openmed/README.nl.md at master · maziyarpanahi/openmed

Jouw data. Jouw model. Jouw hardware.

Zet klinische tekst om in gestructureerd, ge-de-identificeerd inzicht op hardware die je beheert.
De lokale kernruntime van OpenMed voert extractie en de-identificatie uit nadat de vereiste modelartefacten beschikbaar zijn. Modeldownloads, adapters voor externe providers, paden met telemetrie en door de gebruiker ingestelde integraties kunnen het netwerk gebruiken; controleer de voorwaarden van elk model en elke dataset.

PyPI package · Python 3.10+ · Model catalog · Research paper · Apache-2.0 SDK source

OpenMedKit · Apple Silicon / MLX · Android / ONNX Runtime Mobile · Browser / Transformers.js · Documentation

Lokale uitvoering voorop · 33 modelondersteunde PII-talen · Apache-2.0 SDK

English · 简体中文 · Español · Français · Deutsch · Italiano · Português · Nederlands · العربية · हिन्दी · తెలుగు · 日本語 · Türkçe · فارسی

Zie het in actie

_{PII-de-identificatie in realtime: de Nemotron Privacy Filter maskeert namen, adressen, ID's en factuurgegevens uit een klinisch ontslagbericht, volledig op het apparaat. (Alle getoonde waarden zijn synthetisch.)}

Voorbeeld in 30 seconden

from openmed import analyze_text

result = analyze_text(
    "Patient started on imatinib for chronic myeloid leukemia.",
    model_name="disease_detection_superclinical",
)

for entity in result.entities:
    print(f"{entity.label:<12} {entity.text:<28} {entity.confidence:.2f}")
# DISEASE      chronic myeloid leukemia     0.98
# DRUG         imatinib                     0.95

Een klinisch NER-model gebruikt de lokale runtime nadat de vereiste artefacten beschikbaar zijn.

Waarom OpenMed?

Implementatieaspect	Grens van de OpenMed SDK
Kernruntime	Verwerkt lokaal nadat de vereiste artefacten beschikbaar zijn
Optionele netwerkpaden	Downloads, externe adapters, telemetriepaden en integraties kunnen het netwerk gebruiken
Validatie	De beheerder valideert model- en datavoorwaarden, privacygedrag en klinische geschiktheid
Interfaces	Python, Swift, Android, browser en diensten waar ondersteund

Samengestelde modelcatalogus: valideer elk model, elke licentie en dataset voor je gebruikssituatie.
Op Safe Harbor afgestemde configuratie: kan de 18 identificatorcategorieën adresseren; deskundige implementatiebeoordeling blijft vereist en gebruik van de SDK toont op zichzelf geen HIPAA-naleving aan.
Ondersteunde uitvoerpaden: CPU-, CUDA-, MLX-, mobiele, service- en browseradapters verschillen per omgeving en artefact.
Implementatie-interfaces: Python, containers, services en batchworkflows vereisen configuratie en validatie.
SDK-broncode: uitgebracht onder Apache-2.0 License; voorwaarden van modellen en datasets verschillen.

Op het apparaat, op Apple: Swift, MLX & iOS

Op ondersteunde Apple-hardware kan OpenMed MLX en OpenMedKit gebruiken voor lokale verwerking nadat de vereiste artefacten beschikbaar zijn. Modelverwerving en door de gebruiker ingestelde externe integraties blijven afzonderlijke netwerkgrenzen.

// Add OpenMedKit to your app
dependencies: [
    .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "2.0.0"),
]

MLX-runtime voor PII-tokenclassificatie, de Privacy Filter-familie en experimentele zero-shot-taken van de GLiNER-familie, met een CoreML-fallbackpad.
Eén modelnaam, elk platform: op niet-Apple-hardware vallen MLX-modelnamen automatisch terug op het bijbehorende PyTorch-checkpoint.
Python op Apple Silicon ook: pip install --upgrade "openmed[mlx]".

Handleidingen: MLX-backend · OpenMedKit (Swift) · CoreML-export

Hoe het werkt

flowchart LR
    A["Klinische tekst"] --> B["OpenMed<br/>(lokaal eerst)"]
    B --> C["Medische entiteiten"]
    B --> D["PII gedetecteerd"]
    B --> E["Ge-de-identificeerde tekst"]
    style B fill:#0D6E6E,stroke:#0A5656,stroke-width:2px,color:#ffffff
    style C fill:#D6EBEB,stroke:#0D6E6E,color:#0E1116
    style D fill:#F7DCD8,stroke:#C5453A,color:#0E1116
    style E fill:#F5E27A,stroke:#A9A088,color:#0E1116

Snelstart

# Core + Hugging Face runtime (Linux, macOS, Windows; CPU or CUDA)
pip install --upgrade "openmed[hf]"

# Add the REST service
pip install --upgrade "openmed[hf,service]"

# Apple Silicon acceleration (MLX)
pip install --upgrade "openmed[mlx]"

Python-API

from openmed import analyze_text

analyze_text(
  "Patient received 75mg "
  "clopidogrel for NSTEMI.",
  model_name=
  "pharma_detection_superclinical",
)

REST-service

uvicorn openmed.service.app:app \
  --host 0.0.0.0 --port 8080

GET /health POST /analyze POST /pii/extract POST /pii/deidentify

Batch

from openmed import BatchProcessor

p = BatchProcessor(
  model_name=
  "disease_detection_superclinical",
  group_entities=True,
)
p.process_texts([...])

Offline / air-gapped? Wijs model_name (of model_id) naar een lokale map en OpenMed laadt het zonder contact met de Hugging Face Hub:

from openmed import OpenMedConfig, analyze_text

result = analyze_text(
    "Patient presents with chronic myeloid leukemia and Type 2 diabetes.",
    model_id="./models/OpenMed-NER-DiseaseDetect-SuperClinical-434M",
    config=OpenMedConfig(device="cpu"),
)

Modellen

Een samengesteld register van gespecialiseerde medische NER-modellen. Blader door de volledige catalogus.

Model	Specialisatie	Entiteitstypen	Grootte
`disease_detection_superclinical`	Ziekten & aandoeningen	DISEASE, CONDITION, DIAGNOSIS	434M
`pharma_detection_superclinical`	Geneesmiddelen & medicatie	DRUG, MEDICATION, TREATMENT	434M
`pii_superclinical_large`	PII & de-identificatie	NAME, DATE, SSN, PHONE, EMAIL, ADDRESS	434M
`anatomy_detection_electramed`	Anatomie & lichaamsdelen	ANATOMY, ORGAN, BODY_PART	109M
`gene_detection_genecorpus`	Genen & eiwitten	GENE, PROTEIN	109M

Privacy: PII-detectie & de-identificatie

from openmed import extract_pii, deidentify

text = "Patient: John Doe, DOB: 01/15/1970, SSN: 123-45-6789"

# Extract PII with smart merging (prevents tokenization fragmentation)
result = extract_pii(text, model_name="pii_superclinical_large", use_smart_merging=True)

# De-identify with the method you need
deidentify(text, method="mask")     # [NAME], [DATE]
deidentify(text, method="replace")  # Faker-backed, locale-aware, format-preserving fakes
deidentify(text, method="hash")     # Cryptographic hashing
deidentify(text, method="shift_dates", date_shift_days=180)

Slimme entiteitssamenvoeging houdt 01/15/1970 heel in plaats van het te fragmenteren.
Faker-gebaseerde verhulling met aangepaste providers voor klinische ID's (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI).
HIPAA-grens: op Safe Harbor afgestemde categorieën en instelbare drempels zijn implementatiehulpmiddelen; deskundige implementatiebeoordeling blijft vereist en alleen SDK-gebruik toont geen naleving aan.

Volledig PII-notebook · Slimme samenvoeging · Anonimisering

Privacy Filter-familie: drie modelfamilies op de OpenAI Privacy Filter-architectuur

De modelcode is identiek (gpt-oss-achtige sparse-MoE-transformer met lokale attention, sink-tokens, RoPE+YaRN, tiktoken-o200k_base-tokenisatie); alleen de trainingsdata verschilt. Alle gebruiken dezelfde extract_pii() / deidentify()-API. Alleen het argument model_name= verandert.

Variant	PyTorch (CPU + CUDA)	MLX (Apple Silicon)	MLX 8-bit
OpenAI Privacy Filter	`openai/privacy-filter`	`OpenMed/privacy-filter-mlx`	`…-mlx-8bit`
Nemotron-PII fine-tune	`OpenMed/privacy-filter-nemotron`	`…-nemotron-mlx`	`…-nemotron-mlx-8bit`
OpenMed Multilingual	`OpenMed/privacy-filter-multilingual`	`…-multilingual-mlx`	`…-multilingual-mlx-8bit`

from openmed import extract_pii

text = "Patient Sarah Connor (DOB: 03/15/1985) at MRN 4471882."

extract_pii(text, model_name="openai/privacy-filter")              # PyTorch baseline
extract_pii(text, model_name="OpenMed/privacy-filter-nemotron")    # same code, different weights
extract_pii(text, model_name="OpenMed/privacy-filter-mlx")         # Apple Silicon (MLX)

Op niet-Apple-Silicon-hosts worden MLX-modelnamen automatisch vervangen door het bijbehorende PyTorch-checkpoint (met een eenmalige waarschuwing). Schrijf één modelnaam, draai overal. Zie Privacy Filter-architectuur & backend-routing.

Meertalige PII (34 ondersteunde routes; 33 modelondersteund)

Extractie en de-identificatie in en, fr, de, it, es, nl, hi, te, pt, ar, ja en tr, in totaal de geregistreerde PII-modelcatalogus.

python -c "from openmed import extract_pii; print([(e.label, e.text) for e in extract_pii('Dr. Pedro Almeida, CPF: 123.456.789-09, email: pedro@hospital.pt', lang='pt').entities])"

Voorbeelden per taal tonen (Portugees, Nederlands, Hindi, Arabisch, Japans, Turks)

from openmed import extract_pii

portuguese = extract_pii("Paciente: Pedro Almeida, CPF: 123.456.789-09, telefone: +351 912 345 678", lang="pt", use_smart_merging=True)
dutch      = extract_pii("Patiënt: Eva de Vries, BSN: 123456782, telefoon: +31 6 12345678", lang="nl", use_smart_merging=True)
hindi      = extract_pii("रोगी: अनीता शर्मा, फोन: +91 9876543210, पता: नई दिल्ली 110001", lang="hi", use_smart_merging=True)
arabic     = extract_pii("المريضة ليلى حسن، الهاتف +20 10 1234 5678، الرقم القومي 29801011234567.", lang="ar", use_smart_merging=True)
japanese   = extract_pii("患者 佐藤 花子、電話 +81 90 1234 5678、マイナンバー 1234 5678 9012.", lang="ja", use_smart_merging=True)
turkish    = extract_pii("Hasta Ayşe Yılmaz, telefon +90 532 123 45 67, TCKN 10000000146.", lang="tr", use_smart_merging=True)

for r in (portuguese, dutch, hindi, arabic, japanese, turkish):
    print([(e.label, e.text) for e in r.entities])

REST API

Een Docker-vriendelijke FastAPI-service met requestvalidatie, gedeelde pipeline-preload en uniforme foutenveloppen.

pip install --upgrade "openmed[hf,service]"
uvicorn openmed.service.app:app --host 0.0.0.0 --port 8080

# or with Docker
docker build -t openmed:local .
docker run --rm -p 8080:8080 -e OPENMED_PROFILE=prod openmed:local

curl -X POST http://127.0.0.1:8080/pii/extract \
  -H "Content-Type: application/json" \
  -d '{"text":"Paciente: Maria Garcia, DNI: 12345678Z","lang":"es"}'

Zie de volledige REST-service-handleiding.

Documentatie

Volledige handleidingen op openmed.life/docs.


Aan de slag	Tekst analyseren	Modelregister
PII-detectiegids	Anonimisering	Batchverwerking
Configuratieprofielen	REST-service	MLX-backend

Maak kennis met de mascotte

De bewaker van OpenMed is een pluizige Perzische kat in de gedaante van een kleine Avicenna (Ibn Sina), de grote Perzische arts wiens Canon van de geneeskunde zo'n 600 jaar lang hét medische standaardwerk ter wereld was. Hij waakt over het opengeslagen boek van medische kennis, in een palet geïnspireerd op Perzisch turkoois (fīrūza): een local-first bewaker voor je meest private data.

Bijdragen

Bijdragen zijn welkom: bugrapporten, featureverzoeken en PR's.

Een issue openen
Vertalingen welkom: help de README's in andere talen te voltooien die in de taalschakelaar bovenaan staan.

Met dank aan

OpenMed bouwt voort op uitstekend opensourcewerk, met speciale dank aan OpenAI (de Privacy Filter-architectuur), NVIDIA (de Nemotron PII-dataset), Hugging Face (transformers en het modelecosysteem), Apple (MLX) en de maintainers van Faker.

Licentie

De broncode van de OpenMed SDK wordt uitgebracht onder de Apache-2.0 License.

Citeren

Als OpenMed nuttig is in je onderzoek, citeer het dan:

@misc{panahi2025openmedneropensourcedomainadapted,
      title={OpenMed NER: Open-Source, Domain-Adapted State-of-the-Art Transformers for Biomedical NER Across 12 Public Datasets},
      author={Maziyar Panahi},
      year={2025},
      eprint={2508.01630},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2508.01630},
}

Stergeschiedenis

Als OpenMed nuttig voor je is, helpt een ster anderen om het te ontdekken.

4,700+ GitHub stars · 29 Jul 2026 snapshot

Gemaakt door het OpenMed-team

Website · Documentatie · X / Twitter · LinkedIn

FilesExpand file tree

README.nl.md

Latest commit

History