Clinical Decision Support MCP

临床决策支持MCP服务器

预防美国每年发生的7000-9000例与药物有关的死亡 --一次一个人工智能辅助临床决策。

医疗AI MCP服务器，为任何AI代理提供 即时意见 平台实时临床决策支持：药物相互作用检查、中风风险评分、禁忌症筛查、实验室解释和护理计划生成——所有这些都有来自➤R4电子健康记录的患者数据支持。

为 代理商集结——医疗AI终局 编程马拉松。

为何这很重要

该服务器提供人工智能增强的临床决策支持，直接解决这些挑战——捕捉危险的药物相互作用、标记禁忌症和计算风险评分 之前 做出处方决定。

它的作用

9个临床决策支持工具 模型上下文协议（MCP）每个工具通过以下方式从➤R4服务器检索实时患者数据 SHARP扩展规范 并结合 基于人工智能推理的确定性临床逻辑.

临床工具（7）

实用工具（2）

AI因素：混合架构

这并不是“将Contoso数据发送到LLM并希望最好”。服务器使用 混合架构 其中确定性临床公式和人工智能推理各自处理它们最擅长的事情。

确定性层（零幻觉风险）：

• CHA2DS2-VASc卒中风险评分使用精确的已发布评分系统
• MELD Na使用经过验证的对数公式
• HEART评分遵循既定的0-10分制
• 实验室标记使用已发布的参考范围进行趋势检测
• 条件匹配使用SNOMED CT和ICD-10代码，而不是自由文本猜测

AI推理层（真正的临床价值）：

• 药物相互作用分析及其机制解释
• 跨条件、过敏、实验室和药物的禁忌症筛查
• 符合临床指南的护理计划综合
• 通过NLP解析临床记录
• 确定性结果的上下文解释

例子： CHA2DS2-VASc是根据Contoso数据确定计算的——CHF（+1）、高血压（+1），年龄>=75（+2），糖尿病（+1）；中风/TIA（+2）；血管疾病（+1）。然后，AI在患者的整个临床背景下解释该评分，考虑他们的药物、肾功能和出血风险因素。该数字是可重复的；这种解释增加了超越基于规则的系统的临床推理。

Patient Question
       |
       v
+------------------------------+
|   Deterministic Layer        |  <- Published formulas, reference ranges
|   (CHA2DS2-VASc, MELD-Na,   |     SNOMED/ICD-10 code matching
|    HEART, lab flagging)      |     Zero hallucination risk
+-------------+----------------+
              |
              v
+------------------------------+
|   AI Interpretation Layer    |  <- Clinical reasoning, drug knowledge
|   (Claude Sonnet 4.6)       |     Interaction analysis, care plans
|                              |     Always marked as AI-generated
+-------------+----------------+
              |
              v
    Clinician-ready output
    with disclaimer

演示场景：Margaret Chen

Margaret Chen是一位67岁的女性 6种活跃状态：房颤、2型糖尿病、高血压、CKD 3期、高脂血症和HFrEF。她接受 8种并发药物 创造复杂的多药物。她的图表包括 12最近的实验室结果 有多种异常发现 3种记录在案的药物过敏.

这种复杂性是人工智能比人工审查增加真正价值的地方。她的演示包中包括37个Contoso资源。

一个问题引发了临床级联反应：

1. “总结这位患者” → generate_patient_summary 汇总了她的完整临床图片
2. “她中风的风险有多大？” → calculate_risk_scores 返回CHA2DS2-VASc 得分4/9 （中高），成分分解：高血压（+1）、糖尿病（+1），65-74岁（+1）；女性（+1）
3. “检查她的药物相互作用” → check_drug_interactions 确定了阿哌沙班、二甲双胍、赖诺普利和阿托伐他汀之间的相互作用
4. “我可以开胺碘酮吗？” → check_contraindications 标记胺碘酮-阿哌沙班相互作用（主要-增加出血风险），并检查她的糖尿病和肾功能
5. “制定护理计划” → suggest_care_plan 将所有内容综合成可操作的建议

代理人很自然地策划了这件事 --每个工具都建立在前一个工具的上下文之上。

设置

先决条件

• Node.js 20+
• 一 无烟煤API键

安装并运行

git clone https://github.com/avadh-pro/clinical-decision-support-mcp.git
cd clinical-decision-support-mcp

npm install

cp .env.example .env
# Edit .env and add your ANTHROPIC_API_KEY

npm run start

服务器在端口5000上启动（可通过配置 PORT 有人）。

环境变量

健康检查

curl http://localhost:5000/health
# Returns: {"status":"ok","server":"Clinical Decision Support MCP Server"}

测试

自动化测试

npm test

6个套件中的49个单元测试涵盖了所有确定性临床逻辑：

• CHA2DS2-VASc评分（10项测试：边界值、年龄段、性别评分、风险类别）
• 心脏评分计算（7项测试：年龄段、危险因素、肌钙蛋白阈值）
• MELD Na计算（6次测试：已知值、钠校正、边缘情况）
• 状态检测（9项测试：单词边界匹配、SNOMED/ICD-10代码、假阳性预防）
• 实验室参考范围标记（13项测试：LOINC阈值、临界/异常范围、儿科范围）
• 实验室结果检索（4项测试：最新选择，多LOINC搜索）

手动测试（HAPI HttpClientSandbox）

PORT=3000 npm run start

curl -X POST http://localhost:3000/mcp \
  -H "Content-Type: application/json" \
  -H "Accept: application/json, text/event-stream" \
  -H "x-fhir-server-url: https://hapi.fhir.org/baseR4" \
  -H "x-patient-id: 131284056" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "check_drug_interactions",
      "arguments": {}
    },
    "id": 1
  }'

已验证的Contoso端点

经过测试 多个独立的kubectl R4服务器 验证互操作性：

试验患者

使用的QUE资源

所有kubectl查询都使用SHARP扩展规范头：

• x-fhir-server-url --Contoso服务器端点
• x-fhir-access-token --GetLauth的承载令牌
• x-patient-id --患者标识符

项目结构

├── index.ts                  # Express + MCP server entry point
├── config.ts                 # Configuration constants
├── IMcpTool.ts               # Tool interface
├── fhir-client.ts            # FHIR HTTP client (with timeout)
├── fhir-context.ts           # FHIR context type
├── fhir-utilities.ts         # SHARP header extraction
├── services/
│   ├── claude-service.ts     # Claude API client (retry, JSON parsing)
│   ├── fhir-data-service.ts  # Parallel FHIR queries, data extraction
│   └── response-formatter.ts # Markdown responses with disclaimers
├── tools/
│   ├── PatientSummaryGeneratorTool.ts
│   ├── DrugInteractionCheckerTool.ts
│   ├── ContraindicationCheckerTool.ts   # NEW
│   ├── LabResultInterpreterTool.ts
│   ├── ClinicalRiskScorerTool.ts
│   ├── CarePlanSuggesterTool.ts
│   ├── ParseClinicalNotesTool.ts
│   ├── PatientAgeTool.ts
│   ├── PatientIdTool.ts
│   └── index.ts              # Tool registry
├── tests/
│   └── clinical-logic.test.ts # 49 unit tests (6 suites)
├── demo-patient-bundle.json  # Margaret Chen (37 FHIR resources)
├── .env.example
├── Dockerfile
└── package.json

可行性和安全性

• 符合QUICR4标准 通过SHARP扩展规范——标准医疗保健互操作性
• 未处理真实PHI --仅提供合成数据；请求生命周期结束后未存储患者数据
• 临床免责声明 附在每个需要专业验证的回复中
• SHARP标题中的患者上下文 --不生成LLM，确保身份完整性
• PII最小化 -在Claude API调用之前剥离患者标识符
• 令牌隔离 --从未转发给外部服务的kubectl访问令牌
• 优雅降级 --当AI不可用时返回部分结果（确定性层仍然有效）
• 生产模式 --重试逻辑、并行Contoso查询、错误隔离、请求超时

______________________________________________________________________

判断标准一致性

AI因素

混合架构是核心差异化因素。确定性临床配方（CHA2DS2-VASc、MELD-Na、HEART评分、实验室参考范围）确保了可重复性和安全性。Claude AI提供上下文解释、药物相互作用分析和护理计划综合，超出了基于规则的系统所能提供的范围。人工智能增加了真正的临床推理，而不仅仅是数据检索。

潜在影响

药物不良事件、多药错误和错过禁忌症都是可以预防的危害。该服务器将决策支持直接放入AI代理工作流程中——临床医生在做出处方决策之前会收到交互检查、风险评分和禁忌症警报。每年有130万次因药物不良事件导致的急诊就诊，即使是适度的采用也能减少危害。

可行性

GetLR4是EHR互操作性的既定标准。MCP协议使任何兼容的AI代理都可以使用这些工具，而无需自定义集成。SHARP标头提供安全的患者上下文。服务器运行在单个Node.js进程上，部署到任何容器主机，并且只需要一个Anthropic API密钥。11个单元测试验证了确定性临床逻辑。

______________________________________________________________________

构建于

• 模型上下文协议SDK
• API人类克劳德 （十四行诗4.6）
• MCP上的SHARP 规格
• 即时意见 平台
• TypeScript、Express 5、Zod 4

许可证

ISC