Gli scrittori medici AI stanno trasformando la documentazione sanitaria, ma la costruzione di uno che funziona in ambienti clinici richiede più di una trascrizione di base. Hai bisogno di accurata cattura della terminologia medica, identificazione affidabile degli oratori e garanzie sulla privacy che proteggono i dati dei pazienti. Questo tutorial ti guida attraverso la costruzione di una scrittura medica AI funzionale in Python. Inizierai con la trascrizione di base e aggiungerai progressivamente l'identificazione degli altoparlanti, la redazione PII, la generazione di note SOAP e la cancellazione automatica dei dati. What makes a production-ready medical scribe? Cosa rende una scrittura medica pronta per la produzione? Prima di immergersi nel codice, capire cosa separa una prova di concetto da una soluzione sanitaria distribuibile. 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 precisione in termini medici Nomi di farmaci o dosaggi sbagliati creano rischi clinici Medium - richiede modelli specifici per domini Identificazione degli oratori Distingue il medico dal paziente per una corretta documentazione Basso - gestito da API di riconoscimento vocale Redazione PII Rimuove nomi, date e identificatori per proteggere la privacy Medium - richiede una configurazione accurata Generazione SOAP Note Convertire le conversazioni in documentazione clinica strutturata Medium - richiede l'integrazione LLM Eliminazione automatica dei dati Assicura che i dati del paziente non persistano su server di terze parti Appelli API bassi e semplici Step 1: Basic transcription setup Passo 1: Impostazione di trascrizione di base Inizia con una semplice richiesta di trascrizione. Questo stabilisce la base prima di stratificare su caratteristiche mediche specifiche. 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 Passo 2: Aggiungere l'identificazione del relatore La documentazione medica richiede di sapere chi ha detto cosa. è stato il medico che ha prescritto il farmaco o il paziente che lo ha richiesto? Assemblea di identifica quando diverse persone stanno parlando e le etichetta come Speaker A, Speaker B, e così via. La funzione corrisponde a nomi specifici per gli altoparlanti. Qui, mapperemo queste etichette degli altoparlanti a ruoli come "Doctore" e "Paziente". Speaker diuretico Identificazione degli oratori 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 diarizzazione degli altoparlanti funziona meglio quando ciascun altoparlante parla per almeno 30 secondi ininterrotto, anche se il modello gestisce conversazioni del mondo reale con conversazioni incrociate e frasi brevi. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction Passo 3: Migliorare l'accuratezza della terminologia medica con Word Boost e proteggere la privacy del paziente con la redazione PII Un problema comune: i medici prescrivono "Tramadol", ma la trascrizione mostra "tramadolo" in basso. Assemblea di La funzione ti consente di predisporre il modello verso termini specifici e la loro corretta formattazione. fornisci un elenco di termini medici, nomi di farmaci o procedure e il modello Parola di Boost Le conversazioni mediche contengono anche informazioni protette sulla salute (PHI): nomi dei pazienti, date di nascita, numeri di previdenza sociale, indirizzi.Se questi dati appaiono nelle tue trascrizioni e li memorizzi su server di terze parti, potresti violare le normative sulla privacy. Assemblea di identifica e rimuove automaticamente le informazioni di identificazione personale dalle trascrizioni.Puoi configurare ciò che viene modificato e come. Redazione PII     }},
    "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 Passo 4: Generare note SOAP con LLM Gateway Le trascrizioni crude sono utili, ma i medici hanno bisogno di una documentazione strutturata. note SOAP (Soggettive, Objective, Assessment, Plan) sono lo standard clinico per organizzare incontri con i pazienti. Ecco dove entrano i grandi modelli linguistici. assemblyAI fornisce un'interfaccia unificata per vari LLM. Chiamalo con la tua chiave API AssemblyAI esistente. Il gateway LLM 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"])
 ‍ Il LLM elabora la conversazione e emette note cliniche strutturate. Il medico ottiene la documentazione pronta per l'EHR senza trascrizione manuale. Step 5: Automatic data deletion Passo 5: cancellazione automatica dei dati Il modo più affidabile per proteggere i dati dei pazienti è assicurarsi che non persistano su infrastrutture di terze parti. Dopo aver recuperato la trascrizione e generato le note SOAP, eliminare la trascrizione dai server di 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 Quando si utilizza LLM Gateway con un Business Associate Agreement (BAA) eseguito e modelli di inferenza antropica o Google, AssemblyAI fornisce zero conservazione dei dati per input e outputs. Il LLM Gateway elabora le richieste in modo ephemerale. Il testo della tua trascrizione e le note SOAP generate non vengono memorizzate al di là della chiamata immediata dell'API. Solo i metadati minimi sono conservati per scopi di logging e fatturazione. Time-to-live for transcripts Per proteggere ulteriormente i dati di trascrizione, AssemblyAI offre impostazioni time-to-live (TTL). A partire dal 26 novembre 2024, i clienti con un Business Associate Agreement (BAA) firmato hanno automaticamente un TTL di 3 giorni applicato a tutte le trascrizioni. Questo TTL è soggetto a cambiamenti. Le transcrizioni vengono cancellate automaticamente dopo questo periodo, anche se si dimentica di inviare manualmente la richiesta di eliminazione. Putting it all together Mettendo tutto insieme Ecco l'implementazione completa con tutte le funzionalità abilitate: 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 Perché questo approccio funziona per l'AI medica La costruzione di una scrittura medica richiede molto di più della precisione della trascrizione: si tratta di creare un sistema che si inserisca nei flussi di lavoro clinici rispettando nel contempo la privacy del paziente. Questa implementazione affronta le sfide del mondo reale: 
 
 
 
 
 
 Precisione della terminologia medica attraverso la parola boost Chiara attribuzione degli oratori con diarizzazione degli oratori Protezione della privacy attraverso la redazione PII e la cancellazione automatica Produzione strutturata attraverso note SOAP generate da LLM Minimizzazione dei dati rimuovendo tutte le tracce dai server di terze parti Il risultato: un prototipo funzionale che puoi testare con l'audio clinico. Da qui, aggiungi funzionalità come la trascrizione in tempo reale per le consultazioni dal vivo, l'integrazione con i sistemi EHR o i modelli di nota SOAP personalizzati per diverse specialità. Questa implementazione affronta le sfide chiave dell'IA medica: precisione della terminologia attraverso l'impulso delle parole, attribuzione chiara degli altoparlanti con diarizzazione, protezione della privacy attraverso la redazione PII e la cancellazione automatica e uscita strutturata attraverso le note SOAP generate dal LLM. La combinazione crea una base per gli scrittori medici di livello clinico che rispettano la privacy dei pazienti fornendo documentazione che si inserisce nei flussi di lavoro sanitari reali. Next steps Prossimi passi Vuoi costruire su questa fondazione? controlla queste risorse: 
 
 
 
 Documentazione Speech-to-Text di AssemblyAI PII editing policy e configurazione LLM Gateway per casi di uso medico Se stai costruendo un prodotto di AI per la salute e hai bisogno di aiuto con la conformità, i parametri di precisione o la distribuzione della produzione, il team AssemblyAI ha esperienza con le aziende di AI mediche e può aiutare a navigare nelle sfide tecniche e normative.

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

Questo audio è prodotto nella lingua originale della storia!

Come costruire una scrittura medica AI con AssemblyAI

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Arron Goolsbey Talks Future of Gaming with AI and Blockchain at Mythical Games

The Fall of OM by Mantra DAO: Accident or Pattern?

HackerNoon - A User Experience Analysis: Part 2

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Arron Goolsbey Talks Future of Gaming with AI and Blockchain at Mythical Games

The Fall of OM by Mantra DAO: Accident or Pattern?

HackerNoon - A User Experience Analysis: Part 2

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps