Healthcare Research MCP Server

一个用于结构化医疗健康研究、使用真实生物医学研究来源的 Model Context Protocol (MCP) 服务器。

该服务器提供用于搜索 PubMed 和 ClinicalTrials.gov 的 MCP 工具、用于生成结构化研究简报的 MCP 提示词，以及包含研究和安全指南的 MCP 资源。

1. 项目概述

Healthcare Research MCP Server 在 AI 助手与医疗健康研究来源之间提供了标准化接口。

MCP 服务器无需 AI 应用程序为每个研究数据库单独实现集成，而是将医疗健康研究能力以可复用的 MCP 工具形式暴露出来。

当前实现集成了：

• PubMed

• ClinicalTrials.gov

该服务器可以针对研究问题搜索这两个来源，并返回组合证据包。

Related MCP server: PubMed MCP Server

2. 问题陈述

医疗健康研究通常需要来自多个来源的信息。

研究人员可能需要：

1. 搜索生物医学文献。

2. 检索单篇研究文章。

3. 搜索已注册的临床试验。

4. 跨来源比较证据。

5. 跟踪 PMID 和 NCT 编号等标识符。

6. 区分检索到的证据与解读。

如果没有标准化接口，每个 AI 应用程序都需要独立实现这些集成。

本项目展示了 MCP 如何提供可复用的医疗健康研究接口。

3. 为什么选择 MCP？

Model Context Protocol 为 AI 应用程序与外部工具、资源和提示词交互提供了一种标准化方式。

本项目演示了三种主要的 MCP 原语：

工具

工具允许 MCP 客户端或 AI 模型执行操作。

已实现的工具：

• pubmed_search

• pubmed_get_article

• clinical_trials_search

• healthcare_research

提示词

提示词为特定工作流提供可复用的指令。

已实现的提示词：

• research_brief

资源

资源提供 MCP 客户端可以检索的上下文信息。

已实现的资源：

• healthcare://research-guidelines

4. 架构

                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

该服务器将证据检索与解读分离。

MCP 服务器检索并结构化研究信息。然后，AI 客户端可以将这些证据与研究提示词结合，生成结构化研究简报。

5. MCP 工具

pubmed_search

在 PubMed 中搜索生物医学研究文章。

示例查询：

artificial intelligence ECG

返回：

• PMID

• 标题

• 作者

• 期刊

• 发布日期

pubmed_get_article

使用 PMID 检索 PubMed 文章的详细信息。

示例：

PMID: 42642304

响应可以包含：

• PMID

• 标题

• 期刊

• 作者

• 发布日期

• DOI

• 摘要（如有）

clinical_trials_search

在 ClinicalTrials.gov 中搜索临床研究。

返回匹配研究的结构化信息，包括标识符和研究信息。

healthcare_research

执行多来源研究搜索。

工作流程如下：

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

该工具还会报告来源失败，而不会丢弃来自其他来源的成功结果。

6. MCP 提示词

research_brief

research_brief 提示词为综合检索到的医疗健康研究提供了结构化框架。

它要求提供：

1. 研究问题

2. 关键发现

3. 相关的 PubMed 证据

4. 相关的临床试验证据

5. 一致领域

6. 不确定或证据冲突的领域

7. 局限性

8. 需要进一步审查的来源

该提示词还指示 AI：

• 避免编造发现。

• 区分证据与解读。

• 避免无依据的因果断言。

• 识别不可用的信息。

• 保留 PMID 和 NCT 标识符。

• 避免提供个体化医疗建议。

7. MCP 资源

healthcare://research-guidelines

向 MCP 客户端提供研究方法论和安全指南。

该资源涵盖：

• 证据处理

• 来源标识符

• 研究局限性

• 不确定性

• 临床安全边界

• 研究信息与专业医学判断之间的区别

8. 多来源研究工作流

典型的工作流程如下：

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

这种架构将来源检索与 AI 解读分离。

9. 验证

在发出外部请求之前，会对搜索输入进行验证。

当前验证包括：

• 查询必须是字符串。

• 查询不能为空。

• max_results 必须是整数。

• max_results 至少为 1。

• max_results 不能超过 20。

这可以防止无效请求不必要地到达外部 API。

10. 错误处理

外部研究 API 可能暂时失败或返回意外响应。

服务器使用受控的 ResearchSourceError 异常来处理外部来源失败。

对于多来源研究，一个来源的失败不会自动丢弃来自另一个来源的结果。

例如：

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

这允许客户端区分：

• 成功的证据检索。

• 部分检索。

• 来源失败。

11. 测试

项目包含以下自动化测试：

• 输入验证。

• 组合研究工作流。

• 部分来源失败。

• MCP 工具发现。

• MCP 提示词发现。

• MCP 资源发现。

• MCP 资源检索。

运行完整测试套件：

python -m pytest -q

项目同时使用单元级测试和 MCP 集成测试。

12. 项目结构

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. 安装

克隆仓库：

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

创建虚拟环境：

python3 -m venv venv

激活它：

source venv/bin/activate

安装依赖：

pip install -r requirements.txt

如有需要，安装测试依赖：

pip install pytest

14. 运行 MCP 服务器

服务器通过 MCP stdio 传输进行通信。

运行：

python -m server.server

该服务器旨在由 MCP 客户端启动，而不是通过普通浏览器访问。

15. 运行 MCP 测试客户端

仓库包含一个测试客户端，用于启动 MCP 服务器并通过 stdio 与其通信。

运行：

python tests/test_client.py

该客户端演示了：

• MCP 初始化。

• 工具发现。

• 提示词发现。

• 资源发现。

• 资源检索。

• 医疗健康研究工具调用。

16. 示例研究查询

示例：

artificial intelligence ECG

其他示例查询包括：

AI assisted medical imaging

machine learning cardiac diagnosis

artificial intelligence radiology

deep learning ECG analysis

machine learning clinical decision support

这些查询可以与多来源研究工作流一起使用。

17. 医疗健康安全注意事项

本项目旨在用于医疗健康研究和信息检索。

它不用于：

• 诊断患者。

• 推荐个体化治疗。

• 替代医疗专业人员。

• 做出自主临床决策。

检索到的研究在用于临床、监管或其他高影响决策之前，应进行独立审查。

搜索结果可能不完整，临床试验信息也可能随时间变化。

18. 设计原则

项目遵循若干设计原则。

先证据后解读

服务器在任何 AI 综合之前检索来源信息。

来源可追溯性

在可用的情况下，保留 PMID 和 NCT 标识符等研究标识符。

职责分离

MCP 服务器负责：

数据检索 验证 结构化 来源错误处理

消费方 AI 应用程序可以负责：

解读 比较 总结 研究综合

优雅降级

一个研究来源的失败不应自动消除来自另一个来源的成功结果。

19. 使用的技术

• Python

• Model Context Protocol (MCP)

• FastMCP

• PubMed / NCBI

• ClinicalTrials.gov API

• pytest

• JSON

• stdio 传输

20. 未来改进

潜在的未来改进包括：

• 更多生物医学数据库。

• 跨来源去重。

• 引文排名。

• 日期和出版物筛选。

• 研究类型筛选。

• 证据质量评分。

• 在可用的情况下检索全文文章。

• 更高级的研究综合。

• 持久化研究会话。

• MCP 客户端集成。

• 更多自动化集成测试。

21. 项目目标

本项目的主要目标是演示如何使用 Model Context Protocol 构建可复用的医疗健康研究 AI 接口。

该项目不是构建单一用途的医疗健康聊天机器人，而是提供标准化的 MCP 能力，AI 客户端可以按需发现和使用这些能力。

其结果是模块化的医疗健康研究基础设施，将以下部分分离：

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

许可证

本项目仅供教育和研究目的使用。