
 Automatic data deletion 
 Ensures patient data doesn't persist on third-party servers 
 Low - straightforward API calls Висока точност на медицински термини Лошите имена на лекарства или дозировки създават клинични рискове Medium - изисква специфични за домейна модели Идентификация на говорителя Разграничаване на лекаря от пациента за правилна документация Ниско - обработва се от API за разпознаване на реч Пий редакцията Премахва имена, дати и идентификатори за защита на поверителността Среден - изисква внимателна конфигурация SOAP Note поколение Конвертиране на разговори в структурирана клинична документация Средно - изисква LLM интеграция Автоматично изтриване на данни Уверете се, че данните на пациентите не остават на сървъри на трети страни Ниски - директни API повиквания Step 1: Basic transcription setup Стъпка 1: Основна настройка на транскрипцията Започнете с просто искане за транскрипция.Това поставя основата преди слоеве върху медицински специфични характеристики. import requests
import time
import dotenv
import os

dotenv.load_dotenv()

base_url = "https://api.assemblyai.com"
headers = {"authorization": os.getenv("AAI_API_KEY")}
 Step 2: Adding speaker identification Стъпка 2: Добавяне на идентификация на говорител Медицинската документация изисква да се знае кой е казал какво. - Лекарят предписва ли лекарството или пациентът го иска? - Диариазацията на говорителя автоматично разделя различните оратори в разговора. Общо събрание идентифицира, когато различни хора говорят и ги етикетира като говорител А, говорител Б и т.н. За да разделим говорителите по-нататък, можем да използваме отделния Тук ще съпоставим тези етикети с роли като "Доктор" и "Пациент". Диагностика на речта Идентификация на говорителя data = {
    "audio_url":
"https://storage.googleapis.com/aai-web-samples/doctor-patient-co
nvo.mp4",
    "speaker_labels": True,
    "speech_understanding": {
        "request": {
        "speaker_identification": {
            "speaker_type": "role",
            "known_values": ["Doctor", "Patient"]
      }
 Диаризацията на говорителите работи най-добре, когато всеки говорител говори най-малко 30 секунди без прекъсване, въпреки че моделът се занимава с реални разговори с кръстосани разговори и кратки фрази. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction Стъпка 3: Подобряване на точността на медицинската терминология с бустер на думи и защита на неприкосновеността на личния живот на пациентите с редактиране на PII Често срещан проблем: лекарите предписват "Трамадол", но транскрипцията показва "трамадол" в долната част. Общо събрание функцията ви позволява да предразположите модела към конкретни термини и тяхното правилно форматиране. Вие предоставяте списък с медицински термини, наименования на лекарства или процедури и модела Думата бум Медицинските разговори също съдържат защитена здравна информация (PHI): имена на пациенти, дати на раждане, номера на социално осигуряване, адреси.Ако тези данни се появят в транскриптите ви и ги съхранявате на сървъри на трети страни, потенциално нарушавате правилата за поверителност. Общо събрание автоматично идентифицира и премахва лична информация от транскриптите. Можете да конфигурирате какво се редактира и как. Пий редакцията     }},
    "redact_pii": True,
    "redact_pii_policies": ["person_name", "organization",
"occupation"],
    "redact_pii_sub": "hash",
    "keyterms_prompt": ["Tramadol"]
    }
response = requests.post(base_url + "/v2/transcript",
headers=headers, json=data)
transcript_json = response.json()
transcript_id = transcript_json["id"]
polling_endpoint = f"{base_url}/v2/transcript/{transcript_id}"

while True:
    transcript = requests.get(polling_endpoint,
headers=headers).json()
    if transcript["status"] == "completed":
        for utterance in transcript["utterances"]:
            print(f"{utterance['speaker']}: {utterance['text']}")
        break
    else:
        time.sleep(3)
 ‍ Step 4: Generating SOAP notes with LLM Gateway Стъпка 4: Генериране на SOAP бележки с LLM Gateway Суровите транскрипти са полезни, но лекарите се нуждаят от структурирана документация. SOAP бележки (субективно, обективно, оценка, план) са клиничният стандарт за организиране на срещи с пациенти. Това е мястото, където влизат големите езикови модели. предоставя единен интерфейс за различни LLMs. Назовете го с съществуващия си AssemblyAI API ключ. LLM в Gateway prompt = "Create a SOAP note summary of the consultation."

llm_gateway_data = {
  "model": "gemini-3-pro-preview",
  "messages": [
    {"role": "user", "content": f"{prompt}\n\nTranscript:
{transcript['text']}"}
  ]
}
llm_gateway_response = requests.post(
  "https://llm-gateway.assemblyai.com/v1/chat/completions",
  headers=headers,
  json=llm_gateway_data
)
print(llm_gateway_response.json()["choices"][0]["message"]["conte
nt"])
 ‍ LLM обработва разговора и извлича структурирани клинични бележки. лекарят получава документация, готова за EHR без ръчен препис. Step 5: Automatic data deletion Стъпка 5: Автоматично изтриване на данни Най-надеждният начин за защита на данните на пациентите е да се гарантира, че те не продължават да съществуват в инфраструктурата на трети страни.След извличане на транскрипта и генериране на SOAP бележки, изтрийте транскрипта от сървърите на AssemblyAI. delete_request = requests.delete(polling_endpoint,
headers=headers).json()
delete_llm_gateway_response =
requests.delete(f"https://llm-gateway.assemblyai.com/v1/chat/comp
letions/{llm_gateway_response.json()['request_id']}",
headers=headers)

transcript = requests.get(polling_endpoint,
headers=headers).json()
print(transcript)
 ‍ Data retention for LLM Gateway Когато използвате LLM Gateway с изпълнено споразумение за бизнес партньор (BAA) и антропогенни или Google модели за заключение, AssemblyAI осигурява нулево запазване на данни за входове и изходи. LLM Gateway обработва заявките ефемерично. Вашият транскриптен текст и генерираните SOAP бележки не се съхраняват извън непосредственото повикване на API. Само минимални метаданни се съхраняват за целите на регистрацията и фактурирането. Time-to-live for transcripts За допълнителна защита на транскрипционните данни AssemblyAI предлага настройки за време на живот (TTL). От 26 ноември 2024 г. клиентите с подписано споразумение за бизнес партньорство (BAA) автоматично имат 3-дневен TTL, прилаган към всички транскрипции. Този TTL подлежи на промяна. Транскрипциите автоматично се изтриват след този период, дори ако забравите да изпратите ръчно искането за изтриване. Putting it all together Слагайки всичко заедно Ето пълната имплементация с всички активирани функции: import requests
import time
import dotenv
import os

dotenv.load_dotenv()

base_url = "https://api.assemblyai.com"
headers = {"authorization": os.getenv("AAI_API_KEY")}

data = {
    "audio_url": "https://storage.googleapis.com/aai-web-samples/doctor-patient-co
nvo.mp4",
    "speaker_labels": True,
    "speech_understanding": {
        "request": {
        "speaker_identification": {
            "speaker_type": "role",
            "known_values": ["Doctor", "Patient"]
      }
    }},
    "redact_pii": True,
    "redact_pii_policies": ["person_name", "organization",
"occupation"],
    "redact_pii_sub": "hash",
    "keyterms_prompt": ["Tramadol"]
    }

response = requests.post(base_url + "/v2/transcript",
headers=headers, json=data)
transcript_json = response.json()
transcript_id = transcript_json["id"]
polling_endpoint = f"{base_url}/v2/transcript/{transcript_id}"

while True:
    transcript = requests.get(polling_endpoint,
headers=headers).json()
    if transcript["status"] == "completed":
        for utterance in transcript["utterances"]:
            print(f"{utterance['speaker']}: {utterance['text']}")
        break
    else:
        time.sleep(3)

prompt = "Create a SOAP note summary of the consultation."

llm_gateway_data = {
  "model": "gemini-3-pro-preview",
  "messages": [
    {"role": "user", "content": f"{prompt}\n\nTranscript:
{transcript['text']}"}
  ]
}
llm_gateway_response = requests.post(
  "https://llm-gateway.assemblyai.com/v1/chat/completions",
  headers=headers,
  json=llm_gateway_data
)
print(llm_gateway_response.json()["choices"][0]["message"]["conte
nt"])

delete_request = requests.delete(polling_endpoint,
headers=headers).json()
delete_llm_gateway_response =
requests.delete(f"https://llm-gateway.assemblyai.com/v1/chat/completions/{llm_gateway_response.json()['request_id']}", headers=headers)

transcript = requests.get(polling_endpoint,
headers=headers).json()
print(transcript)
 ‍ Why this approach works for medical AI Защо този подход работи за медицински AI Изграждането на медицинска писалка изисква повече от точност на транскрипцията.Това е за създаване на система, която се вписва в клиничните работни потоци, като същевременно зачита неприкосновеността на личния живот на пациента. Този подход е насочен към реалните предизвикателства: 
 
 
 
 
 
 Точност на медицинската терминология чрез бум на думата Ясна атрибуция на говорещия с диаризация на говорещия Защита на личните данни чрез редактиране на PII и автоматично изтриване Структуриран изход чрез LLM генерирани SOAP бележки Минимизиране на данните чрез премахване на всички следи от сървъри на трети страни Резултатът: функционален прототип, който можете да тествате с клиничен аудио. От тук, добавете функции като транскрипция в реално време за консултации на живо, интеграция с EHR системи или персонализирани шаблони за SOAP бележки за различни специалности. Това изпълнение отговаря на основните предизвикателства на медицинския ИИ: точност на терминологията чрез бустер на думи, ясно приписване на говорители с диаризация, защита на поверителността чрез редактиране на PII и автоматично изтриване и структуриран изход чрез SOAP бележки, генерирани от LLM. Комбинацията създава основа за медицински писатели от клинично ниво, които зачитат неприкосновеността на личния живот на пациентите, докато доставят документация, която се вписва в реални работни потоци в здравеопазването. Next steps Следващите стъпки Искате ли да изградите върху тази основа? проверете тези ресурси: 
 
 
 
 Документация от реч до текст на AssemblyAI PII редактиране политики и конфигурация LLM Gateway за медицински случаи на употреба Ако изграждате продукт за ИИ в здравеопазването и се нуждаете от помощ при спазването на изискванията, прецизността на референтните показатели или разгръщането на производството, екипът на AssemblyAI има опит с медицински ИИ компании и може да помогне за навигацията на техническите и регулаторните предизвикателства.

2022 - HackerNoon Contributor of the Year - Deep Learning

2022 - HackerNoon Contributor of the Year - Machine Learning

Nominated for 2022 - HackerNoon Contributor of the Year - Deep Learning

Nominated for 2022 - HackerNoon Contributor of the Year - Machine Learning

Това аудио е създадено на оригиналния език на историята!

Как да изградим медицински писател с AssemblyAI

About Author

КОМЕНТАРИ

ЗАКАЧВАЙТЕ ЕТИКЕТИ

ТАЗИ СТАТИЯ Е ПРЕДСТАВЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps