Healthcare Research MCP Server

Ein Model Context Protocol (MCP)-Server für strukturierte Gesundheitsforschung unter Verwendung realer biomedizinischer Forschungsquellen.

Der Server stellt MCP-Tools für die Suche in PubMed und ClinicalTrials.gov bereit, einen MCP-Prompt zur Erstellung strukturierter Forschungsberichte sowie eine MCP-Ressource mit Forschungs- und Sicherheitsrichtlinien.

1. Projektübersicht

Der Healthcare Research MCP Server bietet eine standardisierte Schnittstelle zwischen KI-Assistenten und Gesundheitsforschungsquellen.

Anstatt von einer KI-Anwendung zu verlangen, separate Integrationen für jede Forschungsdatenbank zu implementieren, stellt der MCP-Server Gesundheitsforschungskapazitäten als wiederverwendbare MCP-Tools bereit.

Die aktuelle Implementierung integriert:

• PubMed

• ClinicalTrials.gov

Der Server kann beide Quellen für eine Forschungsfrage durchsuchen und ein kombiniertes Evidenzpaket zurückgeben.

Related MCP server: PubMed MCP Server

2. Problemstellung

Gesundheitsforschung erfordert oft Informationen aus mehreren Quellen.

Ein Forscher muss möglicherweise:

1. Biomedizinische Literatur durchsuchen.

2. Einzelne Forschungsartikel abrufen.

3. Registrierte klinische Studien durchsuchen.

4. Evidenz über Quellen hinweg vergleichen.

5. Kennungen wie PMID- und NCT-Nummern im Blick behalten.

6. Abgerufene Evidenz von Interpretation unterscheiden.

Ohne eine standardisierte Schnittstelle müsste jede KI-Anwendung diese Integrationen unabhängig implementieren.

Dieses Projekt demonstriert, wie MCP eine wiederverwendbare Schnittstelle für Gesundheitsforschung bereitstellen kann.

3. Warum MCP?

Das Model Context Protocol bietet eine standardisierte Möglichkeit für KI-Anwendungen, mit externen Tools, Ressourcen und Prompts zu interagieren.

Dieses Projekt demonstriert drei wichtige MCP-Primitive:

Tools

Tools ermöglichen es einem MCP-Client oder KI-Modell, Aktionen auszuführen.

Implementierte Tools:

• pubmed_search

• pubmed_get_article

• clinical_trials_search

• healthcare_research

Prompts

Prompts bieten wiederverwendbare Anweisungen für einen bestimmten Arbeitsablauf.

Implementierter Prompt:

• research_brief

Ressourcen

Ressourcen bieten kontextuelle Informationen, die ein MCP-Client abrufen kann.

Implementierte Ressource:

• healthcare://research-guidelines

4. Architektur

                MCP CLIENT
                    |
                    v
          Healthcare Research
              MCP Server
                    |
    +---------------+---------------+
    |               |               |
    v               v               v
  Tools           Prompts        Resources
    |               |               |
    |               |               |
    |        research_brief   research-guidelines
    |

+----+---------------------+ | | v v PubMed ClinicalTrials.gov | | +------------+-------------+ | v Combined Evidence Package

Der Server trennt Evidenzabruf von Interpretation.

Der MCP-Server ruft Forschungsinformationen ab und strukturiert sie. Ein KI-Client kann diese Evidenz dann zusammen mit dem Forschungsprompt verwenden, um einen strukturierten Forschungsbericht zu erstellen.

5. MCP-Tools

pubmed_search

Durchsucht PubMed nach biomedizinischen Forschungsartikeln.

Beispielabfrage:

artificial intelligence ECG

Gibt zurück:

• PMID

• Titel

• Autoren

• Zeitschrift

• Veröffentlichungsdatum

pubmed_get_article

Ruft detaillierte Informationen zu einem PubMed-Artikel anhand seiner PMID ab.

Beispiel:

PMID: 42642304

Die Antwort kann enthalten:

• PMID

• Titel

• Zeitschrift

• Autoren

• Veröffentlichungsdatum

• DOI

• Abstract, sofern verfügbar

clinical_trials_search

Durchsucht ClinicalTrials.gov nach klinischen Studien.

Gibt strukturierte Informationen zu passenden Studien zurück, einschließlich Kennungen und Studieninformationen.

healthcare_research

Führt eine mehrquellenbasierte Forschungssuche durch.

Der Arbeitsablauf ist:

Research Question | +------> PubMed | +------> ClinicalTrials.gov | v Combined Evidence Package

Das Tool meldet auch Quellenfehler, ohne erfolgreiche Ergebnisse aus anderen Quellen zu verwerfen.

6. MCP-Prompt

research_brief

Der research_brief-Prompt bietet einen strukturierten Rahmen für die Synthese abgerufener Gesundheitsforschung.

Er fragt nach:

1. Forschungsfrage

2. Wichtigsten Erkenntnissen

3. Relevanter PubMed-Evidenz

4. Relevanter Evidenz aus klinischen Studien

5. Bereichen der Übereinstimmung

6. Bereichen der Unsicherheit oder widersprüchlicher Evidenz

7. Einschränkungen

8. Quellen, die einer weiteren Überprüfung bedürfen

Der Prompt weist die KI außerdem an:

• Keine Erfindungen von Erkenntnissen.

• Evidenz von Interpretation unterscheiden.

• Unbegründete Kausalaussagen vermeiden.

• Nicht verfügbare Informationen identifizieren.

• PMID- und NCT-Kennungen beibehalten.

• Individuelle medizinische Ratschläge vermeiden.

7. MCP-Ressource

healthcare://research-guidelines

Stellt einem MCP-Client Forschungsmethodik- und Sicherheitsrichtlinien bereit.

Die Ressource behandelt:

• Evidenzhandhabung

• Quellenkennungen

• Forschungseinschränkungen

• Unsicherheit

• Klinische Sicherheitsgrenzen

• Die Unterscheidung zwischen Forschungsinformationen und professionellem medizinischem Urteil

8. Mehrquellen-Forschungsworkflow

Ein typischer Arbeitsablauf sieht wie folgt aus:

User: "What is the current evidence for AI-assisted ECG interpretation?" | v MCP Client / AI | v healthcare_research | +----------+----------+ | | v v PubMed ClinicalTrials.gov | | +----------+----------+ | v Evidence Package | v research_brief | v Structured Research Brief

Diese Architektur hält die Quellenabrufung von der KI-Interpretation getrennt.

9. Validierung

Sucheingaben werden validiert, bevor externe Anfragen gestellt werden.

Die aktuelle Validierung umfasst:

• Die Abfrage muss eine Zeichenkette sein.

• Die Abfrage darf nicht leer sein.

• max_results muss eine Ganzzahl sein.

• max_results muss mindestens 1 betragen.

• max_results darf 20 nicht überschreiten.

Dies verhindert, dass ungültige Anfragen unnötig externe APIs erreichen.

10. Fehlerbehandlung

Externe Forschungs-APIs können vorübergehend ausfallen oder unerwartete Antworten liefern.

Der Server verwendet kontrollierte ResearchSourceError-Ausnahmen für Fehler externer Quellen.

Bei mehrquellenbasierter Forschung führt ein Fehler in einer Quelle nicht automatisch zum Verwerfen von Ergebnissen aus einer anderen Quelle.

Zum Beispiel:

PubMed -> SUCCESS ClinicalTrials.gov -> ERROR | v Partial Results + Source Error

Dies ermöglicht es dem Client, zu unterscheiden zwischen:

• Erfolgreichem Evidenzabruf.

• Teilweisem Abruf.

• Quellenfehlern.

11. Tests

Das Projekt enthält automatisierte Tests für:

• Eingabevalidierung.

• Kombinierten Forschungsworkflow.

• Teilweise Quellenfehler.

• MCP-Tool-Erkennung.

• MCP-Prompt-Erkennung.

• MCP-Ressourcen-Erkennung.

• MCP-Ressourcenabruf.

Führen Sie die vollständige Testsuite aus:

python -m pytest -q

Das Projekt verwendet sowohl Unit-Tests als auch MCP-Integrationstests.

12. Projektstruktur

healthcare-research-mcp/ | ├── server/ │ ├── init.py │ ├── server.py │ | │ ├── tools/ │ │ ├── init.py │ │ ├── pubmed.py │ │ ├── clinical_trials.py │ │ └── research.py │ | │ ├── prompts/ │ │ ├── init.py │ │ └── research.py │ | │ ├── resources/ │ │ ├── init.py │ │ └── guidelines.py │ | │ └── utils/ │ ├── errors.py │ └── validation.py | ├── tests/ │ ├── test_client.py │ ├── test_mcp_server.py │ ├── test_research.py │ └── test_validation.py | ├── .gitignore ├── requirements.txt └── README.md

13. Installation

Klonen Sie das Repository:

git clone https://github.com/Anubhab36/healthcare-research-mcp.git cd healthcare-research-mcp

Erstellen Sie eine virtuelle Umgebung:

python3 -m venv venv

Aktivieren Sie sie:

source venv/bin/activate

Installieren Sie die Abhängigkeiten:

pip install -r requirements.txt

Installieren Sie bei Bedarf Testabhängigkeiten:

pip install pytest

14. Ausführen des MCP-Servers

Der Server kommuniziert über den MCP-stdio-Transport.

Ausführen:

python -m server.server

Der Server ist dafür vorgesehen, von einem MCP-Client gestartet zu werden und nicht über einen normalen Browser aufgerufen zu werden.

15. Ausführen des MCP-Testclients

Das Repository enthält einen Testclient, der den MCP-Server startet und über stdio mit ihm kommuniziert.

Ausführen:

python tests/test_client.py

Der Client demonstriert:

• MCP-Initialisierung.

• Tool-Erkennung.

• Prompt-Erkennung.

• Ressourcen-Erkennung.

• Ressourcenabruf.

• Aufruf des Healthcare-Research-Tools.

16. Beispiel-Forschungsabfragen

Beispiel:

artificial intelligence ECG

Weitere Beispielabfragen sind:

AI assisted medical imaging

machine learning cardiac diagnosis

artificial intelligence radiology

deep learning ECG analysis

machine learning clinical decision support

Diese Abfragen können mit dem mehrquellenbasierten Forschungsworkflow verwendet werden.

17. Überlegungen zur Gesundheitssicherheit

Dieses Projekt ist für Gesundheitsforschung und Informationsabruf gedacht.

Es ist nicht dafür gedacht:

• Patienten zu diagnostizieren.

• Individuelle Behandlungen zu empfehlen.

• Medizinisches Fachpersonal zu ersetzen.

• Autonome klinische Entscheidungen zu treffen.

Abgerufene Forschung sollte unabhängig überprüft werden, bevor sie für klinische, regulatorische oder andere Entscheidungen mit hoher Auswirkung verwendet wird.

Suchergebnisse können unvollständig sein, und Informationen zu klinischen Studien können sich im Laufe der Zeit ändern.

18. Designprinzipien

Das Projekt folgt mehreren Designprinzipien.

Evidenz vor Interpretation

Der Server ruft Quelleninformationen ab, bevor eine KI-Synthese stattfindet.

Quellenrückverfolgbarkeit

Forschungskennungen wie PMID- und NCT-Kennungen werden, wo verfügbar, beibehalten.

Trennung der Verantwortlichkeiten

Der MCP-Server übernimmt:

Datenabruf Validierung Strukturierung Fehlerbehandlung von Quellen

Die verbrauchende KI-Anwendung kann übernehmen:

Interpretation Vergleich Zusammenfassung Forschungssynthese

Graceful Degradation

Der Ausfall einer Forschungsquelle sollte nicht automatisch erfolgreiche Ergebnisse aus einer anderen Quelle eliminieren.

19. Verwendete Technologien

• Python

• Model Context Protocol (MCP)

• FastMCP

• PubMed / NCBI

• ClinicalTrials.gov API

• pytest

• JSON

• stdio-Transport

20. Zukünftige Verbesserungen

Mögliche zukünftige Verbesserungen umfassen:

• Zusätzliche biomedizinische Datenbanken.

• Quellenübergreifende Deduplizierung.

• Zitationsranking.

• Datums- und Veröffentlichungsfilter.

• Studienartfilter.

• Bewertung der Evidenzqualität.

• Volltextartikelabruf, wo verfügbar.

• Fortgeschrittenere Forschungssynthese.

• Persistente Forschungssitzungen.

• MCP-Client-Integrationen.

• Zusätzliche automatisierte Integrationstests.

21. Projektziel

Das Hauptziel dieses Projekts ist es zu demonstrieren, wie das Model Context Protocol verwendet werden kann, um eine wiederverwendbare KI-Schnittstelle für Gesundheitsforschung aufzubauen.

Anstatt einen einzweckigen Gesundheits-Chatbot zu bauen, stellt das Projekt standardisierte MCP-Fähigkeiten bereit, die ein KI-Client nach Bedarf entdecken und nutzen kann.

Das Ergebnis ist eine modulare Gesundheitsforschungsinfrastruktur, die trennt:

Research Sources | v MCP Tools | v Structured Evidence | v AI Interpretation

Lizenz

Dieses Projekt ist für Bildungs- und Forschungszwecke gedacht.