01 / Problem
Das klinische Signal beginnt in natürlicher Sprache.
Pflegenotizen enthalten relevante Beobachtungen, doch gesprochene Sprache ist nicht automatisch strukturiert, codiert oder integrationsfähig. Die Engineering-Aufgabe besteht darin, die Aussage zu erhalten, Unsicherheit sichtbar zu machen und die finale Entscheidung beim Menschen zu belassen.
- Vitalwerte und Flüssigkeitsaufnahme
- Schmerz, Symptome, Mobilität und Beobachtungen
- Pflegeinterventionen und Kontextangaben
02 / Architektur
Ein Modell schlägt vor; freigegebene Daten passieren einen kontrollierten Vertrag.
Die Implementierung trennt lokale Sprach- und Sprachmodellverarbeitung von typisierter klinischer Extraktion, Grounding-Prüfungen, Review und einem versionierten Gateway-Vertrag. Vital Mapper schreibt nicht direkt nach HAPI FHIR; das Monitoring besitzt das verbindliche FHIR-, LOINC- und UCUM-Mapping.
- 01SpracheingabeExplizite Mikrofonaktion
- 02Verschlüsselter Audio-StoreGeschützte Aufnahme-Persistenzimplementiert
- 03faster-whisperLokaler Speech-to-Text-Serviceimplementiert
- 04Ollama-ExtraktionLokaler strukturierter Vorschlagimplementiert
- 05Grounding + kanonisches ModellUnbelegte Fakten werden abgelehnt
- 06Menschliche FreigabeKorrektur vor Übergabe
- 07Interop-GatewayMonitoring-Vertrag und FHIR-Grenzeimplementiert
03 / Datenfluss
Human-in-the-loop ist ein Gate, keine Fußnote.
Das Quelltranskript bleibt neben extrahierter Information und FHIR-Vorschlag sichtbar. Eine Pflegekraft kann jedes Element bestätigen, korrigieren oder ablehnen, bevor persistiert wird.
- 01Transkript
- 02Extrahierte Information
- 03FHIR-Vorschlag
- 04Pflege-Review
- 05Bestätigen / korrigieren / ablehnen
- 06Über kontrollierte API persistieren
Diese Fallstudie modelliert Assistenz, keine autonome klinische Entscheidungsinstanz.
04 / Klinisches Datenmodell
Von der Aussage zum belegten klinischen Modell.
Die implementierte Extraktion hält Quellenbezug und fehlende Information sichtbar. Die Zwischenstruktur erlaubt, Seite, Mobilität und Einheiten zu prüfen, bevor freigegebener Bericht und Vitalwerte an den Monitoring-Vertrag gehen.
„Der Patient berichtet seit heute Morgen über Schmerzen im rechten Knie. Mobilität eingeschränkt. Temperatur: 37,8 °C.“
- Symptom
- Knieschmerz
- Seite
- Rechts
- Mobilität
- Eingeschränkt
- Temperatur
- 37,8 °C
Nach der Freigabe leitet das Gateway belegte Vitalwerte an Monitoring Pflege weiter. Dessen Backend mappt Messarten deterministisch zu einer Observation; der freigegebene Text wird mit aktivem Encounter als Composition gespeichert.
{
"resourceType": "Observation",
"status": "preliminary",
"subject": { "reference": "Patient/synthetic-1042" },
"encounter": { "reference": "Encounter/synthetic-enc-37" },
"code": { "text": "Body temperature" },
"valueQuantity": {
"value": 37.8, "unit": "°C",
"system": "http://unitsofmeasure.org", "code": "Cel"
}
}05 / Interoperabilität
Interoperabilität ist mehr als valides JSON.
Die Wahl einer FHIR-Ressource hängt von dokumentiertem Fakt, Versorgungsworkflow, lokalen Profilen und Zielsystem ab. Deshalb schlägt das Modell zuerst einen typisierten klinischen Fakt vor; der Mapper wendet die Regeln des vereinbarten Vertrags an.
Observation
Messungen und ausgewählte Befunde, mit Einheiten und Referenzen.
Condition
Kann zu einem klinisch gepflegten Problem passen—abhängig von Workflow und Governance.
ClinicalImpression
Kann bei passendem Kontext eine Einschätzung tragen.
Composition
Kann bei entsprechender Implementierung einen strukturierten Dokumentkontext bilden.
Provenance
Kann Erstellungs- und Review-Kontext abbilden, ohne die Quellnotiz zu ersetzen.
FHIR / terminologyTerminologie ist eine eigene semantische Schicht: UCUM kann Einheiten normalisieren; LOINC und SNOMED CT sind konzeptionelle Integrationsziele, sofern geregelte Value Sets und Lizenzkontext vorliegen. Diese Fallstudie behauptet keinen fertigen Terminologie-Service.
06 / Sicherheit
Privacy und Trust Boundaries sind im Datenpfad implementiert.
Vital Mapper nutzt serverseitige OIDC-BFF-Sessions, verschlüsselte Redis-gestützte Tokens, Rollen- und Patientenprüfungen, verschlüsselte Audioablage und Audit Logging. Lokale faster-whisper- und Ollama-Services reduzieren in der Entwicklungsarchitektur externe Modell-Datenbewegung.
Audio
Aufnahmen werden at rest verschlüsselt; das Frontend hält Audio aus persistentem Browser-Speicher.
KI-Verarbeitung
faster-whisper und Ollama laufen als lokal/on-premises-fähige Dienste in der Compose-Architektur.
API-Zugang
Keycloak/OIDC, serverseitige Sessions und RBAC schützen API- und Patientenzugriff.
Integration
Freigegebene Daten laufen über das Gateway; direkter HAPI-Zugang ist bewusst quarantänisiert.
Implementierte Kontrollen sind keine Zertifizierung und keine Behauptung eines produktiven klinischen Betriebs.
07 / Engineering-Entscheidungen
Zentrale Engineering-Entscheidungen
- 01
Grounded Extraction vor Integration
Unbelegte Werte werden abgelehnt, statt vom Modell ergänzt zu werden.
- 02
Review vor Persistenz
Jeder Vorschlag bleibt editierbare klinische Dokumentation, keine autonome Schlussfolgerung.
- 03
Gateway statt direktem FHIR-Zugang
Vital Mapper übergibt freigegebene Information über einen versionierten Gateway-Vertrag; Monitoring Pflege besitzt das verbindliche FHIR-Mapping.
- Negation, Unsicherheit, Zeitpunkt und Zuschreibung darstellen, ohne die gesprochene Aussage zu verflachen.
- Ressourcenprofile und Terminologie-Bindungen passend zum Zielworkflow statt zu einer generischen Demo auswählen.
- Korrekturen nachvollziehbar machen, ohne unnötigen klinischen Inhalt in Logs preiszugeben.
08 / Stand & Ausblick
Aktueller Stand
IMPLEMENTIERTER PROTOTYPDas Repository implementiert React/FastAPI-Workflow, verschlüsselte Audio-Persistenz, lokale faster-whisper-Transkription, Ollama-Extraktion, Grounding-Prüfungen, manuelle Freigabe, Keycloak/OIDC-BFF-Sessions, PostgreSQL/Redis und den Übergabepfad zum Monitoring-Gateway.
NÄCHSTE RICHTUNG
Nächste Richtung
Als Nächstes folgen belastbare Extraktionsevaluierung, Integrationstests über Deployments, Betriebsrichtlinien zur Aufbewahrung sowie klinische Validierung und Governance vor einem Produktionseinsatz.
09 / Was dies zeigt
Was dieses Projekt zeigt
- 01AI Engineering mit expliziter Human-in-the-loop-Grenze
- 02Klinisches Datenmodell vor Serialisierung
- 03FHIR-bewusstes Integrationsdesign und Terminologie-Nüchternheit
- 04Privacy-by-Design an Systemgrenzen