AI-medicinske skrivere omdanner sundhedsdokumentation, men opbygningen af en, der fungerer i kliniske indstillinger, kræver mere end grundlæggende transkription. Denne tutorial går dig gennem opbygning af en funktionel AI medicinsk skrivebord i Python. Du vil begynde med grundlæggende transkription og gradvist tilføje højttaleridentifikation, PII redigering, SOAP note generation og automatisk data sletning. What makes a production-ready medical scribe? Hvad gør en produktion klar medicinsk skrivebord? Før du dykker ind i kode, forstå, hvad der adskiller et bevis på koncept fra en implementerbar sundhedsplejeløsning. 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 Høj nøjagtighed i medicinske termer Mislykkede lægemiddelnavne eller doser skaber kliniske risici Medium - kræver domænespecifikke modeller Identifikation af talere Adskiller lægen fra patienten for korrekt dokumentation Lav - håndteres af talegenkendelse API PII Redaktion Fjerner navne, datoer og identifikatorer for at beskytte privatlivets fred Medium - kræver omhyggelig konfiguration SOAP note generation Konverter samtaler til struktureret klinisk dokumentation Middel - kræver LLM integration Automatisk sletning af data Sikrer, at patientdata ikke forbliver på tredjeparts servere Lave - enkle API-opkald Step 1: Basic transcription setup Trin 1: Grundlæggende transcription installation Begynd med en simpel transkriptionsanmodning.Dette etablerer fundamentet før lagring på medicinsk-specifikke funktioner. 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 Trin 2: Tilføj taleridentifikation Er det lægen, der har ordineret medicinen, eller patienten, der har anmodet om den? Forsamlingens identificerer, når forskellige mennesker taler, og mærker dem som Speaker A, Speaker B osv. For at adskille højttalere yderligere, kan vi bruge AssemblyAI's separate Her vil vi kortlægge disse højttaleretiketter til roller som "Læge" og "Patient". Høringsdiagrammer Identifikation af talere 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"]
      }
 Speaker diarization fungerer bedst, når hver højttaler taler i mindst 30 sekunder uafbrudt, selvom modellen håndterer virkelige samtaler med kryds-talk og korte sætninger. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction Trin 3: Forbedring af medicinsk terminologi nøjagtighed med ord boost og beskyttelse af patientens privatliv med PII redigering Et almindeligt problem: læger ordinerer "Tramadol", men transkriptionen viser "tramadol" i lavkasse. Forsamlingens Funktionen giver dig mulighed for at forudse modellen over for specifikke betingelser og deres korrekte formatering. Du giver en liste over medicinske betingelser, lægemiddelnavne eller procedurer, og modellen Udtrykket boost Medicinske samtaler indeholder også beskyttede sundhedsoplysninger (PHI): patientnavne, fødselsdatoer, sociale sikkerhedsnumre, adresser.Hvis disse data vises i dine transkripter, og du gemmer dem på tredjeparts servere, overtræder du potentielt privatlivsreglerne. Forsamlingens automatisk identificerer og fjerner personligt identificerbare oplysninger fra transkripter. Du kan konfigurere, hvad der bliver redigeret og hvordan. PII Redaktion     }},
    "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 Trin 4: Generering af SOAP noter med LLM Gateway Rå transkripter er nyttige, men læger har brug for struktureret dokumentation. SOAP noter (Subjective, Objective, Assessment, Plan) er den kliniske standard for at organisere patientmøder. Det er her, store sprogmodeller kommer ind. Giver en fælles grænseflade til forskellige LLMs. Ring det med din eksisterende AssemblyAI API-nøgle. LLM af 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 behandler samtalen og udleder strukturerede kliniske noter. Lægen får dokumentation klar til EHR uden manuel transkription. Step 5: Automatic data deletion Trin 5: Automatisk sletning af data Den mest pålidelige måde at beskytte patientdata på er at sikre, at de ikke vedbliver på tredjepartsinfrastruktur.Efter at have hentet din transkription og genereret SOAP-noter, skal du slette transkriptionen fra AssemblyAI's servere. 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 Når du bruger LLM Gateway med en udført Business Associate Agreement (BAA) og Anthropic eller Google inference-modeller, giver AssemblyAI nul dataopbevaring for input og output. LLM Gateway behandler anmodninger efemerisk. Din transkripttekst og de genererede SOAP-noter gemmes ikke ud over det øjeblikkelige API-opkald. Kun minimale metadata opbevares til logging og fakturering. Time-to-live for transcripts For yderligere beskyttelse af transkriptionsdata tilbyder AssemblyAI time-to-live (TTL) indstillinger. Fra den 26. november 2024 har kunder med en underskrevet Business Associate Agreement (BAA) automatisk en 3-dages TTL, der anvendes på alle transkriptioner. Denne TTL kan ændres. Transkripter slettes automatisk efter denne periode, selvom du glemmer at sende anmodningen om at slette manuelt. Putting it all together At sætte det hele sammen Her er den komplette implementering med alle funktioner aktiveret: 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 Hvorfor denne tilgang virker for medicinsk AI Det handler om at skabe et system, der passer ind i kliniske arbejdsprocesser, samtidig med at patientens privatliv respekteres. Denne implementering håndterer de virkelige udfordringer: 
 
 
 
 
 
 Medicinsk terminologi nøjagtighed gennem ord boost Tydelig talerattribution med talerdiarisering Beskyttelse af privatlivets fred via PII redigering og automatisk sletning Struktureret output gennem LLM-genererede SOAP noter Data minimering ved at fjerne alle spor fra tredjeparts servere Resultatet: en funktionel prototype, som du kan teste med klinisk lyd. Herfra kan du tilføje funktioner som realtidstranscription til live-konsultationer, integration med EHR-systemer eller brugerdefinerede SOAP-notatskabeloner til forskellige specialiteter. Denne implementering løser de centrale udfordringer i medicinsk AI: terminologi nøjagtighed gennem ordforstærkning, klar talerattribution med diarisering, privatlivsbeskyttelse via PII redigering og automatisk sletning og struktureret output gennem LLM-genererede SOAP-noter.Kombinationen skaber et fundament for medicinske skrivere på klinisk niveau, der respekterer patientens privatliv, mens de leverer dokumentation, der passer ind i virkelige sundhedsarbejdsprocesser. Next steps Næste skridt Vil du bygge på dette fundament? tjek disse ressourcer: 
 
 
 
 AssemblyAI's tale-til-tekst dokumentation PII redigeringspolitikker og konfiguration LLM Gateway til medicinske brugssager Hvis du bygger et sundhedspleje AI-produkt og har brug for hjælp med overensstemmelse, nøjagtighedsreferencer eller produktionsimplementering, har AssemblyAI-teamet erfaring med medicinske AI-virksomheder og kan hjælpe med at navigere i tekniske og lovgivningsmæssige udfordringer.

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

Denne lyd er produceret på historiens originalsprog!

Hvordan man opbygger en AI Medical Scribe med AssemblyAI

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet Bright Data: HackerNoon Company of the Week

Meet ZexPRWire: HackerNoon’s Certified Business Blogging Partner

Meet Bybit: HackerNoon Company of the Week

Meet Hubstaff: HackerNoon Company of the Week

Meet Bright Data: HackerNoon Company of the Week

Meet ZexPRWire: HackerNoon’s Certified Business Blogging Partner

Meet Bybit: HackerNoon Company of the Week

Meet Hubstaff: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps