IA de santé locale qui ne quitte jamais votre appareil

Transformez du texte clinique en informations structurées avec une seule ligne de code.
Extraction d'entités, dé-identification des PII et plus de 1 000 modèles médicaux spécialisés qui s'exécutent entièrement sur votre propre matériel — d'une ligne en Python à une application Swift native sur iPhone, propulsée par Apple MLX. Sans cloud. Sans dépendance fournisseur. Sans que les données patient ne quittent votre réseau.

1 000+ modèles · 12 langues · 247 checkpoints PII · 100 % sur l'appareil · Apache-2.0

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

--- ## Voir en action

_{Dé-identification des PII en temps réel — le Privacy Filter Nemotron masque les noms, adresses, identifiants et données de facturation d'un compte rendu de sortie clinique, entièrement sur l'appareil. (Toutes les valeurs affichées sont synthétiques.)}

--- ## Exemple en 30 secondes ```python 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 ``` Un modèle de NER clinique à l'état de l'art qui s'exécute localement — sans clé d'API, sans appel réseau. --- ## Pourquoi OpenMed ? | | **OpenMed** | API médicales cloud | | ------------------------------------- | :----------------------: | :-----------------------: | | S'exécute sur votre appareil/serveurs | ✅ | ❌ | | Les données patient quittent le réseau | **Jamais** | Envoyées au fournisseur | | Coût | Gratuit et open source | Tarification à l'appel | | Modèles médicaux spécialisés | 1 000+ | Limités | | Langues | 12+ | Variable | | Hors ligne / isolé (air-gapped) | ✅ | ❌ | | Accélération Apple Silicon (MLX) | ✅ | s.o. | | Applications natives iOS / macOS | ✅ via OpenMedKit | ❌ | | Dépendance fournisseur | Aucune — Apache-2.0 | Oui | - **Modèles spécialisés** — plus de 1 000 modèles biomédicaux et cliniques sélectionnés, dont beaucoup surpassent les solutions propriétaires. - **Dé-identification conforme à HIPAA** — les 18 identifiants Safe Harbor, fusion intelligente des entités et substituts factices préservant le format. - **S'exécute partout** — CPU, CUDA, Apple Silicon (MLX), et nativement dans les applications iOS/macOS via OpenMedKit. - **Déploiement en une ligne** — API Python, service REST dockerisé ou pipelines par lots. - **Aucun verrouillage** — Apache-2.0, votre infrastructure, vos données. --- ## Sur l'appareil, sur Apple — Swift, MLX et iOS OpenMed est conçu pour s'exécuter là où vivent déjà vos données. Sur le matériel Apple, il accélère avec **MLX**, et il s'intègre directement dans les applications iPhone, iPad et Mac via **[OpenMedKit](swift/OpenMedKit)** — de sorte que la détection des PII et l'extraction clinique se font entièrement hors ligne, sur l'appareil. ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **Runtime MLX** pour la classification de tokens PII, la famille Privacy Filter et les tâches zero-shot expérimentales de la famille GLiNER — avec une voie de repli CoreML. - **Un seul nom de modèle, toutes les plateformes** — sur du matériel non-Apple, les noms de modèles MLX basculent automatiquement vers le checkpoint PyTorch correspondant. - **Python sur Apple Silicon** aussi : `pip install "openmed[mlx]"`. Guides : [Backend MLX](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [Export CoreML](docs/coreml-export.md) --- ## Comment ça marche ```mermaid flowchart LR A["Texte clinique"] --> B["OpenMed
(100 % sur l'appareil)"] B --> C["Entités médicales"] B --> D["PII détectées"] B --> E["Texte dé-identifié"] 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 ``` --- ## Démarrage rapide ```bash # Core + Hugging Face runtime (Linux, macOS, Windows; CPU or CUDA) pip install "openmed[hf]" # Add the REST service pip install "openmed[hf,service]" # Apple Silicon acceleration (MLX) pip install "openmed[mlx]" ```

**API Python** ```python from openmed import analyze_text analyze_text( "Patient received 75mg " "clopidogrel for NSTEMI.", model_name= "pharma_detection_superclinical", ) ```

**Service REST** ```bash uvicorn openmed.service.app:app \ --host 0.0.0.0 --port 8080 ``` `GET /health` `POST /analyze` `POST /pii/extract` `POST /pii/deidentify`

**Par lots** ```python from openmed import BatchProcessor p = BatchProcessor( model_name= "disease_detection_superclinical", group_entities=True, ) p.process_texts([...]) ```

**Hors ligne / isolé ?** Pointez `model_name` (ou `model_id`) vers un répertoire local et OpenMed le charge sans contacter le Hub Hugging Face : ```python 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"), ) ``` --- ## Modèles Un registre soigneusement sélectionné de modèles NER médicaux spécialisés — parcourez le [catalogue complet](https://openmed.life/docs/model-registry). | Modèle | Spécialisation | Types d'entités | Taille | |--------|----------------|-----------------|--------| | `disease_detection_superclinical` | Maladies et affections | DISEASE, CONDITION, DIAGNOSIS | 434M | | `pharma_detection_superclinical` | Médicaments et traitements | DRUG, MEDICATION, TREATMENT | 434M | | `pii_superclinical_large` | PII et dé-identification | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M | | `anatomy_detection_electramed` | Anatomie et parties du corps | ANATOMY, ORGAN, BODY_PART | 109M | | `gene_detection_genecorpus` | Gènes et protéines | GENE, PROTEIN | 109M | --- ## Confidentialité : détection et dé-identification des PII ```python 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) ``` - **La fusion intelligente des entités** conserve `01/15/1970` intact au lieu de le fragmenter. - **Obfuscation basée sur Faker** avec des fournisseurs personnalisés d'identifiants cliniques (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI). - **HIPAA** : les 18 identifiants Safe Harbor, avec des seuils de confiance configurables. [Notebook PII complet](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [Fusion intelligente](docs/pii-smart-merging.md) · [Anonymisation](docs/anonymization.md)

Famille Privacy Filter — trois familles de modèles sur l'architecture OpenAI Privacy Filter

Le code du modèle est identique (transformeur MoE clairsemé de style gpt-oss avec attention locale, tokens sink, RoPE+YaRN, tokenisation tiktoken `o200k_base`) ; seules les données d'entraînement diffèrent. Toutes passent par la **même** API `extract_pii()` / `deidentify()` — seul l'argument `model_name=` change. | Variante | PyTorch (CPU + CUDA) | MLX (Apple Silicon) | MLX 8-bit | | --- | --- | --- | --- | | **OpenAI Privacy Filter** | [`openai/privacy-filter`](https://huggingface.co/openai/privacy-filter) | [`OpenMed/privacy-filter-mlx`](https://huggingface.co/OpenMed/privacy-filter-mlx) | [`…-mlx-8bit`](https://huggingface.co/OpenMed/privacy-filter-mlx-8bit) | | **Nemotron-PII fine-tune** | [`OpenMed/privacy-filter-nemotron`](https://huggingface.co/OpenMed/privacy-filter-nemotron) | [`…-nemotron-mlx`](https://huggingface.co/OpenMed/privacy-filter-nemotron-mlx) | [`…-nemotron-mlx-8bit`](https://huggingface.co/OpenMed/privacy-filter-nemotron-mlx-8bit) | | **OpenMed Multilingual** | [`OpenMed/privacy-filter-multilingual`](https://huggingface.co/OpenMed/privacy-filter-multilingual) | [`…-multilingual-mlx`](https://huggingface.co/OpenMed/privacy-filter-multilingual-mlx) | [`…-multilingual-mlx-8bit`](https://huggingface.co/OpenMed/privacy-filter-multilingual-mlx-8bit) | ```python 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) ``` Sur les hôtes non-Apple-Silicon, les noms de modèles MLX sont automatiquement remplacés par le checkpoint PyTorch correspondant (avec un avertissement unique) — écrivez un seul nom de modèle, exécutez-le partout. Voir [Architecture Privacy Filter et routage du backend](docs/anonymization.md#privacy-filter-family).

--- ## PII multilingue (12 langues) Extraction et dé-identification en `en`, `fr`, `de`, `it`, `es`, `nl`, `hi`, `te`, `pt`, `ar`, `ja` et `tr` — **247 checkpoints PII** au total. ```bash 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])" ```

Voir des exemples par langue (portugais, néerlandais, hindi, arabe, japonais, turc)

```python 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]) ```

--- ## API REST Un service FastAPI compatible Docker, avec validation des requêtes, préchargement de pipeline partagé et enveloppes d'erreur unifiées. ```bash pip install "openmed[hf,service]" uvicorn openmed.service.app:app --host 0.0.0.0 --port 8080 # or with Docker docker build -t openmed:1.5.5 . docker run --rm -p 8080:8080 -e OPENMED_PROFILE=prod openmed:1.5.5 ``` ```bash 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"}' ``` Consultez le [guide complet du service REST](docs/rest-service.md). --- ## Documentation Guides complets sur **[openmed.life/docs](https://openmed.life/docs/)**. | | | | |---|---|---| | [Premiers pas](https://openmed.life/docs/) | [Analyser du texte](https://openmed.life/docs/analyze-text) | [Registre des modèles](https://openmed.life/docs/model-registry) | | [Guide de détection PII](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [Anonymisation](docs/anonymization.md) | [Traitement par lots](https://openmed.life/docs/batch-processing) | | [Profils de configuration](https://openmed.life/docs/profiles) | [Service REST](docs/rest-service.md) | [Backend MLX](docs/mlx-backend.md) | --- ## Découvrez la mascotte

Le gardien d'OpenMed est un chat persan duveteux représenté en petit **Avicenne (Ibn Sina)** — le grand médecin perse dont le *Canon de la médecine* fut le manuel médical de référence dans le monde entier pendant près de 600 ans. Il veille sur le livre ouvert du savoir médical, dans une palette inspirée de la **turquoise persane (fīrūza)** : un gardien local-first pour vos données les plus privées.
--- ## Contribuer Les contributions sont les bienvenues — rapports de bugs, demandes de fonctionnalités et PR. - [Ouvrir une issue](https://github.com/maziyarpanahi/openmed/issues) - **Traductions bienvenues** — aidez à compléter les README dans les autres langues liés dans le sélecteur en haut de page. --- ## Remerciements OpenMed s'appuie sur d'excellents travaux open source — un merci tout particulier à **OpenAI** (l'architecture [Privacy Filter](https://huggingface.co/openai/privacy-filter)), **NVIDIA** (le [jeu de données Nemotron PII](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), **Hugging Face** (`transformers` et l'écosystème de modèles), **Apple** ([MLX](https://github.com/ml-explore/mlx)) et les mainteneurs de **[Faker](https://faker.readthedocs.io/)**. ## Licence Publié sous la [licence Apache-2.0](LICENSE). ## Citation Si OpenMed vous est utile dans vos recherches, merci de le citer : ```bibtex @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}, } ``` --- ## Historique des étoiles Si OpenMed vous est utile, une étoile aide les autres à le découvrir.

---

Réalisé par l'équipe OpenMed Site web · Documentation · X / Twitter · LinkedIn