Los escritores médicos de IA están transformando la documentación de atención médica, pero construir una que funcione en entornos clínicos requiere más que la transcripción básica. Necesitas captura precisa de terminología médica, identificación confiable del hablante y salvaguardas de privacidad que protejan los datos del paciente. Este tutorial te lleva a través de la construcción de una escritura médica de IA funcional en Python. Comenzarás con la transcripción básica y agregarás progresivamente la identificación del hablante, la redacción de PII, la generación de notas SOAP y la eliminación automática de datos. What makes a production-ready medical scribe? ¿Qué hace que un escritor médico preparado para la producción? Antes de sumergirse en el código, entienda qué separa una prueba de concepto de una solución de atención médica desplegable. 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 Alta precisión en términos médicos Nombres o dosis de fármacos equivocados crean riesgos clínicos Medium - requiere modelos específicos de dominio Identificación del hablante Distingue al médico del paciente por la documentación adecuada Bajo - gestionado por API de reconocimiento de habla PII Redacción Elimina nombres, fechas e identificadores para proteger la privacidad Medium - requiere una cuidadosa configuración Generación de notas de SOAP Convertir conversaciones en documentación clínica estructurada Mediano - requiere integración LLM Eliminación automática de datos Asegura que los datos del paciente no persistan en servidores de terceros Bajo - llamadas API sencillas Step 1: Basic transcription setup Paso 1: Configuración básica de la transcripción Comience con una simple solicitud de transcripción. Esto establece la base antes de estratificar en características médicas específicas. 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 Paso 2: Añadir la identificación del hablante La documentación médica requiere saber quién dijo qué. ¿Fue el médico que prescribió el medicamento o el paciente que lo solicitó? la diarización del hablante separa automáticamente a los diferentes hablantes en la conversación. La Asamblea identifica cuando diferentes personas están hablando y los etiqueta como Speaker A, Speaker B, y así sucesivamente. Aquí, vamos a mapear estas etiquetas de altavoces a roles como "Doctor" y "Paciente". Diarrea del hablante Identificación del hablante 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"]
      }
 La diarización del hablante funciona mejor cuando cada hablante habla durante al menos 30 segundos ininterrumpidos, aunque el modelo maneja conversaciones del mundo real con charlas cruzadas y frases cortas. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction Paso 3: Mejorar la precisión de la terminología médica con el impulso de palabras y proteger la privacidad del paciente con la redacción de PII Un problema común: los médicos prescriben "Tramadol", pero la transcripción muestra "tramadol" en la caja inferior. La Asamblea La función le permite bias el modelo hacia términos específicos y su formatación adecuada. proporciona una lista de términos médicos, nombres de medicamentos o procedimientos, y el modelo Palabra de impulso Las conversaciones médicas también contienen información de salud protegida (PHI): nombres de pacientes, fechas de nacimiento, números de seguridad social, direcciones.Si estos datos aparecen en sus transcripciones y los almacena en servidores de terceros, es posible que viole las regulaciones de privacidad. La Asamblea Identifica y elimina automáticamente la información de identificación personal de los transcritos.Puede configurar lo que se edita y cómo. PII Redacción     }},
    "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 Paso 4: Generar notas SOAP con LLM Gateway Las transcripciones en bruto son útiles, pero los médicos necesitan documentación estructurada. notas SOAP (subjetivo, objetivo, evaluación, plan) son el estándar clínico para la organización de encuentros de pacientes. Es aquí donde entran los grandes modelos de lenguaje. proporciona una interfaz unificada a varios LLMs. Llamalo con su clave de API AssemblyAI existente. LLM en 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"])
 ‍ El LLM procesa la conversación y emite notas clínicas estructuradas.El médico obtiene la documentación lista para el EHR sin transcripción manual. Step 5: Automatic data deletion Paso 5: Eliminación automática de datos La forma más fiable de proteger los datos del paciente es asegurarse de que no persistan en la infraestructura de terceros.Después de recuperar su transcripción y generar notas SOAP, elimine la transcripción de los servidores de 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 Cuando se utiliza LLM Gateway con un Acuerdo de asociado de negocios (BAA) ejecutado y modelos de inferencia antropológicos o de Google, AssemblyAI proporciona retención de datos cero para entradas y salidas. El LLM Gateway procesa las solicitudes de forma efímera. Su texto de transcripción y las notas SOAP generadas no se almacenan más allá de la llamada inmediata de la API. Solo se conservan metadatos mínimos para fines de log y facturación. Time-to-live for transcripts Para una protección adicional de los datos de transcripción, AssemblyAI ofrece ajustes de tiempo en vivo (TTL). A partir del 26 de noviembre de 2024, los clientes con un Acuerdo de Asociación de Negocios (BAA) firmado tienen automáticamente un TTL de 3 días aplicado a todas las transcripciones. Este TTL está sujeto a cambios. Putting it all together Poniéndolo todo juntos Aquí está la implementación completa con todas las características habilitadas: 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 Por qué este enfoque funciona para la IA médica La construcción de un escritorio médico requiere más que la precisión de la transcripción. Se trata de crear un sistema que se adapte a los flujos de trabajo clínicos respetando al mismo tiempo la privacidad del paciente. Esta implementación aborda los desafíos del mundo real: 
 
 
 
 
 
 Precisión de la terminología médica a través del impulso de palabras Atribución clara del hablante con diarización del hablante Protección de la privacidad a través de la redacción de PII y la eliminación automática Producción estructurada a través de notas SOAP generadas por LLM Minimizar los datos eliminando todos los rastros de servidores de terceros El resultado: un prototipo funcional que se puede probar con audio clínico.A partir de aquí, añade características como la transcripción en tiempo real para consultas en vivo, la integración con sistemas EHR o plantillas de notas SOAP personalizadas para diferentes especialidades. Esta implementación aborda los principales desafíos de la IA médica: la precisión de la terminología a través del impulso de palabras, la atribución clara del hablante con diarización, la protección de la privacidad a través de la redacción de PII y la eliminación automática, y la salida estructurada a través de las notas SOAP generadas por LLM. La combinación crea una base para los escritores médicos de nivel clínico que respetan la privacidad del paciente mientras proporcionan documentación que se ajusta a los flujos de trabajo sanitarios reales. Next steps Próximos pasos ¿Quieres construir sobre esta base? Compruebe estos recursos: 
 
 
 
 Documentación de habla a texto de AssemblyAI Políticas de redacción y configuración de PII LLM Gateway para casos de uso médico Si está construyendo un producto de IA para la salud y necesita ayuda con el cumplimiento, los criterios de precisión o la implementación de la producción, el equipo de AssemblyAI tiene experiencia con empresas de IA médicas y puede ayudar a navegar por los desafíos técnicos y regulatorios.

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

Este audio es producido en el idioma original de la historia!

Cómo construir una escritura médica de IA con AssemblyAI

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

State of the Noonion: A New Era For Brands and Writers

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

State of the Noonion: A New Era For Brands and Writers

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps