Healthcare Research MCP Server

A Model Context Protocol (MCP) server for structured healthcare research using real biomedical research sources.

Сервер Model Context Protocol (MCP) для структурированных медицинских исследований с использованием реальных биомедицинских источников.

The server provides MCP tools for searching PubMed and ClinicalTrials.gov, an MCP prompt for generating structured research briefs, and an MCP resource containing research and safety guidelines.

Сервер предоставляет MCP-инструменты для поиска в PubMed и ClinicalTrials.gov, MCP-промпт для создания структурированных исследовательских сводок и MCP-ресурс, содержащий руководства по исследованиям и безопасности.

1. Project Overview

Related MCP server: PubMed MCP Server

1. Обзор проекта

The Healthcare Research MCP Server provides a standardized interface between AI assistants and healthcare research sources.

Сервер Healthcare Research MCP Server обеспечивает стандартизированный интерфейс между AI-ассистентами и источниками медицинских исследований.

Instead of requiring an AI application to implement separate integrations for every research database, the MCP server exposes healthcare research capabilities as reusable MCP tools.

Вместо того чтобы требовать от AI-приложения реализации отдельных интеграций для каждой исследовательской базы данных, MCP-сервер предоставляет возможности медицинских исследований в виде переиспользуемых MCP-инструментов.

The current implementation integrates:

Текущая реализация включает:

• PubMed

• ClinicalTrials.gov

The server can search both sources for a research question and return a combined evidence package.

Сервер может искать по обоим источникам для исследовательского вопроса и возвращать объединённый пакет доказательств.

2. Problem Statement

2. Постановка проблемы

Healthcare research often requires information from multiple sources.

Медицинские исследования часто требуют информации из нескольких источников.

A researcher may need to:

Исследователю может потребоваться:

1. Search biomedical literature.

2. Retrieve individual research articles.

3. Search registered clinical trials.

4. Compare evidence across sources.

5. Keep track of identifiers such as PMID and NCT numbers.

6. Distinguish retrieved evidence from interpretation.

7. Искать биомедицинскую литературу.

8. Получать отдельные исследовательские статьи.

9. Искать зарегистрированные клинические испытания.

10. Сравнивать доказательства из разных источников.

11. Отслеживать идентификаторы, такие как PMID и номера NCT.

12. Отличать полученные доказательства от интерпретации.

Without a standardized interface, each AI application would need to implement these integrations independently.

Без стандартизированного интерфейса каждое AI-приложение должно было бы реализовывать эти интеграции независимо.

This project demonstrates how MCP can provide a reusable healthcare research interface.

Этот проект демонстрирует, как MCP может предоставить переиспользуемый интерфейс для медицинских исследований.

3. Why MCP?

3. Зачем нужен MCP?

Model Context Protocol provides a standardized way for AI applications to interact with external tools, resources, and prompts.

Model Context Protocol предоставляет стандартизированный способ взаимодействия AI-приложений с внешними инструментами, ресурсами и промптами.

This project demonstrates three major MCP primitives:

Этот проект демонстрирует три основных примитива MCP:

Tools

Инструменты

Tools allow an MCP client or AI model to perform actions.

Инструменты позволяют MCP-клиенту или AI-модели выполнять действия.

Implemented tools:

Реализованные инструменты:

• pubmed_search

• pubmed_get_article

• clinical_trials_search

• healthcare_research

Prompts

Промпты

Prompts provide reusable instructions for a specific workflow.

Промпты предоставляют переиспользуемые инструкции для конкретного рабочего процесса.

Implemented prompt:

Реализованный промпт:

• research_brief

Resources

Ресурсы

Resources provide contextual information that an MCP client can retrieve.

Ресурсы предоставляют контекстную информацию, которую может получить MCP-клиент.

Implemented resource:

Реализованный ресурс:

• healthcare://research-guidelines

4. Architecture

4. Архитектура

                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

The server separates evidence retrieval from interpretation.

Сервер разделяет получение доказательств и их интерпретацию.

The MCP server retrieves and structures research information. An AI client can then use that evidence together with the research prompt to produce a structured research brief.

MCP-сервер получает и структурирует исследовательскую информацию. Затем AI-клиент может использовать эти доказательства вместе с исследовательским промптом для создания структурированной исследовательской сводки.

5. MCP Tools

5. MCP-инструменты

pubmed_search

Searches PubMed for biomedical research articles.

Ищет биомедицинские исследовательские статьи в PubMed.

Example query:

Пример запроса:

artificial intelligence ECG

Returns:

Возвращает:

• PMID

• Title

• Authors

• Journal

• Publication date

• PMID

• Название

• Авторы

• Журнал

• Дата публикации

pubmed_get_article

Retrieves detailed information for a PubMed article using its PMID.

Получает подробную информацию о статье PubMed по её PMID.

Example:

Пример:

PMID: 42642304

The response can include:

Ответ может включать:

• PMID

• Title

• Journal

• Authors

• Publication date

• DOI

• Abstract when available

• PMID

• Название

• Журнал

• Авторы

• Дата публикации

• DOI

• Аннотация, если доступна

clinical_trials_search

Searches ClinicalTrials.gov for clinical studies.

Ищет клинические исследования в ClinicalTrials.gov.

Returns structured information about matching studies, including identifiers and study information.

Возвращает структурированную информацию о соответствующих исследованиях, включая идентификаторы и информацию об исследовании.

healthcare_research

Performs a multi-source research search.

Выполняет многоисточниковый исследовательский поиск.

The workflow is:

Рабочий процесс:

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

The tool also reports source failures without discarding successful results from other sources.

Инструмент также сообщает об ошибках источников, не отбрасывая успешные результаты из других источников.

6. MCP Prompt

6. MCP-промпт

research_brief

The research_brief prompt provides a structured framework for synthesizing retrieved healthcare research.

Промпт research_brief предоставляет структурированную основу для синтеза полученных медицинских исследований.

It asks for:

Он запрашивает:

1. Research question

2. Key findings

3. Relevant PubMed evidence

4. Relevant clinical trial evidence

5. Areas of agreement

6. Areas of uncertainty or conflicting evidence

7. Limitations

8. Sources requiring further review

9. Исследовательский вопрос

10. Ключевые выводы

11. Соответствующие доказательства PubMed

12. Соответствующие доказательства клинических испытаний

13. Области согласия

14. Области неопределённости или противоречивых доказательств

15. Ограничения

16. Источники, требующие дальнейшего рассмотрения

The prompt also instructs the AI to:

Промпт также инструктирует AI:

• Avoid inventing findings.

• Distinguish evidence from interpretation.

• Avoid unsupported causal claims.

• Identify unavailable information.

• Preserve PMID and NCT identifiers.

• Avoid individualized medical advice.

• Избегать выдумывания выводов.

• Отличать доказательства от интерпретации.

• Избегать необоснованных причинно-следственных утверждений.

• Выявлять недоступную информацию.

• Сохранять идентификаторы PMID и NCT.

• Избегать индивидуальных медицинских рекомендаций.

7. MCP Resource

7. MCP-ресурс

healthcare://research-guidelines

Provides research methodology and safety guidance to an MCP client.

Предоставляет MCP-клиенту методологию исследований и рекомендации по безопасности.

The resource covers:

Ресурс охватывает:

• Evidence handling

• Source identifiers

• Research limitations

• Uncertainty

• Clinical safety boundaries

• The distinction between research information and professional medical judgment

• Обработку доказательств

• Идентификаторы источников

• Ограничения исследований

• Неопределённость

• Границы клинической безопасности

• Различие между исследовательской информацией и профессиональным медицинским суждением

8. Multi-Source Research Workflow

8. Многоисточниковый исследовательский рабочий процесс

A typical workflow looks like:

Типичный рабочий процесс выглядит так:

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

This architecture keeps source retrieval separate from AI interpretation.

Эта архитектура сохраняет разделение между получением источников и интерпретацией AI.

9. Validation

9. Проверка

Search inputs are validated before external requests are made.

Входные данные поиска проверяются перед выполнением внешних запросов.

Current validation includes:

Текущая проверка включает:

• Query must be a string.

• Query cannot be empty.

• max_results must be an integer.

• max_results must be at least 1.

• max_results cannot exceed 20.

• Запрос должен быть строкой.

• Запрос не может быть пустым.

• max_results должно быть целым числом.

• max_results должно быть не менее 1.

• max_results не может превышать 20.

This prevents invalid requests from unnecessarily reaching external APIs.

Это предотвращает попадание недопустимых запросов во внешние API без необходимости.

10. Error Handling

10. Обработка ошибок

External research APIs can temporarily fail or return unexpected responses.

Внешние исследовательские API могут временно выходить из строя или возвращать неожиданные ответы.

The server uses controlled ResearchSourceError exceptions for external-source failures.

Сервер использует контролируемые исключения ResearchSourceError для сбоев внешних источников.

For multi-source research, a failure in one source does not automatically discard results from another source.

Для многоисточниковых исследований сбой в одном источнике не приводит автоматически к отбрасыванию результатов из другого источника.

For example:

Например:

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

This allows the client to distinguish between:

Это позволяет клиенту различать:

• Successful evidence retrieval.

• Partial retrieval.

• Source failures.

• Успешное получение доказательств.

• Частичное получение.

• Сбои источников.

11. Testing

11. Тестирование

The project includes automated tests for:

Проект включает автоматизированные тесты для:

• Input validation.

• Combined research workflow.

• Partial source failures.

• MCP tool discovery.

• MCP prompt discovery.

• MCP resource discovery.

• MCP resource retrieval.

• Проверки входных данных.

• Комбинированного исследовательского рабочего процесса.

• Частичных сбоев источников.

• Обнаружения MCP-инструментов.

• Обнаружения MCP-промптов.

• Обнаружения MCP-ресурсов.

• Получения MCP-ресурсов.

Run the complete test suite:

Запустите полный набор тестов:

python -m pytest -q

The project uses both unit-level tests and MCP integration tests.

Проект использует как модульные тесты, так и интеграционные тесты MCP.

12. Project Structure

12. Структура проекта

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

13. Установка

Clone the repository:

Клонируйте репозиторий:

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

Create a virtual environment:

Создайте виртуальное окружение:

python3 -m venv venv

Activate it:

Активируйте его:

source venv/bin/activate

Install dependencies:

Установите зависимости:

pip install -r requirements.txt

Install testing dependencies if required:

Установите зависимости для тестирования, если требуется:

pip install pytest

14. Running the MCP Server

14. Запуск MCP-сервера

The server communicates through MCP stdio transport.

Сервер взаимодействует через MCP stdio transport.

Run:

Запустите:

python -m server.server

The server is intended to be launched by an MCP client rather than accessed through a normal browser.

Сервер предназначен для запуска MCP-клиентом, а не для доступа через обычный браузер.

15. Running the MCP Test Client

15. Запуск MCP-тестового клиента

The repository includes a test client that starts the MCP server and communicates with it over stdio.

Репозиторий включает тестовый клиент, который запускает MCP-сервер и взаимодействует с ним через stdio.

Run:

Запустите:

python tests/test_client.py

The client demonstrates:

Клиент демонстрирует:

• MCP initialization.

• Tool discovery.

• Prompt discovery.

• Resource discovery.

• Resource retrieval.

• Healthcare research tool invocation.

• Инициализацию MCP.

• Обнаружение инструментов.

• Обнаружение промптов.

• Обнаружение ресурсов.

• Получение ресурсов.

• Вызов инструмента медицинских исследований.

16. Example Research Queries

16. Примеры исследовательских запросов

Example:

Пример:

artificial intelligence ECG

Other example queries include:

Другие примеры запросов включают:

AI assisted medical imaging

machine learning cardiac diagnosis

artificial intelligence radiology

deep learning ECG analysis

machine learning clinical decision support

These queries can be used with the multi-source research workflow.

Эти запросы можно использовать с многоисточниковым исследовательским рабочим процессом.

17. Healthcare Safety Considerations

17. Соображения безопасности в здравоохранении

This project is intended for healthcare research and information retrieval.

Этот проект предназначен для медицинских исследований и поиска информации.

It is not intended to:

Он не предназначен для:

• Diagnose patients.

• Recommend individualized treatment.

• Replace medical professionals.

• Make autonomous clinical decisions.

• Диагностики пациентов.

• Рекомендаций индивидуального лечения.

• Замены медицинских специалистов.

• Принятия автономных клинических решений.

Retrieved research should be independently reviewed before being used for clinical, regulatory, or other high-impact decisions.

Полученные исследования должны быть независимо проверены перед использованием для клинических, регуляторных или других важных решений.

Search results may be incomplete, and clinical trial information can change over time.

Результаты поиска могут быть неполными, а информация о клинических испытаниях может меняться со временем.

18. Design Principles

18. Принципы проектирования

The project follows several design principles.

Проект следует нескольким принципам проектирования.

Evidence before interpretation

Доказательства до интерпретации

The server retrieves source information before any AI synthesis occurs.

Сервер получает информацию из источников до любого синтеза AI.

Source traceability

Прослеживаемость источников

Research identifiers such as PMID and NCT identifiers are preserved where available.

Идентификаторы исследований, такие как PMID и NCT, сохраняются там, где они доступны.

Separation of responsibilities

Разделение ответственности

The MCP server handles:

MCP-сервер обрабатывает:

Data retrieval Validation Structuring Source error handling

Получение данных Проверку Структурирование Обработку ошибок источников

The consuming AI application can handle:

Потребляющее AI-приложение может обрабатывать:

Interpretation Comparison Summarization Research synthesis

Интерпретацию Сравнение Обобщение Синтез исследований

Graceful degradation

Плавная деградация

Failure of one research source should not automatically eliminate successful results from another source.

Сбой одного исследовательского источника не должен автоматически устранять успешные результаты из другого источника.

19. Technologies Used

19. Используемые технологии

• Python

• Model Context Protocol (MCP)

• FastMCP

• PubMed / NCBI

• ClinicalTrials.gov API

• pytest

• JSON

• stdio transport

• Python

• Model Context Protocol (MCP)

• FastMCP

• PubMed / NCBI

• ClinicalTrials.gov API

• pytest

• JSON

• stdio transport

20. Future Improvements

20. Будущие улучшения

Potential future improvements include:

Возможные будущие улучшения включают:

• Additional biomedical databases.

• Cross-source deduplication.

• Citation ranking.

• Date and publication filters.

• Study-type filtering.

• Evidence quality scoring.

• Full-text article retrieval where available.

• More advanced research synthesis.

• Persistent research sessions.

• MCP client integrations.

• Additional automated integration tests.

• Дополнительные биомедицинские базы данных.

• Дедупликацию между источниками.

• Ранжирование цитирований.

• Фильтры по дате и публикациям.

• Фильтрацию по типу исследования.

• Оценку качества доказательств.

• Получение полнотекстовых статей, где доступно.

• Более продвинутый синтез исследований.

• Постоянные исследовательские сессии.

• Интеграции с MCP-клиентами.

• Дополнительные автоматизированные интеграционные тесты.

21. Project Goal

21. Цель проекта

The primary goal of this project is to demonstrate how Model Context Protocol can be used to build a reusable AI interface for healthcare research.

Основная цель проекта — продемонстрировать, как Model Context Protocol можно использовать для создания переиспользуемого AI-интерфейса для медицинских исследований.

Rather than building a single-purpose healthcare chatbot, the project provides standardized MCP capabilities that an AI client can discover and use as needed.

Вместо создания узкоспециализированного медицинского чат-бота проект предоставляет стандартизированные возможности MCP, которые AI-клиент может обнаруживать и использовать по мере необходимости.

The result is a modular healthcare research infrastructure that separates:

Результатом является модульная инфраструктура медицинских исследований, которая разделяет:

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

Источники исследований | v MCP-инструменты | v Структурированные доказательства | v Интерпретация AI

License

Лицензия

This project is intended for educational and research purposes.

Этот проект предназначен для образовательных и исследовательских целей.