IA sanitaria locale che non lascia mai il dispositivo

Trasforma il testo clinico in informazioni strutturate con una sola riga di codice.
Estrazione di entità, de-identificazione dei PII e oltre 1.000 modelli medici specializzati che girano interamente sul tuo hardware — da una riga in Python a un'app Swift nativa su iPhone, accelerata da Apple MLX. Niente cloud. Nessun vincolo con il fornitore. Nessun dato del paziente che lascia la tua rete.

1.000+ modelli · 12 lingue · 247 checkpoint PII · 100% sul dispositivo · Apache-2.0

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

--- ## Guardalo in azione

_{De-identificazione dei PII in tempo reale — il Privacy Filter Nemotron oscura nomi, indirizzi, identificativi e dati di fatturazione da una lettera di dimissione clinica, interamente sul dispositivo. (Tutti i valori mostrati sono sintetici.)}

--- ## Esempio in 30 secondi ```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 modello di NER clinico allo stato dell'arte in esecuzione localmente — senza chiave API, senza chiamate di rete. --- ## Perché OpenMed? | | **OpenMed** | API mediche cloud | | ------------------------------------- | :----------------------: | :-----------------------: | | Gira sul tuo dispositivo/server | ✅ | ❌ | | I dati del paziente lasciano la rete | **Mai** | Inviati al fornitore | | Costo | Gratis e open source | Tariffa per chiamata | | Modelli medici specializzati | 1.000+ | Limitati | | Lingue | 12+ | Variabile | | Offline / isolato (air-gapped) | ✅ | ❌ | | Accelerazione Apple Silicon (MLX) | ✅ | n/d | | App native iOS / macOS | ✅ tramite OpenMedKit | ❌ | | Vincolo con il fornitore | Nessuno — Apache-2.0 | Sì | - **Modelli specializzati** — oltre 1.000 modelli biomedici e clinici selezionati, molti dei quali superano le soluzioni proprietarie. - **De-identificazione conforme a HIPAA** — tutti i 18 identificatori Safe Harbor, fusione intelligente delle entità e sostituti fittizi che preservano il formato. - **Gira ovunque** — CPU, CUDA, Apple Silicon (MLX) e nativamente nelle app iOS/macOS tramite OpenMedKit. - **Distribuzione in una riga** — API Python, servizio REST dockerizzato o pipeline batch. - **Nessun vincolo** — Apache-2.0, la tua infrastruttura, i tuoi dati. --- ## Sul dispositivo, su Apple — Swift, MLX e iOS OpenMed è progettato per girare dove vivono già i tuoi dati. Su hardware Apple accelera con **MLX** e arriva direttamente nelle app per iPhone, iPad e Mac tramite **[OpenMedKit](swift/OpenMedKit)** — così il rilevamento dei PII e l'estrazione clinica avvengono completamente offline, sul dispositivo. ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **Runtime MLX** per la classificazione dei token PII, la famiglia Privacy Filter e le attività zero-shot sperimentali della famiglia GLiNER — con un percorso di fallback CoreML. - **Un solo nome di modello, tutte le piattaforme** — su hardware non Apple, i nomi dei modelli MLX ricadono automaticamente sul checkpoint PyTorch corrispondente. - **Python su Apple Silicon** anche: `pip install "openmed[mlx]"`. Guide: [Backend MLX](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [Esportazione CoreML](docs/coreml-export.md) --- ## Come funziona ```mermaid flowchart LR A["Testo clinico"] --> B["OpenMed
(100% sul dispositivo)"] B --> C["Entità mediche"] B --> D["PII rilevati"] B --> E["Testo de-identificato"] 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 ``` --- ## Avvio rapido ```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", ) ```

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

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

**Offline / isolato?** Punta `model_name` (o `model_id`) a una directory locale e OpenMed la carica senza contattare l'Hub di 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"), ) ``` --- ## Modelli Un registro curato di modelli NER medici specializzati — esplora il [catalogo completo](https://openmed.life/docs/model-registry). | Modello | Specializzazione | Tipi di entità | Dimensione | |---------|------------------|----------------|------------| | `disease_detection_superclinical` | Malattie e condizioni | DISEASE, CONDITION, DIAGNOSIS | 434M | | `pharma_detection_superclinical` | Farmaci e terapie | DRUG, MEDICATION, TREATMENT | 434M | | `pii_superclinical_large` | PII e de-identificazione | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M | | `anatomy_detection_electramed` | Anatomia e parti del corpo | ANATOMY, ORGAN, BODY_PART | 109M | | `gene_detection_genecorpus` | Geni e proteine | GENE, PROTEIN | 109M | --- ## Privacy: rilevamento e de-identificazione dei 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 fusione intelligente delle entità** mantiene `01/15/1970` intero invece di frammentarlo. - **Offuscamento basato su Faker** con provider personalizzati di identificativi clinici (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI). - **HIPAA**: tutti i 18 identificatori Safe Harbor, con soglie di confidenza configurabili. [Notebook PII completo](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [Fusione intelligente](docs/pii-smart-merging.md) · [Anonimizzazione](docs/anonymization.md)

Famiglia Privacy Filter — tre famiglie di modelli sull'architettura OpenAI Privacy Filter

Il codice del modello è identico (transformer MoE sparso in stile gpt-oss con attenzione locale, token sink, RoPE+YaRN, tokenizzazione tiktoken `o200k_base`); cambiano solo i dati di addestramento. Tutti usano la **stessa** API `extract_pii()` / `deidentify()` — cambia solo l'argomento `model_name=`. | 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) ``` Sugli host non Apple Silicon, i nomi dei modelli MLX vengono sostituiti automaticamente con il checkpoint PyTorch corrispondente (con un avviso una tantum) — scrivi un solo nome di modello, eseguilo ovunque. Vedi [Architettura Privacy Filter e routing del backend](docs/anonymization.md#privacy-filter-family).

--- ## PII multilingue (12 lingue) Estrazione e de-identificazione in `en`, `fr`, `de`, `it`, `es`, `nl`, `hi`, `te`, `pt`, `ar`, `ja` e `tr` — **247 checkpoint PII** in totale. ```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])" ```

Mostra esempi per lingua (portoghese, olandese, hindi, arabo, giapponese, turco)

```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]) ```

--- ## REST API Un servizio FastAPI compatibile con Docker, con validazione delle richieste, precaricamento della pipeline condivisa e involucri di errore unificati. ```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"}' ``` Consulta la [guida completa al servizio REST](docs/rest-service.md). --- ## Documentazione Guide complete su **[openmed.life/docs](https://openmed.life/docs/)**. | | | | |---|---|---| | [Per iniziare](https://openmed.life/docs/) | [Analizza testo](https://openmed.life/docs/analyze-text) | [Registro dei modelli](https://openmed.life/docs/model-registry) | | [Guida al rilevamento PII](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [Anonimizzazione](docs/anonymization.md) | [Elaborazione batch](https://openmed.life/docs/batch-processing) | | [Profili di configurazione](https://openmed.life/docs/profiles) | [Servizio REST](docs/rest-service.md) | [Backend MLX](docs/mlx-backend.md) | --- ## Conosci la mascotte

Il guardiano di OpenMed è un soffice gatto persiano nei panni di un piccolo **Avicenna (Ibn Sina)** — il grande medico persiano il cui *Canone della medicina* fu il testo medico di riferimento nel mondo per circa 600 anni. Veglia sul libro aperto del sapere medico, con una palette ispirata al **turchese persiano (fīrūza)**: un guardiano local-first per i tuoi dati più riservati.
--- ## Contribuire I contributi sono benvenuti — segnalazioni di bug, richieste di funzionalità e PR. - [Apri una issue](https://github.com/maziyarpanahi/openmed/issues) - **Traduzioni benvenute** — aiuta a completare i README nelle altre lingue collegati nel selettore in alto. --- ## Ringraziamenti OpenMed si basa su eccellente lavoro open source — un ringraziamento speciale a **OpenAI** (l'architettura [Privacy Filter](https://huggingface.co/openai/privacy-filter)), **NVIDIA** (il [dataset Nemotron PII](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), **Hugging Face** (`transformers` e l'ecosistema di modelli), **Apple** ([MLX](https://github.com/ml-explore/mlx)) e i manutentori di **[Faker](https://faker.readthedocs.io/)**. ## Licenza Distribuito con [Licenza Apache-2.0](LICENSE). ## Citazione Se OpenMed ti è utile nella tua ricerca, ti preghiamo di citarlo: ```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}, } ``` --- ## Cronologia delle stelle Se OpenMed ti è utile, una stella aiuta altri a scoprirlo.

---

Realizzato dal team OpenMed Sito web · Documentazione · X / Twitter · LinkedIn