Lokale gezondheids-AI die het apparaat nooit verlaat

Zet klinische tekst met één regel code om in gestructureerde inzichten.
Entiteitsextractie, PII-de-identificatie en meer dan 1.000 gespecialiseerde medische modellen die volledig op je eigen hardware draaien — van een one-liner in Python tot een native Swift-app op de iPhone, aangedreven door Apple MLX. Geen cloud. Geen vendor lock-in. Geen patiëntgegevens die je netwerk verlaten.

1.000+ modellen · 12 talen · 247 PII-checkpoints · 100% op het apparaat · Apache-2.0

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 ```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 ``` Een state-of-the-art klinisch NER-model dat lokaal draait — geen API-sleutel, geen netwerkoproep. --- ## Waarom OpenMed? | | **OpenMed** | Medische cloud-API's | | ------------------------------------- | :----------------------: | :------------------------: | | Draait op je apparaat/servers | ✅ | ❌ | | Patiëntgegevens verlaten je netwerk | **Nooit** | Naar de leverancier gestuurd | | Kosten | Gratis & open source | Prijs per aanroep | | Gespecialiseerde medische modellen | 1.000+ | Beperkt | | Talen | 12+ | Wisselend | | Offline / air-gapped | ✅ | ❌ | | Apple Silicon (MLX)-versnelling | ✅ | n.v.t. | | Native iOS-/macOS-apps | ✅ via OpenMedKit | ❌ | | Vendor lock-in | Geen — Apache-2.0 | Ja | - **Gespecialiseerde modellen** — meer dan 1.000 zorgvuldig geselecteerde biomedische en klinische modellen, waarvan vele propriëtaire oplossingen overtreffen. - **HIPAA-bewuste de-identificatie** — alle 18 Safe Harbor-identificatoren, slimme entiteitssamenvoeging en formaatbehoudende nepwaarden. - **Draait overal** — CPU, CUDA, Apple Silicon (MLX), en native in iOS-/macOS-apps via OpenMedKit. - **Implementatie in één regel** — Python-API, gedockeriseerde REST-service of batchpipelines. - **Geen lock-in** — Apache-2.0, jouw infrastructuur, jouw data. --- ## Op het apparaat, op Apple — Swift, MLX & iOS OpenMed is gebouwd om te draaien waar je data al leeft. Op Apple-hardware versnelt het met **MLX** en komt het via **[OpenMedKit](swift/OpenMedKit)** rechtstreeks in iPhone-, iPad- en Mac-apps — zodat PII-detectie en klinische extractie volledig offline, op het apparaat, plaatsvinden. ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **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 "openmed[mlx]"`. Handleidingen: [MLX-backend](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [CoreML-export](docs/coreml-export.md) --- ## Hoe het werkt ```mermaid flowchart LR A["Klinische tekst"] --> B["OpenMed
(100% op het apparaat)"] 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 ```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]" ```

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

**REST-service** ```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 / air-gapped?** Wijs `model_name` (of `model_id`) naar een lokale map en OpenMed laadt het zonder contact met de Hugging Face Hub: ```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"), ) ``` --- ## Modellen Een samengesteld register van gespecialiseerde medische NER-modellen — blader door de [volledige catalogus](https://openmed.life/docs/model-registry). | 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 ```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) ``` - **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**: alle 18 Safe Harbor-identificatoren, met configureerbare betrouwbaarheidsdrempels. [Volledig PII-notebook](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [Slimme samenvoeging](docs/pii-smart-merging.md) · [Anonimisering](docs/anonymization.md)

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`](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) ``` 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](docs/anonymization.md#privacy-filter-family).

--- ## Meertalige PII (12 talen) Extractie en de-identificatie in `en`, `fr`, `de`, `it`, `es`, `nl`, `hi`, `te`, `pt`, `ar`, `ja` en `tr` — in totaal **247 PII-checkpoints**. ```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])" ```

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

```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 Een Docker-vriendelijke FastAPI-service met requestvalidatie, gedeelde pipeline-preload en uniforme foutenveloppen. ```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"}' ``` Zie de volledige [REST-service-handleiding](docs/rest-service.md). --- ## Documentatie Volledige handleidingen op **[openmed.life/docs](https://openmed.life/docs/)**. | | | | |---|---|---| | [Aan de slag](https://openmed.life/docs/) | [Tekst analyseren](https://openmed.life/docs/analyze-text) | [Modelregister](https://openmed.life/docs/model-registry) | | [PII-detectiegids](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [Anonimisering](docs/anonymization.md) | [Batchverwerking](https://openmed.life/docs/batch-processing) | | [Configuratieprofielen](https://openmed.life/docs/profiles) | [REST-service](docs/rest-service.md) | [MLX-backend](docs/mlx-backend.md) | --- ## 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](https://github.com/maziyarpanahi/openmed/issues) - **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](https://huggingface.co/openai/privacy-filter)-architectuur), **NVIDIA** (de [Nemotron PII-dataset](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), **Hugging Face** (`transformers` en het modelecosysteem), **Apple** ([MLX](https://github.com/ml-explore/mlx)) en de maintainers van **[Faker](https://faker.readthedocs.io/)**. ## Licentie Uitgebracht onder de [Apache-2.0-licentie](LICENSE). ## Citeren Als OpenMed nuttig is in je onderzoek, citeer het dan: ```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}, } ``` --- ## Stergeschiedenis Als OpenMed nuttig voor je is, helpt een ster anderen om het te ontdekken.

---

Gemaakt door het OpenMed-team Website · Documentatie · X / Twitter · LinkedIn