AI medicīnas rakstnieki pārveido veselības aprūpes dokumentāciju, bet tā izveide, kas darbojas klīniskajā vidē, prasa vairāk nekā pamata transkripciju. Šī apmācība iet cauri funkcionāla AI medicīnas rakstītāja izveidei Python. Jūs sākat ar pamata transkripciju un pakāpeniski pievienosiet skaļruņa identifikāciju, PII rediģēšanu, SOAP piezīmju ģenerāciju un automātisko datu dzēšanu. What makes a production-ready medical scribe? Kas padara ražošanas gatavu medicīnisko rakstnieku? Pirms ienirt kodā, saprotiet, kas atdala koncepcijas pierādījumu no ievietojamā veselības aprūpes risinājuma. 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 Augsta precizitāte medicīniski Nepareizi dzirdēti zāļu nosaukumi vai devas rada klīniskus riskus Vidēji - nepieciešami domēna specifiskie modeļi Runātāja identifikācija Atšķiras ārsts no pacienta pareizai dokumentācijai Zems - apstrādāts ar runas atpazīšanas API PII redakcija Noņem vārdus, datumus un identifikatorus, lai aizsargātu privātumu Vidēji - nepieciešama rūpīga konfigurācija SOAP Note paaudze Konvertē sarunas strukturētā klīniskajā dokumentācijā Vidēji - prasa LLM integrāciju Automātiska datu dzēšana Nodrošina, ka pacienta dati netiek saglabāti trešo pušu serveros Zems - vienkāršs API zvanus Step 1: Basic transcription setup 1. solis: pamata transkripcijas iestatīšana Sāciet ar vienkāršu transkripcijas pieprasījumu. 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 2. solis: pievienojiet runātāja identifikāciju Medicīniskā dokumentācija prasa zināt, kas teica ko. vai tas ir ārsts, kas izraksta zāles, vai pacients, kas to pieprasa? Asamblejas identificē, kad dažādi cilvēki runā un marķē tos kā Speaker A, Speaker B un tā tālāk. funkcija, kas atbilst konkrētiem nosaukumiem runātājiem. Šeit mēs šo runātāju etiķetes pārvērsīsim tādās lomās kā "Doctor" un "Patients". Runātāja diarizācija Runātāja identifikācija 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"]
      }
 Skaļruņa diarizācija vislabāk darbojas, ja katrs runātājs runā vismaz 30 sekundes bez pārtraukuma, lai gan modelis apstrādā reālās pasaules sarunas ar krustojumu un īsām frāzēm. Step 3: Improving medical terminology accuracy with word boost and protecting patient privacy with PII redaction 3. solis: Medicīnas terminoloģijas precizitātes uzlabošana ar vārdu palielināšanu un pacientu privātuma aizsardzība ar PII redakciju Bieža problēma: ārsti izraksta "Tramadol", bet transkripcija parāda "tramadolu" zemāk. Asamblejas funkcija ļauj jums novirzīt modeli uz konkrētiem terminiem un to pareizu formatēšanu. Jūs sniedzat sarakstu ar medicīniskiem terminiem, zāļu nosaukumiem vai procedūrām, un modeli Vārds Boost Medicīniskās sarunas satur arī aizsargātu veselības informāciju (PHI): pacienta vārdus, dzimšanas datumus, sociālās apdrošināšanas numurus, adreses.Ja šie dati parādās jūsu transkriptos un jūs tos saglabājat trešo pušu serveros, jūs potenciāli pārkāpjat privātuma noteikumus. Asamblejas automātiski identificē un noņem personiski identificējamu informāciju no transkriptiem. Jūs varat konfigurēt, kas tiek rediģēts un kā. PII redakcija     }},
    "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 4. solis: SOAP piezīmju ģenerēšana ar LLM Gateway RAW transkripti ir noderīgi, bet ārstiem ir nepieciešama strukturēta dokumentācija. SOAP piezīmes (subjektīvs, objektīvs, novērtējums, plāns) ir klīniskais standarts pacientu tikšanās organizēšanai. Tas ir, kur lielie valodu modeļi nonāk. assemblyAI nodrošina vienotu saskarni ar dažādiem LLM. Zvaniet to ar esošo AssemblyAI API atslēgu. LLM vārti 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 apstrādā sarunu un iznāk strukturētas klīniskās piezīmes. ārsts saņem dokumentāciju gatavu EHR bez rokas transkripcijas. Step 5: Automatic data deletion 5. solis: automātiska datu dzēšana Visuzticamākais veids, kā aizsargāt pacientu datus, ir nodrošināt, ka tie netiek saglabāti trešo pušu infrastruktūrā. Pēc jūsu transkripta iegūšanas un SOAP piezīmju ģenerēšanas izdzēsiet transkriptu no AssemblyAI serveriem. 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 Izmantojot LLM Gateway ar izpildītu Business Associate Agreement (BAA) un Anthropic vai Google secinājumu modeļiem, AssemblyAI nodrošina nulles datu saglabāšanu ieejām un izejiem. LLM Gateway apstrādā pieprasījumus efemeriāli. Jūsu transkripcijas teksts un ģenerētie SOAP piezīmes netiek glabāti tālāk par tūlītējo API zvanu. tikai minimālie metadati tiek saglabāti žurnalizācijas un norēķinu nolūkos. Time-to-live for transcripts Lai nodrošinātu papildu transcript datu aizsardzību, AssemblyAI piedāvā īslaicīgus (TTL) iestatījumus. No 2024. gada 26. novembra klientiem ar parakstītu Business Associate Agreement (BAA) automātiski tiek piemērota 3 dienu TTL visiem transcriptiem. Šis TTL var mainīties. Transcripts automātiski tiek dzēsts pēc šī laika, pat ja esat aizmirsis manuāli nosūtīt dzēšanas pieprasījumu. Putting it all together Ievietojot to visu kopā Šeit ir pilna īstenošana ar visām iespējamām funkcijām: 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 Kāpēc šī pieeja darbojas medicīnas AI Medicīnas rakstzīmes veidošana prasa vairāk nekā tikai transkripcijas precizitāti.Tas ir par to, lai izveidotu sistēmu, kas atbilst klīniskajām darba plūsmām, vienlaikus ievērojot pacienta privātumu. Tas ir saistīts ar reālajiem izaicinājumiem: 
 
 
 
 
 
 Medicīnas terminoloģijas precizitāte, izmantojot vārdu impulsu Skaidra runātāja atribūcija ar runātāja diarizāciju Privātuma aizsardzība, izmantojot PII rediģēšanu un automātisku dzēšanu Strukturēta izeja, izmantojot LLM ģenerētas SOAP piezīmes Datu minimizēšana, noņemot visus pēdas no trešo pušu serveriem Rezultāts: funkcionāls prototips, kuru var pārbaudīt ar klīnisko audio. No šeit pievienojiet tādas funkcijas kā reāllaika transkripcija tiešām konsultācijām, integrācija ar EHR sistēmām vai pielāgotu SOAP piezīmju veidnes dažādām specialitātēm. Šī īstenošana risina medicīnas AI galvenos izaicinājumus: terminoloģijas precizitāti, izmantojot vārdu palielināšanu, skaidru runātāju piešķiršanu ar diarizāciju, privātuma aizsardzību, izmantojot PII rediģēšanu un automātisku dzēšanu, un strukturētu izeju, izmantojot LLM ģenerētas SOAP piezīmes. Next steps Nākamie soļi Vēlaties veidot uz šī pamata? pārbaudiet šos resursus: 
 
 
 
 AssemblyAI runas-teksta dokumentācija PII redakcijas politikas un konfigurācija LLM vārti medicīnas lietošanas gadījumos Ja jūs veidojat veselības aprūpes AI produktu un jums ir nepieciešama palīdzība ar atbilstību, precizitātes kritērijiem vai ražošanas izvietošanu, AssemblyAI komandai ir pieredze ar medicīnas AI uzņēmumiem un var palīdzēt pārvietoties tehniskajās un regulatīvajās problēmās.

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

Šis audio ir izveidots stāsta oriģinālvalodā!

Kā izveidot AI medicīnisko rakstu ar AssemblyAI

About Author

KOMENTĀRI

PAKARINĀT TAGUS

ŠIS RAKSTS TIKS PĀRSTRĀDĀTS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps