Medizinische Schreiber von KI verändern die Gesundheitsdokumentation, aber der Aufbau einer, die in klinischen Einstellungen funktioniert, erfordert mehr als die grundlegende Transkription. Dieses Tutorial führt Sie durch den Aufbau eines funktionalen KI-Medizinischen Schreibens in Python. Sie beginnen mit der grundlegenden Transkription und fügen schrittweise Lautsprecheridentifikation, PII-Redaktion, SOAP-Notizgenerierung und automatische Datenlöschung hinzu.Am Ende haben Sie einen funktionierenden Prototyp, der mit realen klinischen Szenarien umgeht. What makes a production-ready medical scribe? Was macht einen Produktionsfertigen medizinischen Schreiber aus? Bevor Sie in den Code eintauchen, verstehen Sie, was einen Proof-of-Concept von einer implementierbaren Gesundheitslösung trennt. 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 Hohe Genauigkeit in medizinischen Begriffen Falsche Drogennamen oder Dosierungen erzeugen klinische Risiken Medium – erfordert Domainspezifische Modelle Identifikation der Sprecher Unterscheidet den Arzt vom Patienten für die richtige Dokumentation Low - verwaltet durch Spracherkennung API PII Redaktion Entfernt Namen, Daten und Identifikatoren zum Schutz der Privatsphäre Medium - erfordert sorgfältige Konfiguration Soap Note Generation Konvertiert Gespräche in strukturierte klinische Dokumentation Medium - erfordert LLM Integration Automatisches Löschen von Daten Stellen Sie sicher, dass Patientendaten nicht auf Drittanbieter-Servern verbleiben Niedrig - einfache API-Anrufe Step 1: Basic transcription setup Schritt 1: Basic Transcription Setup Beginnen Sie mit einer einfachen Transkriptionsanfrage.Dies legt die Grundlage vor dem Schichten auf medizinisch spezifische Merkmale. 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 Schritt 2: Hinzufügen der Sprecheridentifikation Ist es der Arzt, der das Medikament verschreibt, oder der Patient, der es anfordert? Die Versammlung Identifiziert, wann verschiedene Personen sprechen und kennzeichnet sie als Lautsprecher A, Lautsprecher B usw. Um die Lautsprecher weiter zu trennen, können wir die getrennte AssemblyAI Hier werden wir diese Lautsprecher-Etiketten auf Rollen wie "Arzt" und "Patient" mappen. Sprecherdiagnostika Identität des Sprechers 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"]
      }
 Die Lautsprecherdiarisierung funktioniert am besten, wenn jeder Sprecher mindestens 30 Sekunden ununterbrochen spricht, obwohl das Modell reale Gespräche mit Kreuzgesprächen und kurzen Phrasen bearbeitet. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction Schritt 3: Verbesserung der Präzision der medizinischen Terminologie mit Wortboost und Schutz der Privatsphäre des Patienten mit PII-Redaktion Ein häufiges Problem: Ärzte verschreiben "Tramadol", aber die Transkription zeigt "Tramadol" in der Abkürzung. Die Versammlung Funktion ermöglicht es Ihnen, das Modell auf bestimmte Begriffe und deren richtige Formatierung zu verstellen. Sie geben eine Liste von medizinischen Begriffen, Medikamentennamen oder Verfahren und das Modell Wort Boost Medizinische Gespräche enthalten auch geschützte Gesundheitsinformationen (PHI): Patientennamen, Geburtsdatum, Sozialversicherungsnummern, Adressen.Wenn diese Daten in Ihren Transkripten erscheinen und Sie sie auf Servern Dritter speichern, verletzen Sie möglicherweise die Datenschutzvorschriften. Die Versammlung automatisch identifiziert und entfernt persönlich identifizierbare Informationen aus Transkripten. Sie können konfigurieren, was bearbeitet wird und wie. 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 Schritt 4: SOAP-Noten mit LLM Gateway generieren Rohe Transkripte sind nützlich, aber Ärzte benötigen strukturierte Dokumentation. SOAP-Notizen (Subjektiv, Objektiv, Bewertung, Plan) sind der klinische Standard für die Organisation von Patientenbegegnungen. Hier kommen große Sprachmodelle ein. assemblyAI bietet eine einheitliche Schnittstelle für verschiedene LLMs. Rufen Sie es mit Ihrem vorhandenen AssemblyAI API-Schlüssel an. LLM 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"])
 ‍ Der LLM verarbeitet das Gespräch und liefert strukturierte klinische Notizen.Der Arzt erhält die Dokumentation bereit für die EHR ohne manuelle Transkription. Step 5: Automatic data deletion Schritt 5: Automatische Löschung von Daten Der zuverlässigste Weg, um Patientendaten zu schützen, besteht darin, sicherzustellen, dass sie nicht auf der Infrastruktur von Drittanbietern bestehen.Nachdem Sie Ihr Transkript abgerufen und SOAP-Notizen generiert haben, löschen Sie das Transkript von den Servern von 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 Bei der Verwendung von LLM Gateway mit einem ausgeführten Business Associate Agreement (BAA) und Anthropic oder Google Inference-Modellen bietet AssemblyAI Null-Datenretention für Inputs und Ausgänge. Das LLM Gateway verarbeitet Anfragen ephemeriell. Ihr Transkripttext und die generierten SOAP-Noten werden nicht über den unmittelbaren API-Anruf hinaus gespeichert. Nur minimale Metadaten werden für Log- und Rechnungszwecke gespeichert. Time-to-live for transcripts Für den zusätzlichen Schutz von Transkriptionsdaten bietet AssemblyAI Time-to-Live (TTL) -Einstellungen an. Ab dem 26. November 2024 haben Kunden mit einem unterzeichneten Business Associate Agreement (BAA) automatisch einen 3-tägigen TTL für alle Transkripte. Dieser TTL kann sich ändern. Transkripte werden nach diesem Zeitraum automatisch gelöscht, auch wenn Sie vergessen, die Löschanfrage manuell zu senden. Putting it all together Das Ganze zusammenbringen Hier die vollständige Implementierung mit allen aktivierten Funktionen: 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 Warum dieser Ansatz für medizinische AI funktioniert Der Aufbau eines medizinischen Schreibens erfordert mehr als nur Transkriptionsgenauigkeit.Es geht darum, ein System zu erstellen, das in klinische Workflows passt und gleichzeitig die Privatsphäre des Patienten achtet. Diese Implementierung befasst sich mit den Herausforderungen der realen Welt: 
 
 
 
 
 
 Medizinische Terminologie Genauigkeit durch Wort Boost Klare Sprecher-Attribution mit Sprecher-Diarisierung Datenschutz durch PII-Redaktion und automatische Löschung Strukturierte Ausgabe durch LLM-generierte SOAP-Noten Datenminimierung durch Entfernen aller Spuren von Drittanbieter-Servern Das Ergebnis: ein funktionaler Prototyp, den Sie mit klinischem Audio testen können. Von hier aus können Sie Funktionen wie Echtzeit-Transcription für Live-Konsultationen, Integration mit EHR-Systemen oder benutzerdefinierte SOAP-Notizvorlagen für verschiedene Spezialitäten hinzufügen. Diese Implementierung befasst sich mit den zentralen Herausforderungen der medizinischen KI: Terminologie-Genauigkeit durch Wort-Boost, klare Sprecher-Zuweisung mit Diarisierung, Datenschutz durch PII-Redaktion und automatische Löschung und strukturierte Ausgabe durch LLM-generierte SOAP-Notizen.Die Kombination schafft eine Grundlage für klinische medizinische Schreiber, die die Privatsphäre der Patienten respektieren und Dokumente liefern, die in reale Gesundheitsarbeitströme passen. Next steps Nächste Schritte Möchten Sie auf diesem Fundament bauen? Überprüfen Sie diese Ressourcen: 
 
 
 
 AssemblyAI’s Sprach-zu-Text-Dokumentation PII-Redaktionsrichtlinien und Konfiguration LLM Gateway für medizinische Anwendungsfälle Wenn Sie ein Gesundheits-AI-Produkt aufbauen und Hilfe bei Compliance, Genauigkeits-Benchmarks oder Produktionsimplementierung benötigen, hat das AssemblyAI-Team Erfahrung mit medizinischen KI-Unternehmen und kann Ihnen helfen, technische und regulatorische Herausforderungen zu bewältigen.

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

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Wie man einen AI Medical Scribe mit AssemblyAI baut

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps