# Не отправляйте медицинские данные в облако. Их можно обработать прямо на телефоне

- Site: VeraPoint News
- Section: Инструменты
- Date: 2026-06-12
- Canonical: https://verapointmedia.com/tools/maziyarpanahi-openmed/
- Markdown: https://verapointmedia.com/tools/maziyarpanahi-openmed.md
- Summary: OpenMed — это тысячи медицинских моделей для распознавания диагнозов, лекарств и удаления персональных данных, работающих локально на вашем устройстве. Без API и облаков.
- SEO title: maziyarpanahi openmed: практический разбор пользы и ограничений
- SEO description: OpenMed — это тысячи медицинских моделей для распознавания диагнозов, лекарств и удаления персональных данных, работающих локально на вашем устройстве. Без
- Target queries: maziyarpanahi openmed; maziyarpanahi openmed github; что такое maziyarpanahi openmed; как использовать maziyarpanahi openmed
- Tags: #openmed #healthcare-ai #on-device #mlx #privacy #pii-detection
- Image: https://verapointmedia.com/static/content-assets/tools/maziyarpanahi-openmed/cover.webp

## Sources

- https://github.com/maziyarpanahi/openmed
- https://openmed.life/
- https://pypi.org/project/openmed/
- https://img.shields.io/pypi/v/openmed?style=for-the-badge&label=PyPI&logo=pypi&logoColor=white&color=0D6E6E

---

На днях я наткнулась на репозиторий [OpenMed](https://github.com/maziyarpanahi/openmed), и меня зацепила не цифра в 3000 звёзд, а то, что он обещает сделать с медицинским текстом то, что мы обычно доверяем дорогим облачным API — но прямо на устройстве. Никакого интернета, никаких запросов наружу.

Звучит как что-то из мира «суверенного ИИ», о котором сейчас много говорят. Но здесь это не лозунг, а работающий код с вполне конкретной специализацией: извлечь из клинического текста названия болезней, лекарств, анатомических частей и одновременно вычистить из него паспортные данные, номера телефонов и прочую личную информацию.

Я решила покопаться и понять, где тут реальная польза, а где красивая упаковка.

## Если просто

Представьте, что у вас есть медицинская карта пациента. В ней написано: «Пациент Иванов И.И., 45 лет, принимает аторвастатин 20 мг, диагноз — гиперлипидемия, адрес: ул. Ленина, д. 5».

Для исследователя здесь ценность представляют «аторвастатин», «гиперлипидемия» и «20 мг». Юрист скажет, что «Иванов И.И.» и «ул. Ленина, д. 5» надо немедленно уничтожить. OpenMed делает и то, и другое, причём одним движением: текст залетает, а на выходе получается размеченный список медицинских сущностей и очищенный от персональных данных документ.

Главное здесь — слово «локально». Модель весом 434 мегабайта (это немного, примерно как одна серия сериала в хорошем качестве) скачивается один раз и дальше работает на вашем процессоре или видеокарте. Ни один байт текста пациента не уходит в интернет.

## Что это решает

Медицинский мир страдает от двух вещей: страха перед утечкой данных и дороговизны облачных API. Больницы боятся загружать истории болезней в тот же условный OpenAI или Amazon, потому что регулятор (HIPAA в США, GDPR в Европе, наши локальные законы) может прийти и больно ударить. А если данных много и они накапливаются годами, каждый запрос к облачному NLP-сервису складывается в счёт на тысячи долларов.

OpenMed предлагает другой путь: скачайте библиотеку, укажите папку с моделями, и всё. Данные физически не покидают контур больницы или ноутбук исследователя. Это называется air-gapped — то есть система изолирована от сети, как старая добрая дискета.

Библиотека закрывает три задачи:
- **NLP-разметка клинического текста** (Named Entity Recognition): выделить болезнь, препарат, дозировку, ген.
- **Обнаружение и удаление PII** (personally identifiable information): найти и замаскировать имя, дату рождения, адрес, номер социальной страховки.
- **Форматирование безопасной версии** документа для дальнейшей аналитики.

И всё это под лицензией Apache 2.0 — бери, используй, встраивай в свой коммерческий продукт.

## Как попробовать

Минимальный порог входа — уметь открыть терминал. Если у вас Python 3.10 или выше, вся установка выглядит так:

```bash
pip install "openmed[hf]"
```

Дальше — ровно три строчки кода, которые можно скопировать из README:

```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}")
```

Модель сама скачается с Hugging Face при первом запуске. Если Hugging Face недоступен или вам нужен совсем офлайн — можно заранее положить файлы в локальную папку и указать путь через `model_id`.

Для владельцев Mac на Apple Silicon (M1, M2, M3, M4) есть отдельный MLX-бекенд, который, по бенчмаркам авторов, ускоряет обработку в 24–33 раза по сравнению с PyTorch на CPU. Ставится командой `pip install "openmed[mlx]"`.

## 3 сценария с примерами

### 1. Исследователь-медик готовит датасет из выписок

**Задача:** У вас есть 10 тысяч клинических заметок, и нужно найти все упоминания определённого препарата и сопутствующих диагнозов для статистического анализа.

**Как применить:** Запускаете `BatchProcessor` из библиотеки, указываете модель `pharma_detection_superclinical`, кормите массив текстов. На выходе получаете структурированный JSON с извлечёнными лекарствами и привязкой к диагнозам.

**Что получится:** CSV-таблица с колонками «пациент ID», «препарат», «диагноз», «уверенность модели». Никакой возни с ручной разметкой и никакой отправки историй болезни в платный облачный сервис.

### 2. Разработчик медицинского приложения для iOS

**Задача:** Сделать фичу, которая позволяет врачу сфотографировать рукописную заметку и сразу получить на экране предупреждение: «У пациента аллергия на пенициллин, в заметке упоминается амоксициллин».

**Как применить:** Через Swift-пакет `OpenMedKit` модель встраивается прямо в iOS-приложение. После OCR-распознавания текст прогоняется через локальные модели на MLX, результат показывается интерфейсом.

**Что получится:** Никакого бекенда, никакой задержки на передачу по сети, и данные пациента никогда не покидают телефон врача.

### 3. Юридический отдел клиники готовит документы к аудиту

**Задача:** Передать внешним аудиторам истории болезни, но строго без персональных данных — ни имён, ни адресов, ни номеров полисов.

**Как применить:** Модель `pii_superclinical_large` заменяет все 18 типов идентификаторов (HIPAA Safe Harbor) на синтетические маски или реалистичные, но фейковые значения. На выходе — полностью анонимизированный текст с сохранением клинического смысла.

**Что получится:** Юридически чистый документ, готовый к передаче третьей стороне. И ни один пациент не узнает, что его историю вообще куда-то передавали, потому что вычищено всё.

## Где можно застрять

Первое, что бросилось в глаза: 1000+ моделей звучит грандиозно, но по факту значительная часть из них — это вариации на тему специализированного NER (извлечения сущностей) для разных языков и узких доменов. Не полноценный клинический ассистент, не система поддержки принятия решений, а мощный, но всё же однозадачный инструмент.

Второй момент: на CPU без MLX модели будут работать ощутимо медленнее. Авторы честно показывают график, где Apple Silicon обгоняет CPU-версию в 24–33 раза. Для больших объёмов данных (десятки гигабайт текста) вам понадобится либо Mac на M-чипе, либо CUDA-совместимая видеокарта.

Третье: 81 открытый issue на GitHub — это не критично для библиотеки такого размера, но говорит о том, что шероховатости есть. Часть касается совместимости версий, часть — документации. Для продакшена в крупной клинике я бы провела двойную валидацию на своих данных.

И самое важное: это не медицинский прибор и не диагностическая система. Модель не ставит диагноз, не интерпретирует анализы, не даёт рекомендаций. Она просто извлекает упомянутые в тексте сущности. Не путайте тёплое с мягким.

## Кому это нужно

- Data Scientist’ам в фарм-компаниях, которые устали платить за облачные API обработки клинических текстов.
- Разработчикам медицинских iOS-приложений — ради одного `OpenMedKit` стоит посмотреть репозиторий.
- Исследователям, работающим с конфиденциальными данными пациентов и не имеющим права передавать их третьим лицам.
- Всем, кто строит «суверенный ИИ» в здравоохранении и хочет Apache-2.0 вместо vendor lock-in.

## Кому это не нужно

- Если вы ищете полноценный медицинский чат-бот или систему постановки диагнозов — это не сюда. OpenMed не отвечает на вопросы, он размечает текст.
- Если вы не работаете с медицинскими данными — скорее всего, вам это просто не пригодится. Общий NER на новостях лучше делать другими инструментами.
- Если у вас сильная юридическая служба, которая всё равно требует сертификации FDA / CE для любого софта, контактирующего с клиникой. OpenMed — open-source библиотека, а не сертифицированный продукт.

## Вердикт Веры

Честно? Я не ожидала, что медицинский NLP, работающий полностью на устройстве, окажется настолько доступным. Обычно такие вещи требуют либо облака за деньги, либо PhD в ML и трёх месяцев на настройку.

Здесь — `pip install` и три строчки кода.

Да, это не волшебная таблетка. Это специализированный инструмент для конкретной задачи: извлечь и обезличить. Но в мире, где медицинские утечки стоят миллионы долларов штрафов и репутации, такая простота дорогого стоит. И 3000 звёзд на GitHub за три месяца с момента публикации — хороший сиг

## Что читать дальше

- [Все материалы про AI-агентов](/topics/ai-agents/)
- [Что такое AI-агент простыми словами](https://verapointmedia.com/guides/chto-takoe-ai-agent-prostymi-slovami/)
- [Все материалы про AI-инструменты](/topics/ai-tools/)
- [Как отличить рабочий AI-инструмент от красивой демки](https://verapointmedia.com/guides/kak-otlichit-rabochiy-ai-instrument-ot-krasivoy-demki/)

## Материалы

- [maziyarpanahi/openmed] maziyarpanahi/openmed: https://github.com/maziyarpanahi/openmed
- [openmed.life] supporting context: https://openmed.life/
- [pypi.org] supporting context: https://pypi.org/project/openmed/
- [img.shields.io] supporting context: https://img.shields.io/pypi/v/openmed?style=for-the-badge&label=PyPI&logo=pypi&logoColor=white&color=0D6E6E