IA de saúde local que nunca sai do dispositivo

Transforme texto clínico em informação estruturada com uma única linha de código.
Extração de entidades, des-identificação de PII e mais de 1.000 modelos médicos especializados que rodam inteiramente no seu próprio hardware — de uma linha em Python a um app Swift nativo no iPhone, acelerado por Apple MLX. Sem nuvem. Sem dependência de fornecedor. Sem que os dados do paciente saiam da sua rede.

1.000+ modelos · 12 idiomas · 247 checkpoints de PII · 100% no dispositivo · Apache-2.0

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

--- ## Veja em ação

_{Des-identificação de PII em tempo real — o Privacy Filter Nemotron oculta nomes, endereços, identificadores e dados de faturamento de um relatório de alta clínica, totalmente no dispositivo. (Todos os valores exibidos são sintéticos.)}

--- ## Exemplo em 30 segundos ```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 ``` Um modelo de NER clínico de última geração rodando localmente — sem chave de API, sem chamada de rede. --- ## Por que OpenMed? | | **OpenMed** | APIs médicas em nuvem | | ------------------------------------- | :----------------------: | :-----------------------: | | Roda no seu dispositivo/servidores | ✅ | ❌ | | Dados do paciente saem da sua rede | **Nunca** | Enviados ao fornecedor | | Custo | Gratuito e open source | Cobrança por chamada | | Modelos médicos especializados | 1.000+ | Limitados | | Idiomas | 12+ | Variável | | Offline / isolado (air-gapped) | ✅ | ❌ | | Aceleração Apple Silicon (MLX) | ✅ | n/d | | Apps nativos de iOS / macOS | ✅ via OpenMedKit | ❌ | | Dependência de fornecedor | Nenhuma — Apache-2.0 | Sim | - **Modelos especializados** — mais de 1.000 modelos biomédicos e clínicos selecionados, muitos superando soluções proprietárias. - **Des-identificação compatível com HIPAA** — todos os 18 identificadores de Safe Harbor, mesclagem inteligente de entidades e substitutos fictícios que preservam o formato. - **Roda em qualquer lugar** — CPU, CUDA, Apple Silicon (MLX) e nativamente em apps iOS/macOS via OpenMedKit. - **Implantação em uma linha** — API Python, serviço REST com Docker ou pipelines em lote. - **Sem aprisionamento** — Apache-2.0, sua infraestrutura, seus dados. --- ## No dispositivo, na Apple — Swift, MLX e iOS O OpenMed foi feito para rodar onde seus dados já vivem. Em hardware Apple, ele acelera com **MLX** e chega diretamente aos apps de iPhone, iPad e Mac via **[OpenMedKit](swift/OpenMedKit)** — de modo que a detecção de PII e a extração clínica acontecem totalmente offline, no dispositivo. ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **Runtime MLX** para classificação de tokens de PII, a família Privacy Filter e tarefas zero-shot experimentais da família GLiNER — com um caminho de fallback em CoreML. - **Um nome de modelo, todas as plataformas** — em hardware que não é Apple, os nomes de modelo MLX recorrem automaticamente ao checkpoint PyTorch correspondente. - **Python no Apple Silicon** também: `pip install "openmed[mlx]"`. Guias: [Backend MLX](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [Exportação CoreML](docs/coreml-export.md) --- ## Como funciona ```mermaid flowchart LR A["Texto clínico"] --> B["OpenMed
(100% no dispositivo)"] B --> C["Entidades médicas"] B --> D["PII detectada"] B --> E["Texto des-identificado"] 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 ``` --- ## Início rápido ```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", ) ```

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

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

**Offline / isolado?** Aponte `model_name` (ou `model_id`) para um diretório local e o OpenMed o carrega sem contatar o 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"), ) ``` --- ## Modelos Um registro curado de modelos de NER médico especializados — explore o [catálogo completo](https://openmed.life/docs/model-registry). | Modelo | Especialização | Tipos de entidade | Tamanho | |--------|----------------|-------------------|---------| | `disease_detection_superclinical` | Doenças e condições | DISEASE, CONDITION, DIAGNOSIS | 434M | | `pharma_detection_superclinical` | Fármacos e medicamentos | DRUG, MEDICATION, TREATMENT | 434M | | `pii_superclinical_large` | PII e des-identificação | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M | | `anatomy_detection_electramed` | Anatomia e partes do corpo | ANATOMY, ORGAN, BODY_PART | 109M | | `gene_detection_genecorpus` | Genes e proteínas | GENE, PROTEIN | 109M | --- ## Privacidade: detecção e des-identificação de 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) ``` - **A mesclagem inteligente de entidades** mantém `01/15/1970` inteiro em vez de fragmentá-lo. - **Ofuscação baseada em Faker** com provedores personalizados de identificadores clínicos (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI). - **HIPAA**: todos os 18 identificadores de Safe Harbor, com limiares de confiança configuráveis. [Notebook completo de PII](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [Mesclagem inteligente](docs/pii-smart-merging.md) · [Anonimização](docs/anonymization.md)

Família Privacy Filter — três famílias de modelos sobre a arquitetura OpenAI Privacy Filter

O código do modelo é o mesmo (transformer MoE esparso no estilo gpt-oss com atenção local, tokens sink, RoPE+YaRN, tokenização tiktoken `o200k_base`); apenas os dados de treinamento mudam. Todos usam a **mesma** API `extract_pii()` / `deidentify()` — só muda o argumento `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) ``` Em hosts que não são Apple Silicon, os nomes de modelo MLX são substituídos automaticamente pelo checkpoint PyTorch correspondente (com um aviso único) — escreva um nome de modelo e rode em qualquer lugar. Veja [Arquitetura do Privacy Filter e roteamento de backend](docs/anonymization.md#privacy-filter-family).

--- ## PII multilíngue (12 idiomas) Extração e des-identificação em `en`, `fr`, `de`, `it`, `es`, `nl`, `hi`, `te`, `pt`, `ar`, `ja` e `tr` — **247 checkpoints de PII** no 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])" ```

Ver exemplos por idioma (português, holandês, hindi, árabe, japonês, 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 Um serviço FastAPI amigável ao Docker, com validação de requisições, pré-carregamento de pipeline compartilhado e envelopes de erro unificados. ```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"}' ``` Veja o [guia completo do serviço REST](docs/rest-service.md). --- ## Documentação Guias completos em **[openmed.life/docs](https://openmed.life/docs/)**. | | | | |---|---|---| | [Primeiros passos](https://openmed.life/docs/) | [Analisar texto](https://openmed.life/docs/analyze-text) | [Registro de modelos](https://openmed.life/docs/model-registry) | | [Guia de detecção de PII](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [Anonimização](docs/anonymization.md) | [Processamento em lote](https://openmed.life/docs/batch-processing) | | [Perfis de configuração](https://openmed.life/docs/profiles) | [Serviço REST](docs/rest-service.md) | [Backend MLX](docs/mlx-backend.md) | --- ## Conheça o mascote

O guardião do OpenMed é um gato persa fofo caracterizado como um pequeno **Avicena (Ibn Sina)** — o grande médico persa cujo *Cânone da Medicina* foi o texto médico de referência no mundo todo por cerca de 600 anos. Ele cuida do livro aberto do conhecimento médico, com uma paleta inspirada na **turquesa persa (fīrūza)**: um guardião local-first para os seus dados mais privados.
--- ## Contribuir Contribuições são bem-vindas — relatórios de bugs, pedidos de recursos e PRs. - [Abrir uma issue](https://github.com/maziyarpanahi/openmed/issues) - **Traduções são bem-vindas** — ajude a completar os README em outros idiomas vinculados no seletor no topo. --- ## Créditos O OpenMed se baseia em excelente trabalho open source — agradecimento especial à **OpenAI** (a arquitetura [Privacy Filter](https://huggingface.co/openai/privacy-filter)), à **NVIDIA** (o [conjunto de dados Nemotron PII](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), à **Hugging Face** (`transformers` e o ecossistema de modelos), à **Apple** ([MLX](https://github.com/ml-explore/mlx)) e aos mantenedores do **[Faker](https://faker.readthedocs.io/)**. ## Licença Publicado sob a [Licença Apache-2.0](LICENSE). ## Citação Se o OpenMed for útil na sua pesquisa, por favor, cite: ```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}, } ``` --- ## Histórico de estrelas Se o OpenMed for útil para você, uma estrela ajuda outros a descobri-lo.

---

Feito pela equipe OpenMed Site · Documentação · X / Twitter · LinkedIn