Healthcare Research MCP Server

Un servidor de Model Context Protocol (MCP) para investigación sanitaria estructurada utilizando fuentes reales de investigación biomédica.

El servidor proporciona herramientas MCP para buscar en PubMed y ClinicalTrials.gov, un prompt MCP para generar informes de investigación estructurados y un recurso MCP que contiene pautas de investigación y seguridad.

1. Visión General del Proyecto

El Healthcare Research MCP Server proporciona una interfaz estandarizada entre asistentes de IA y fuentes de investigación sanitaria.

En lugar de requerir que una aplicación de IA implemente integraciones separadas para cada base de datos de investigación, el servidor MCP expone capacidades de investigación sanitaria como herramientas MCP reutilizables.

La implementación actual integra:

• PubMed

• ClinicalTrials.gov

El servidor puede buscar en ambas fuentes una pregunta de investigación y devolver un paquete de evidencia combinado.

Related MCP server: PubMed MCP Server

2. Planteamiento del Problema

La investigación sanitaria a menudo requiere información de múltiples fuentes.

Un investigador puede necesitar:

1. Buscar literatura biomédica.

2. Recuperar artículos de investigación individuales.

3. Buscar ensayos clínicos registrados.

4. Comparar evidencia entre fuentes.

5. Realizar seguimiento de identificadores como PMID y números de NCT.

6. Distinguir la evidencia recuperada de la interpretación.

Sin una interfaz estandarizada, cada aplicación de IA tendría que implementar estas integraciones de forma independiente.

Este proyecto demuestra cómo MCP puede proporcionar una interfaz reutilizable de investigación sanitaria.

3. ¿Por qué MCP?

Model Context Protocol proporciona una forma estandarizada para que las aplicaciones de IA interactúen con herramientas, recursos y prompts externos.

Este proyecto demuestra tres primitivas principales de MCP:

Herramientas

Las herramientas permiten que un cliente MCP o un modelo de IA realice acciones.

Herramientas implementadas:

• pubmed_search

• pubmed_get_article

• clinical_trials_search

• healthcare_research

Prompts

Los prompts proporcionan instrucciones reutilizables para un flujo de trabajo específico.

Prompt implementado:

• research_brief

Recursos

Los recursos proporcionan información contextual que un cliente MCP puede recuperar.

Recurso implementado:

• healthcare://research-guidelines

4. Arquitectura

                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

El servidor separa la recuperación de evidencia de la interpretación.

El servidor MCP recupera y estructura la información de investigación. Un cliente de IA puede entonces utilizar esa evidencia junto con el prompt de investigación para producir un informe de investigación estructurado.

5. Herramientas MCP

pubmed_search

Busca en PubMed artículos de investigación biomédica.

Ejemplo de consulta:

artificial intelligence ECG

Devuelve:

• PMID

• Título

• Autores

• Revista

• Fecha de publicación

pubmed_get_article

Recupera información detallada de un artículo de PubMed utilizando su PMID.

Ejemplo:

PMID: 42642304

La respuesta puede incluir:

• PMID

• Título

• Revista

• Autores

• Fecha de publicación

• DOI

• Resumen cuando esté disponible

clinical_trials_search

Busca en ClinicalTrials.gov estudios clínicos.

Devuelve información estructurada sobre los estudios coincidentes, incluyendo identificadores e información del estudio.

healthcare_research

Realiza una búsqueda de investigación de múltiples fuentes.

El flujo de trabajo es:

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

La herramienta también informa de fallos de fuentes sin descartar resultados exitosos de otras fuentes.

6. Prompt MCP

research_brief

El prompt research_brief proporciona un marco estructurado para sintetizar la investigación sanitaria recuperada.

Solicita:

1. Pregunta de investigación

2. Hallazgos clave

3. Evidencia relevante de PubMed

4. Evidencia relevante de ensayos clínicos

5. Áreas de acuerdo

6. Áreas de incertidumbre o evidencia contradictoria

7. Limitaciones

8. Fuentes que requieren revisión adicional

El prompt también instruye a la IA a:

• Evitar inventar hallazgos.

• Distinguir la evidencia de la interpretación.

• Evitar afirmaciones causales sin respaldo.

• Identificar información no disponible.

• Preservar los identificadores PMID y NCT.

• Evitar consejo médico individualizado.

7. Recurso MCP

healthcare://research-guidelines

Proporciona metodología de investigación y orientación de seguridad a un cliente MCP.

El recurso cubre:

• Manejo de evidencia

• Identificadores de fuente

• Limitaciones de la investigación

• Incertidumbre

• Límites de seguridad clínica

• La distinción entre información de investigación y juicio médico profesional

8. Flujo de Trabajo de Investigación Multi-Fuente

Un flujo de trabajo típico es el siguiente:

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

Esta arquitectura mantiene la recuperación de fuentes separada de la interpretación de la IA.

9. Validación

Las entradas de búsqueda se validan antes de realizar solicitudes externas.

La validación actual incluye:

• La consulta debe ser una cadena.

• La consulta no puede estar vacía.

• max_results debe ser un entero.

• max_results debe ser al menos 1.

• max_results no puede exceder 20.

Esto evita que solicitudes inválidas lleguen innecesariamente a APIs externas.

10. Manejo de Errores

Las APIs de investigación externas pueden fallar temporalmente o devolver respuestas inesperadas.

El servidor utiliza excepciones controladas ResearchSourceError para fallos de fuentes externas.

Para la investigación multi-fuente, un fallo en una fuente no descarta automáticamente los resultados de otra fuente.

Por ejemplo:

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

Esto permite al cliente distinguir entre:

• Recuperación exitosa de evidencia.

• Recuperación parcial.

• Fallos de fuentes.

11. Pruebas

El proyecto incluye pruebas automatizadas para:

• Validación de entradas.

• Flujo de trabajo de investigación combinado.

• Fallos parciales de fuentes.

• Descubrimiento de herramientas MCP.

• Descubrimiento de prompts MCP.

• Descubrimiento de recursos MCP.

• Recuperación de recursos MCP.

Ejecute la suite de pruebas completa:

python -m pytest -q

El proyecto utiliza tanto pruebas a nivel de unidad como pruebas de integración MCP.

12. Estructura del Proyecto

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. Instalación

Clone el repositorio:

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

Cree un entorno virtual:

python3 -m venv venv

Actívelo:

source venv/bin/activate

Instale las dependencias:

pip install -r requirements.txt

Instale las dependencias de prueba si es necesario:

pip install pytest

14. Ejecución del Servidor MCP

El servidor se comunica a través del transporte stdio de MCP.

Ejecute:

python -m server.server

El servidor está diseñado para ser lanzado por un cliente MCP en lugar de accederse a través de un navegador normal.

15. Ejecución del Cliente de Prueba MCP

El repositorio incluye un cliente de prueba que inicia el servidor MCP y se comunica con él a través de stdio.

Ejecute:

python tests/test_client.py

El cliente demuestra:

• Inicialización de MCP.

• Descubrimiento de herramientas.

• Descubrimiento de prompts.

• Descubrimiento de recursos.

• Recuperación de recursos.

• Invocación de la herramienta de investigación sanitaria.

16. Ejemplos de Consultas de Investigación

Ejemplo:

artificial intelligence ECG

Otros ejemplos de consultas incluyen:

AI assisted medical imaging

machine learning cardiac diagnosis

artificial intelligence radiology

deep learning ECG analysis

machine learning clinical decision support

Estas consultas se pueden utilizar con el flujo de trabajo de investigación multi-fuente.

17. Consideraciones de Seguridad Sanitaria

Este proyecto está destinado a la investigación sanitaria y la recuperación de información.

No está destinado a:

• Diagnosticar pacientes.

• Recomendar tratamiento individualizado.

• Reemplazar a profesionales médicos.

• Tomar decisiones clínicas autónomas.

La investigación recuperada debe ser revisada de forma independiente antes de utilizarse para decisiones clínicas, regulatorias u otras de alto impacto.

Los resultados de búsqueda pueden estar incompletos y la información de los ensayos clínicos puede cambiar con el tiempo.

18. Principios de Diseño

El proyecto sigue varios principios de diseño.

Evidencia antes que interpretación

El servidor recupera información de fuentes antes de que ocurra cualquier síntesis de IA.

Trazabilidad de fuentes

Los identificadores de investigación como PMID y los identificadores NCT se conservan cuando están disponibles.

Separación de responsabilidades

El servidor MCP maneja:

Recuperación de datos Validación Estructuración Manejo de errores de fuentes

La aplicación de IA consumidora puede manejar:

Interpretación Comparación Resumen Síntesis de investigación

Degradación elegante

El fallo de una fuente de investigación no debería eliminar automáticamente los resultados exitosos de otra fuente.

19. Tecnologías Utilizadas

• Python

• Model Context Protocol (MCP)

• FastMCP

• PubMed / NCBI

• ClinicalTrials.gov API

• pytest

• JSON

• stdio transport

20. Mejoras Futuras

Las posibles mejoras futuras incluyen:

• Bases de datos biomédicas adicionales.

• Deduplicación entre fuentes.

• Clasificación de citas.

• Filtros de fecha y publicación.

• Filtrado por tipo de estudio.

• Puntuación de calidad de la evidencia.

• Recuperación de artículos de texto completo cuando esté disponible.

• Síntesis de investigación más avanzada.

• Sesiones de investigación persistentes.

• Integraciones de clientes MCP.

• Pruebas de integración automatizadas adicionales.

21. Objetivo del Proyecto

El objetivo principal de este proyecto es demostrar cómo Model Context Protocol se puede utilizar para construir una interfaz de IA reutilizable para la investigación sanitaria.

En lugar de construir un chatbot sanitario de un solo propósito, el proyecto proporciona capacidades MCP estandarizadas que un cliente de IA puede descubrir y utilizar según sea necesario.

El resultado es una infraestructura modular de investigación sanitaria que separa:

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

Licencia

Este proyecto está destinado a fines educativos y de investigación.