AI 의학 작가들은 의료 문서를 변화시키고 있지만 임상 환경에서 작동하는 문서를 구축하는 것은 기본적인 번역보다 더 많은 것을 필요로합니다.당신은 정확한 의료 용어 캡처, 신뢰할 수있는 연사자 식별 및 환자 데이터를 보호하는 개인 정보 보호를 필요로합니다. 이 튜토리얼은 Python에서 기능적인 AI 의료 스크립트를 구축하는 방법을 안내합니다.당신은 기본적인 번역으로 시작하고 점진적으로 스피커 식별, PII 편집, SOAP 노트 생성 및 자동 데이터 삭제를 추가합니다. What makes a production-ready medical scribe? 생산 준비된 의학 작가를 만드는 것은 무엇입니까? 코드에 빠지기 전에 개념 증명과 배포 가능한 의료 솔루션을 구별하는 것을 이해하십시오. 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 의학적 용어로 높은 정확성 잘못 알려진 약물 이름 또는 복용량은 임상 위험을 야기합니다. Medium - 도메인 특정 모델이 필요합니다. 스피커의 식별 적절한 문서를 위해 의사와 환자를 구별합니다. Low - Speech Recognition API에 의해 처리 PII 편집 개인 정보를 보호하기 위해 이름, 날짜 및 식별자를 제거합니다.Removes names, dates, and identifiers to protect privacy 중간 - 신중한 구성이 필요합니다. SOAP 노트 세대 대화를 구조화된 임상 문서로 변환합니다.Converses into structured clinical documentation 중간 - LLM 통합이 필요합니다 자동 데이터 삭제 환자 데이터가 제3자 서버에 지속되지 않도록 보장합니다. 낮은 - 간단한 API 호출 Step 1: Basic transcription setup 1단계: 기본적인 transcription setup 간단한 번역 요청으로 시작합니다.This establishes the foundation before layering on medical-specific features. 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 2단계: 스피커 ID 추가 의학 문서는 누가 무엇을 말했는지 알아야합니다. 의사가 약을 처방했는지, 아니면 환자가 그것을 요청했는지? 모임의 다른 사람들이 말할 때를 식별하고 스피커 A, 스피커 B 등으로 표시합니다.스피커를 더 분리하려면 AssemblyAI의 별도의 스피커를 사용할 수 있습니다. 여기서, 우리는 이러한 스피커 라벨을 "의사"와 "환자"와 같은 역할에 매핑 할 것입니다. 스피커 Diary 스피커의 식별 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"]
      }
 스피커 diarization는 각 스피커가 적어도 30 초 동안 중단되지 않은 대화를 할 때 가장 잘 작동하지만, 모델은 교차 대화와 짧은 문장을 사용하여 실제 대화를 처리합니다. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction 3단계: 단어 부스트를 통해 의학 용어의 정확성을 향상시키고 PII 편집을 통해 환자의 개인 정보를 보호 일반적인 문제 : 의사들은 "Tramadol"을 처방하지만 인쇄물에는 "tramadol"이 표시됩니다. 모임의 기능을 사용하면 모델을 특정 용어와 적절한 형식으로 편향시킬 수 있습니다.You provide a list of medical terms, drug names, or procedures, and the model 단어 Boost 의료 대화에는 환자 이름, 생일, 사회 보장 번호, 주소 등 보호된 건강 정보(PHI)도 포함되어 있습니다.이 데이터가 귀하의 인쇄물에 표시되고 제3자 서버에 저장되는 경우, 귀하는 잠재적으로 개인 정보 보호 규정을 위반하고 있습니다. 모임의 자동으로 식별하고 개인 식별 정보를 트랜스크립트에서 제거합니다.당신은 무엇을 편집하고 어떻게 구성할 수 있습니다. PII 편집     }},
    "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 단계 4: LLM 게이트웨이를 사용하여 SOAP 노트 생성 Raw transcripts are useful, but doctors need structured documentation. SOAP notes (Subjective, Objective, Assessment, Plan) are the clinical standard for organizing patient encounters. (물론적, 객관적, 평가, 계획) SOAP 노트는 환자 만남을 조직하는 임상 표준입니다. 이것이 큰 언어 모델이 들어오는 곳입니다.AssemblyAI의 다양한 LLM에 통일된 인터페이스를 제공합니다.당신의 기존 AssemblyAI API 키로 그것을 호출하십시오. LLM 게이트웨이 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"])
 ‍ LLM은 대화를 처리하고 구조화 된 임상 노트를 출력합니다. Step 5: Automatic data deletion 단계 5: 자동 데이터 삭제 환자 데이터를 보호하는 가장 신뢰할 수 있는 방법은 이 데이터가 제3자 인프라에 남아 있지 않도록 하는 것입니다. transcript를 검색하고 SOAP 노트를 생성한 후 AssemblyAI의 서버에서 transcript를 삭제합니다. 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 실행된 비즈니스 협력 협정 (BAA) 및 Anthropic 또는 Google 추론 모델을 가진 LLM 게이트웨이를 사용할 때 AssemblyAI는 입력 및 출력에 대한 제로 데이터 보존을 제공합니다. LLM 게이트웨이는 수시로 요청을 처리합니다. 귀하의 변환 텍스트와 생성 된 SOAP 노트는 즉각적인 API 호출 이외에 저장되지 않습니다. 로그 및 청구 목적으로 최소한의 메타데이터 만 보관됩니다. Time-to-live for transcripts 트랜스크립트 데이터의 추가적인 보호를 위해 AssemblyAI는 시간-to-live(TTL) 설정을 제공합니다. 2024년 11월 26일부터, 서명된 비즈니스 협력 협정(BAA)을 가진 고객은 모든 트랜스크립트에 자동으로 3일간의 TTL을 적용합니다.이 TTL는 변경될 수 있습니다. Putting it all together 그것을 모두 함께 넣어주는 여기에 모든 기능을 활성화 한 완전한 구현이 있습니다 : 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 왜이 접근법은 의료 AI에 작동합니까? 의료 서류를 구축하는 것은 번역 정확성보다 더 많은 것을 필요로합니다.그것은 환자의 사생활을 존중하면서 임상 작업 흐름에 적합한 시스템을 만드는 것입니다. 이 구현은 현실 세계의 도전에 대처합니다 : 
 
 
 
 
 
 단어 부스트를 통해 의학 terminology accuracy Clear speaker attribution with speaker diarization에 대한 설명 PII 편집 및 자동 삭제를 통한 개인정보 보호 LLM 생성 SOAP 노트를 통해 구조화 된 출력 제 3 자 서버에서 모든 흔적을 제거함으로써 데이터 최소화 결과: 임상 오디오로 테스트 할 수있는 기능적인 프로토 타입.이곳에서 라이브 컨설팅을위한 실시간 변환, EHR 시스템 통합 또는 다양한 전문 분야에 대한 사용자 지정 SOAP 노트 템플릿과 같은 기능을 추가하십시오. 이 구현은 의학 인공지능의 핵심 과제를 해결합니다 : 단어 부스트를 통해 용어 정밀도, diarization를 통해 명확한 스피커 할당, PII 편집 및 자동 삭제를 통해 개인 정보 보호, LLM 생성 SOAP 노트를 통해 구조화 된 출력.이 조합은 진정한 의료 업무 흐름에 맞는 문서를 제공하면서 환자의 개인 정보를 존중하는 임상 수준의 의료 작가를위한 기초를 만듭니다. Next steps 다음 단계 이 기초에 건설하고 싶습니까?이 자원을 확인하십시오 : 
 
 
 
 AssemblyAI의 Speech-to-Text 문서화 PII 편집 정책 및 구성 의료용 케이스에 대한 LLM 게이트웨이 건강 관리 AI 제품을 구축하고 규정 준수, 정확도 기준 또는 생산 배포에 도움을 필요로하는 경우 AssemblyAI 팀은 의료 AI 회사와의 경험을 가지고 있으며 기술 및 규제 문제를 탐색하는 데 도움이됩니다.

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

이 오디오는 이야기의 원래 언어로 제작되었습니다!

AssemblyAI를 사용하여 AI Medical Scribe를 구축하는 방법

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps