Fhir MCP

🚀 FHIR Careplan - 汎用FHIRサーバーとツールキット

このプロジェクトは、医療データの統合、患者のケアプランニング、臨床判断支援を目的とした包括的なFHIR（Fast Healthcare Interoperability Resources）サーバーとツールキットを提供します。複数のFHIRサーバーに対する汎用インターフェースを備え、高度なAIによる臨床分析機能も搭載しています。

🚀 クイックスタート

FHIR Careplanプロジェクトは、医療データの統合、患者のケアプランニング、臨床判断支援を行うための包括的なソリューションです。以下の手順に従って、プロジェクトをセットアップし、利用を開始しましょう。

✨ 主な機能

🔗 複数サーバーのFHIR統合

• 汎用FHIRインターフェース：複数のFHIRサーバー（Epic、Cerner、HAPI、Firelyなど）に接続できます。
• ベンダー非依存：基盤となるFHIRサーバーの実装に関係なく、標準化されたAPIを提供します。
• リアルタイム接続テスト：サーバーのヘルスチェックと診断を自動で行います。
• インテリジェントフェイルオーバー：最適なパフォーマンスを得るために、サーバー間を自動的に切り替えます。

🤖 AIによる臨床分析

• OpenAI統合：自由記述のテキストから臨床キーワードと概念を抽出します。
• セマンティックマッピング：臨床用語を標準化されたFHIRコードにマッピングします。
• 類似患者マッチング：類似した臨床プロファイルを持つ患者を検索します。
• 予測分析：過去のデータに基づいてケアレコメンデーションを生成します。

📊 包括的な患者データアクセス

• 完全な患者レコード：人口統計情報、病状、投薬、手術、診察記録などを含みます。
• バイタルサインと検査結果：時系列データを持つ分類された観察結果を提供します。
• ケアプランとチーム：治療計画と医療提供者の情報を提供します。
• アレルギーと手術歴：完全な医療履歴を追跡します。

🚀 パフォーマンス最適化

• 非同期操作：高性能なデータアクセスのための非ブロッキングI/Oをサポートします。
• インテリジェントキャッシュ：病状コードや頻繁にアクセスされるデータをキャッシュします。
• バッチ処理：複数の患者レコードを効率的に処理します。
• コネクションプーリング：複数のサーバーに対する最適化されたHTTP接続を管理します。

📦 インストール

前提条件

• Python 3.11以上
• OpenAI APIキー（AI機能を使用する場合）
• FHIRサーバーへのアクセス（ローカルまたはリモート）

MCPサーバーのセットアップ

1. リポジトリをクローンする

   git clone https://github.com/Kushagra-Dutta/Fhir-MCP.git
   cd FHIR-MCP
   

2. 依存関係をインストールする

   pip install -r requirements.txt
   # またはuvを使用する場合
   uv sync
   

3. 環境変数を設定する

   # .envファイルを作成する
   echo "OPENAI_API_KEY=your_openai_api_key" > .env
   

4. FHIR MCPサーバーを起動する

   python fhir_server.py
   

Firelyテストデータベースをローカルにセットアップする

1. Firelyサーバーのライセンスキーを取得する

   • Firely Server Trial Pageにアクセスします。
   • フォームに入力し、ライセンスキーをメールで受け取ります。
   • ライセンスキーとダウンロードファイルを受け取ります（ライセンスは7日間有効）。
   • ライセンスファイルをfirelyserver-license.jsonとして保存します。

2. Dockerを使用してセットアップする

   # Firelyサーバーのイメージを取得する
   docker pull firely/server
   
   # コンテナを起動する
   # Windows CMDの場合:
   docker run -d -p 9090:4080 --name firely.server -v %CD%/firelyserver-license.json:/app/firelyserver-license.json firely/server
   
   # PowerShellまたはmacOS/Linuxの場合:
   docker run -d -p 9090:4080 --name firely.server -v ${PWD}/firelyserver-license.json:/app/firelyserver-license.json firely/server
   
   # コンテナが起動していることを確認する
   docker ps
   

3. テストデータをロードする

   • Postmanを使用してテストデータバンドルをロードします。
   • Postmanで新しいPUTリクエストを作成します。
   • リクエストタイプをraw JSONに設定します。
   • テストデータバンドルの内容をコピーします。
   • ベースURL（http://localhost:9090）にリクエストを送信します。
   • 各データバンドルに対して同じ手順を繰り返します。

これらの手順を完了すると、http://localhost:9090でアクセス可能なテストデータベースが使用できるようになります。

MCPチャットボットクライアントのセットアップ

MCPチャットボットクライアントは、リポジトリをフォークするか、Dockerを使用してセットアップできます。チャットボットは、FHIRサーバーとの対話のためのフロントエンドインターフェースとして機能します。

1. チャットボットのセットアップを取得する

   # リポジトリをクローンする
   git clone https://github.com/cgoinglove/mcp-client-chatbot.git
   cd mcp-client-chatbot
   

2. PNPMをインストールする（未インストールの場合）

   npm install -g pnpm
   

3. セットアップ方法を選択する

   Docker Composeを使用したセットアップ 🐳

   # 依存関係をインストールする
   pnpm i
   
   # 環境変数を設定する
   # .envファイルを編集し、APIキーを設定する（pnpm iの後に自動的に作成されます）
   
   # PostgreSQLを含むすべてのサービスを起動する
   pnpm docker-compose:up
   

   ローカルセットアップ 🚀

   # 依存関係をインストールする
   pnpm i
   
   # 環境変数を設定する
   pnpm initial:env
   
   # PostgreSQLを起動する（すでに起動している場合はスキップ）
   pnpm docker:pg
   
   # データベースマイグレーションを実行する
   pnpm db:migrate
   
   # 開発サーバーを起動する
   pnpm dev
   
   # オプション: 本番環境のようなテストのためにビルドして起動する
   pnpm build:local && pnpm start
   

4. 環境変数を設定する 必要なAPIキーを含む.envファイルを作成または編集します。

   # LLMプロバイダーのAPIキー（使用するものを追加）
   OPENAI_API_KEY=****
   GOOGLE_GENERATIVE_AI_API_KEY=****
   ANTHROPIC_API_KEY=****
   XAI_API_KEY=****
   OPENROUTER_API_KEY=****
   OLLAMA_BASE_URL=http://localhost:11434/api
   
   # 認証設定
   BETTER_AUTH_SECRET=**** # 生成方法: npx @better-auth/cli@latest secret
   BETTER_AUTH_URL= # オプション: アプリにアクセスするURL
   
   # データベース設定
   POSTGRES_URL=postgres://your_username:your_password@localhost:5432/your_database_name
   
   # MCP設定
   FILE_BASED_MCP_CONFIG=false
   
   # オプションのOAuth設定（Google/GitHubログイン用）
   GOOGLE_CLIENT_ID=
   GOOGLE_CLIENT_SECRET=
   GITHUB_CLIENT_ID=
   GITHUB_CLIENT_SECRET=
   

5. MCPサーバーをチャットボットに接続する

   • http://localhost:3000でチャットボットにアクセスします。
   • アカウントを作成してログインします。
   • MCP設定に移動します。
   • "Add Server"をクリックします。
   • .chatbot-config.jsonの設定をコピーして貼り付けます。

6. システムプロンプトを設定する

   • チャットボットのリポジトリ内のsrc/app/prompts.tsに移動します。
   • デフォルトのシステムプロンプトをsystem_prompt.txtのカスタムプロンプトに置き換えます。
   • システムプロンプトの例:

     export const defaultSystemPrompt = `あなたは強力なエージェント型AIコーディングアシスタントです。
     ユーザーの質問に答えるために使用できる一連のツールにアクセスできます。
     
     <communication>
     1. 会話的でありながらもプロフェッショナルな態度を持ちます。
     2. ユーザーを二人称で呼び、自分自身を一人称で表現します。
     3. レスポンスをMarkdown形式で整形します。
     4. 決して嘘をついたり、勝手なことを言ったりしないでください。
     </communication>
     
     <tool_calling>
     ツール呼び出しに関しては、次のルールに従います。
     1. ツール呼び出しスキーマを正確に守ります。
     2. 明示的に提供されていないツールを決して呼び出さないでください。
     3. 必要な場合のみツールを呼び出します。
     4. 各ツールを呼び出す前に、ユーザーにその理由を説明します。
     </tool_calling>
     
     <making_code_changes>
     コードを変更する際は、次のことに注意します。
     1. 必要なインポート文と依存関係をすべて追加します。
     2. ユーザーから要求がない限り、コードを出力しないでください。
     3. 適切なコード編集ツールを使用して実装します。
     </making_code_changes>
     `;
     

   • 必要に応じてプロンプトのセクションをカスタマイズします。
     • <communication>: AIがどのように対話するかを定義します。
     • <tool_calling>: ツールの使用ルールを指定します。
     • <making_code_changes>: コード変更のガイドラインを設定します。
   • 変更を保存し、開発サーバーを再起動します。

これらの手順を完了すると、チャットボットがMCPサーバーに接続され、FHIRデータベースとの対話が可能になります。

🔧 技術詳細

コアコンポーネント

graph TD
    A[FHIR Server] --> B[Universal FHIR MCP Server]
    B --> C[FHIR Tools Library]
    C --> D[Multiple FHIR Servers]
    C --> E[OpenAI Integration]
    C --> F[Caching Layer]
    
    D --> G[Firely Local]
    D --> H[HAPI R4]
    D --> I[Epic Systems]
    D --> J[Cerner]
    
    E --> K[Clinical Text Analysis]
    E --> L[Code Mapping]
    E --> M[Patient Matching]

サーバーレジストリ

システムは、FHIRサーバーの包括的なレジストリを維持しています。

• Firely Local (http://localhost:9090) - ローカル開発用サーバー
• HAPI R4 (http://hapi.fhir.org/baseR4) - 公開テストサーバー
• Epic, Cerner, Azure - エンタープライズ医療システム（設定可能）

📚 ドキュメント

基本的なFHIR操作

1. サーバー管理

from fhir_tools import UniversalFhirMcpServer

# サーバーを初期化する
fhir_server = UniversalFhirMcpServer()
await fhir_server.initialize()

# サーバーの接続性をテストする
result = await fhir_server.test_server_connectivity("firely_local")
print(result)

# 別のサーバーに切り替える
await fhir_server.switch_server("hapi_r4")

2. 患者検索

# 患者を検索する
search_criteria = {
    "family": "Smith",
    "given": "John",
    "birthdate": "1990-01-01"
}
patients = await fhir_server.find_patient(search_criteria)

3. 患者データの取得

# 包括的な患者情報を取得する
patient_info = await fhir_server.get_comprehensive_patient_info("patient-123")

# 特定のデータタイプを取得する
conditions = await fhir_server.get_patient_conditions("patient-123")
medications = await fhir_server.get_patient_medications("patient-123")
vital_signs = await fhir_server.get_vital_signs("patient-123")
lab_results = await fhir_server.get_lab_results("patient-123")

AIによる臨床分析

1. 臨床テキストの抽出

# 自由記述のテキストから臨床キーワードを抽出する
clinical_note = "45-year-old female with HER2+ invasive ductal carcinoma, stage IIIA"
keywords = await fhir_server.extract_clinical_keywords(clinical_note)

2. FHIRコードのマッピング

# 臨床用語をFHIRコードにマッピングする
clinical_data = {
    "conditions": ["breast cancer", "diabetes"],
    "age": 45,
    "gender": "female"
}
fhir_codes = await fhir_server.map_to_fhir_codes_fast(clinical_data)

3. 類似患者の検索

# 類似した臨床プロファイルを持つ患者を検索する
criteria = {
    "age": 45,
    "gender": "female",
    "conditions": ["breast cancer"]
}
similar_patients = await fhir_server.find_similar_patients_simple(criteria)

MCPサーバーの統合

FHIRサーバーは、AIアシスタントとの統合のためのMCPサーバーとして使用できます。

{
  "mcpServers": {
    "fhir-server": {
      "command": "python",
      "args": ["fhir_server.py"],
      "env": {
        "OPENAI_API_KEY": "your-key-here"
      }
    }
  }
}

サーバー設定

システムは、fhir_tools.pyで構成された複数のFHIRサーバーをサポートしています。

servers = {
    "firely_local": {
        "name": "Firely Server Local",
        "base_url": "http://localhost:9090",
        "version": "R4",
        "vendor": "Firely",
        "auth_type": "none"
    },
    "hapi_r4": {
        "name": "HAPI FHIR R4 Public",
        "base_url": "http://hapi.fhir.org/baseR4",
        "version": "R4",
        "vendor": "HAPI",
        "auth_type": "none"
    }
}

環境変数

# 必須
OPENAI_API_KEY=your_openai_api_key

# オプション
FHIR_SERVER_URL=http://localhost:9090
FHIR_SERVER_AUTH_TOKEN=your_auth_token

利用可能なツール

コアFHIR操作

• switch_server(server_name) - FHIRサーバーを切り替えます。
• test_server_connectivity(server_name) - サーバーの接続性をテストします。
• find_patient(search_criteria) - 患者を検索します。
• get_comprehensive_patient_info(patient_id) - 完全な患者データを取得します。

臨床データアクセス

• get_patient_observations(patient_id) - 患者の観察結果を取得します。
• get_patient_conditions(patient_id) - 患者の病状を取得します。
• get_patient_medications(patient_id) - 患者の投薬情報を取得します。
• get_vital_signs(patient_id) - バイタルサインを取得します。
• get_lab_results(patient_id) - 検査結果を取得します。
• get_patient_encounters(patient_id) - 患者の診察記録を取得します。
• get_patient_allergies(patient_id) - 患者のアレルギー情報を取得します。
• get_patient_procedures(patient_id) - 患者の手術歴を取得します。

AIによる分析

• extract_clinical_keywords(text) - テキストから臨床情報を抽出します。
• map_to_fhir_codes_fast(clinical_data) - 用語をFHIRコードにマッピングします。
• find_similar_patients_simple(criteria) - 類似した患者を検索します。
• extract_condition_codes_from_fhir() - すべての病状コードを抽出します。

システム管理

• list_available_servers() - 構成されたすべてのサーバーをリストします。
• get_server_registry() - 完全なサーバーレジストリを取得します。
• diagnose_fhir_server(server_name) - サーバーの機能を診断します。
• clear_condition_cache() - 病状コードのキャッシュをクリアします。
• get_condition_cache_stats() - キャッシュのパフォーマンス統計を取得します。

テストツール

MCPインスペクター

MCP（Model Context Protocol）インスペクターは、FHIRサーバーのインタラクションをデバッグおよび検証するための強力な開発およびテストツールです。サーバーの動作とAPIレスポンスをリアルタイムで検査します。

MCPインスペクターの使用方法

# 特定のファイルでMCPインスペクターを実行する
mcp dev fhir_server.py

# これにより、以下のことが行われます。
# 1. 開発モードでインスペクターを起動します。
# 2. すべてのFHIRサーバーのインタラクションを監視します。
# 3. 詳細な情報をlogs/mcp_dev_inspector.logに記録します。

機能

• リアルタイム監視：FHIRサーバーのインタラクションをリアルタイムで監視します。
• リクエスト/レスポンスロギング：すべてのAPI呼び出しとレスポンスの詳細なログを記録します。
• エラー検出：APIエラーや設定ミスに対する即時のフィードバックを提供します。
• パフォーマンスメトリクス：レスポンス時間とサーバーのパフォーマンスを追跡します。
• デバッグモード：開発時のトラブルシューティングのための拡張ロギングを提供します。

ログファイルの場所

インスペクターは、詳細なログを以下の場所に書き込みます。

logs/mcp_dev_inspector.log

ベストプラクティス

• 開発中にMCPインスペクターを使用して、サーバーの動作を検証します。
• ログファイルを監視して、予期しないエラーやパフォーマンスの問題を確認します。
• 新しいFHIRエンドポイントを実装するときにインスペクターを実行します。
• 外部FHIRサーバーとの接続問題をデバッグするために使用します。

🏥 ビジネスアプリケーション

病院関与プラットフォーム

このツールキットは、自動化された病院関与プラットフォームを構築することができます。

1. 患者ケアコーディネーション

   • 自動化されたケアプランの生成
   • 治療タイムラインの管理
   • 多職種チームのコーディネーション

2. 臨床判断支援

   • エビデンスベースの治療レコメンデーション
   • リスク評価と早期警告
   • 類似症例に基づくアウトカム予測

3. リソース最適化

   • リソース割り当てのための予測分析
   • 自動化されたスケジューリングと容量管理
   • データ駆動型の洞察によるコスト最適化

4. 品質向上

   • 自動化された品質指標の追跡
   • コンプライアンス監視と報告
   • パフォーマンス分析とベンチマーク

🔐 セキュリティとコンプライアンス

• HIPAAコンプライアンス：医療データのプライバシーを考慮して設計されています。
• 安全な通信：すべてのサーバー通信にHTTPS/TLS暗号化を使用します。
• 認証サポート：複数の認証方法（OAuth、APIキーなど）をサポートします。
• 監査ロギング：コンプライアンスとデバッグのための包括的なロギングを提供します。

📊 パフォーマンス機能

• 非同期操作：高スループットのための非ブロッキングI/Oをサポートします。
• コネクションプーリング：効率的なHTTP接続管理を提供します。
• インテリジェントキャッシュ：病状コードやメタデータをキャッシュします。
• バッチ処理：複数のレコードを効率的に処理します。
• エラーハンドリング：堅牢なエラーハンドリングとリトライメカニズムを提供します。

🧪 テスト

テストの実行

# 基本的な接続テストを実行する
python -c "
import asyncio
from fhir_tools import UniversalFhirMcpServer

async def test():
    server = UniversalFhirMcpServer()
    await server.initialize()
    result = await server.test_server_connectivity('firely_local')
    print(result)

asyncio.run(test())
"

サーバー診断

# 包括的なサーバー診断を実行する
diagnostics = await fhir_server.diagnose_fhir_server("firely_local")
print(diagnostics)

📝 ロギング

システムは、包括的なロギングを提供します。

import logging

# ロギングを設定する
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# ログは自動的にlogs/mcp_dev_inspector.logに書き込まれます

🤝 コントリビュート

1. リポジトリをフォークします。
2. 機能ブランチを作成します。
3. 変更を加えます。
4. 新しい機能に対するテストを追加します。
5. プルリクエストを送信します。

📄 ライセンス

このプロジェクトは、MITライセンスの下でライセンスされています。詳細については、LICENSEファイルを参照してください。

🆘 サポート

サポートや質問については、以下の方法で対応します。

• GitHubリポジトリにイシューを作成します。
• ログディレクトリを確認して、詳細なエラー情報を取得します。
• サーバーのトラブルシューティングには、診断ツールを使用します。

🔄 バージョン履歴

• v0.1.0 - コアFHIR機能を備えた初期リリース
• v0.2.0 - AIによる臨床分析機能を追加
• v0.3.0 - 複数サーバーサポートとキャッシュ機能を強化

🎯 ロードマップ

• [ ] 高度な分析ダッシュボード
• [ ] リアルタイムデータストリーミング
• [ ] 機械学習モデルの統合
• [ ] 強化されたセキュリティ機能
• [ ] モバイルアプリケーションのサポート
• [ ] クラウドデプロイメントテンプレート

🕒 FHIRタイムラインエージェント

FHIRタイムラインエージェント (fhir_timeline_agent.py) は、実際のFHIRデータを使用して患者のクエリから詳細な臨床治療タイムラインを生成するために設計された特殊なエージェントです。特にFirely Local FHIRサーバーと連携するように構成されています。

機能

• 自然言語処理：自由記述の患者クエリを構造化された臨床データに変換します。
• 実際の患者データ分析：タイムライン生成に実際のFHIR患者レコードを使用します。
• AIによるタイムライン生成：OpenAI GPT-4を利用して正確な臨床タイムラインを生成します。
• インタラクティブなCLIインターフェース：リッチなフォーマットのユーザーフレンドリーなコマンドラインインターフェースを提供します。
• 包括的な患者マッチング：年齢、性別、病状に基づいて類似した患者を検索します。

使用方法

# チャットインターフェースでインタラクティブモードで実行する
python fhir_timeline_agent.py

# サンプルクエリでデモモードで実行する
python fhir_timeline_agent.py --demo

クエリの例

• "45歳の男性、膵臓腺癌"
• "62歳の女性、HER2陽性乳がん"
• "58歳の男性、III期Aの肺腺癌"

タイムライン生成プロセス

1. クエリ処理

   • 自然言語から臨床キーワードを抽出します。
   • 年齢、性別、病状、病期、バイオマーカーを特定します。

2. FHIRコードマッピング

   • 臨床用語を標準化されたFHIRコードにマッピングします。
   • Firely Localサーバーのコードシステムを使用します。

3. 類似患者検索

   • FHIRデータベース内で一致する患者を検索します。
   • 年齢、性別、病状に基づいてマッチングスコアを付けます。

4. データ集約

   • 包括的な医療履歴を収集します。
   • 手術、投薬、診察記録を含みます。

5. タイムライン生成

   • AIを使用して詳細な治療タイムラインを作成します。
   • 臨床的なコンテキストを持つイベントを時系列で整理します。

出力形式

エージェントは、以下のようなリッチなフォーマットの出力を生成します。

• 患者プロファイル：人口統計情報、診断、病期、バイオマーカー
• 治療タイムライン：日付付きの段階的な臨床イベント
• 臨床アウトカム：治療反応、生存状態、毒性
• データソース：サーバー情報と分析メトリクス

設定

エージェントは、以下の設定でハードコードされています。

• Firely Local FHIRサーバー (http://localhost:9090)
• OpenAI GPT-4を使用したタイムライン生成
• リッチなコンソール出力によるフォーマット表示

要件

• OpenAI APIキー（.envファイルに設定）
• 稼働中のFirely Local FHIRサーバー
• Pythonパッケージ:

  openai>=1.86.0
  rich>=13.7.0
  python-dotenv>=1.0.0
  aiohttp>=3.8.0
  

ベストプラクティス

• クエリには完全な患者情報を提供します。
• 年齢、性別、主要な診断を含めます。
• 可能であれば病期とバイオマーカー情報を追加します。
• より良いマッチングのために具体的な臨床用語を使用します。

エラーハンドリング

エージェントは、以下のエラーに対する堅牢なエラーハンドリングを含んでいます。

• 患者情報の不足
• FHIRサーバーの接続問題
• AI生成の失敗
• データ解析エラー

各エラーは、解決のための有用な提案とともに表示されます。

医療の相互運用性と患者ケアの改善のために愛情を込めて開発されました