HealthChain

Agenten lesen klinische Daten problemlos – das korrekte Zurückschreiben ist der schwierige Teil, und generische Agent-Frameworks prüfen das nicht. HealthChain gibt jedem Modell oder Agenten typisierte, validierte FHIR-Werkzeuge, denen sie vertrauen können: den richtigen Code vom richtigen System, für den richtigen Patienten, mit einem gültigen Status. Dazu Echtzeit-EHR-Anbindung und Produktionsbereitstellung – damit das, was du baust, auch außerhalb der Demo Bestand hat.

Installation

pip install healthchain

Related MCP server: FHIR MCP Server

Quick Start

# Scaffold a FHIR Gateway project
healthchain new my-app -t fhir-gateway
cd my-app

# Run locally
healthchain serve

Bearbeite app.py, um dein Modell hinzuzufügen, und healthchain.yaml, um die Bereitstellungseinstellungen zu konfigurieren.

Siehe die CLI-Referenz für alle Befehle.

Kernfunktionen

Der schnellste Weg für KI-Entwickler und Forscher, KI im Gesundheitswesen bereitzustellen – alles, was du brauchst, sofort einsatzbereit und so gebaut, dass es mit dir skaliert.

Warum HealthChain?

Jedes ernsthafte KI-Projekt im Gesundheitswesen baut dieselbe Integrationsinfrastruktur von Grund auf neu auf. Ob du eine logistische Regression, ein 70B-Parameter-Modell oder einen agentischen Workflow bereitstellst – die Mauer zwischen einem trainierten Modell und einem Live-Kliniksystem ist dieselbe: echte FHIR-APIs, validierte Schreibvorgänge, Multi-Standort-Bereitstellungen, prüfbare Governance. Es gibt keine fertige Lösung, und Ingenieure, die sowohl KI als auch Gesundheitsprotokolle verstehen, sind rar und schwer zu halten.

HealthChain übernimmt diese Komplexität, damit du dich auf das konzentrieren kannst, was wirklich zählt: das Modell und den Patienten.

• Für Echtzeit optimiert – Verbinde dich mit Live-FHIR-APIs und Integrationspunkten statt mit veralteten Datenexporten

• Validierung eingebaut – Typsichere FHIR-Ressourcen und Validierungsberichte, die defekte Daten abfangen, bevor sie ausgeliefert werden – einschließlich spezifikationsungültiger klinischer Codes, die Typprüfungen allein durchlassen

• Keine erfundenen Fakten – Helfer fügen keine klinischen Behauptungen hinzu, die du nicht übergeben hast: keine automatisch generierten Zeitstempel, keine geratenen Status – was in die Akte gelangt, ist genau das, was dein Modell erzeugt hat

• Beliebiges Modell oder Agenten einbinden – LLMs, Agenten oder klassisches ML – und validiertes FHIR ausgeben

• Funktioniert mit deinem bestehenden Stack – Integration mit FastAPI, MCP und LangChain

• Produktionsreife Grundlagen – Dockerisierte Bereitstellung, konfigurierbare Sicherheit und eine Architektur, die für NHS- und HIPAA-Umgebungen gebaut ist

🏆 Anerkennung & Community

Vorgestellt und präsentiert:

• Vorgestellt im TLDR AI Newsletter (900K+ Entwickler)

• Vorgestellt von Medplum für die Open-Source-Integration mit Epic

• Präsentiert auf der NHS Python Open Source Conference (Vortrag ansehen)

• Aus NHS-KI-Bereitstellungserfahrung entstanden – lies die Entstehungsgeschichte

🤝 Partnerschaften & Produktionseinsatz

Erkundest du HealthChain für dein Produkt oder deine Organisation? Nimm Kontakt auf, um Integrationen, Pilotprojekte oder Kooperationen zu besprechen, oder tritt unserem Discord bei, um dich mit der Community zu vernetzen.

Anwendungsbeispiele

Erstellen eines Gateways [Dokumentation]

from healthchain.gateway import HealthChainAPI, FHIRGateway
from healthchain.fhir.r4b import Patient

# Create healthcare application
app = HealthChainAPI(title="Multi-EHR Patient Data")

# Connect to multiple FHIR sources
fhir = FHIRGateway()
fhir.add_source("epic", "fhir://fhir.epic.com/r4?client_id=epic_client_id")
fhir.add_source("cerner", "fhir://fhir.cerner.com/r4?client_id=cerner_client_id")

@fhir.aggregate(Patient)
def enrich_patient_data(id: str, source: str) -> Patient:
    """Get patient data from any connected EHR and add AI enhancements"""
    bundle = fhir.search(
        Patient,
        {"_id": id},
        source,
        add_provenance=True,
        provenance_tag="ai-enhanced",
    )
    return bundle

app.register_gateway(fhir)

# Available at: GET /fhir/transform/Patient/123?source=epic
# Available at: GET /fhir/transform/Patient/123?source=cerner

if __name__ == "__main__":
    app.run(port=8888)

Agenten FHIR-Werkzeuge geben [Dokumentation]

from healthchain.tools import FHIRToolkit

# One toolkit: build, validate, read, and code FHIR — as typed agent tools
kit = FHIRToolkit(bundle="patient_bundle.json")

kit.as_mcp().run()          # serve to Claude or any MCP client
tools = kit.as_langchain()  # or drop into a LangChain agent

Oder direkt aus dem Terminal, ohne Code:

healthchain mcp --bundle patient_bundle.json

Erstellen mit einem KI-Assistenten

Installiere das HealthChain-Plugin, um Claude Code oder Codex die aktuelle API, CLI und Rezepte bereitzustellen:

# Claude Code
/plugin marketplace add healthchainai/HealthChain
/plugin install healthchain@healthchain

# Codex
codex plugin marketplace add healthchainai/HealthChain
codex plugin add healthchain@healthchain

Oder richte einen beliebigen Assistenten auf llms.txt, um eine Karte der aktuellen API-Dokumentation zu erhalten.

🛣️ Worauf wir hinarbeiten

• 🔒 Sicherheitsgrundlagen – API-Key-Authentifizierung, Audit-Logging und TLS, konfiguriert über healthchain.yaml und durchgesetzt von der Gateway-Middleware

• 📋 Governance als Konfiguration – klinische Sicherheit, Datenzugriffsvereinbarungen und Compliance-Standards für NHS/HIPAA-Bereitstellungen als erstklassiges Bereitstellungsartefakt in healthchain.yaml

• 🔌 Tiefere EHR-Anbindung – mehr FHIR-Quellen, Live-Datenmuster und reale Integrationsbeispiele aus Pilotbereitstellungen

• 📊 Beobachtbarkeit – Bereitstellungstelemetrie und Audit-Trails für Gesundheitssysteme

• 🤖 Ein Toolkit für klinische KI-Agenten – typisierte FHIR-Werkzeuge mit integrierter Validierung und Terminologie, bereitgestellt über MCP und LangChain

🤝 Mitwirken

HealthChain wird von und für die nächste Generation von Gesundheitsentwicklern gebaut – Forscher, die Modelle von retrospektiven Daten in Live-Systeme bringen, KI-Entwickler, die nicht Monate damit verbringen wollen, FHIR zu lernen, bevor sie etwas ausliefern können. Die besten Beiträge kommen von Menschen, die auf ein echtes Problem gestoßen sind und etwas Konkretes dazu zu sagen haben.

Erste Schritte:

• Arbeitest du mit Gesundheits- oder Forschungsdaten? Trage ein Kochbuch bei – bring deinen Anwendungsfall mit, ich unterstütze dich persönlich dabei

• Lies CONTRIBUTING.md für Richtlinien

• Technische Fragen und Ideen → GitHub Discussions

• Pilotprojekte und Partnerschaften → E-Mail

🤗 Danksagungen

Dieses Projekt baut auf fhir.resources und den CDS Hooks-Standards auf, die von HL7 und dem Boston Children's Hospital entwickelt wurden.

Siehe auch groundeval – das Open-Source-Evaluierungs-Framework für KI-Agenten im Gesundheitswesen.

© 2024–2026 dotimplement ai. HealthChain ist ein Open-Source-Projekt, das von dotimplement ai gepflegt wird.