Agentische FHIR Implementation Guide-Entwicklung

FHIR Implementation Guides (IGs) sind umfassende Spezifikationen, die erläutern, wie FHIR für spezifische Anforderungen im Gesundheitswesen eingesetzt werden soll – von nationalen Patientenprofilen bis hin zu spezialisierten klinischen Arbeitsabläufen. Sie legen fest, welche Ressourcen verwendet werden sollen, welche Codes einzuschließen sind und wie sich Systeme verhalten sollen, damit Daten reibungslos zwischen Organisationen ausgetauscht werden können.

Heute ist die Entwicklung eines IG nach wie vor eine hochgradig technische Aufgabe. Sie erfordert die Erstellung von CodeSystems, ValueSets, StructureDefinitions und Extensions, die anschließend als kohärente, validierte Spezifikation veröffentlicht werden müssen. Der Prozess ist komplex und verzögert Projekte häufig erheblich.

Dieser Artikel beleuchtet einen neuen Ansatz: den Einsatz von KI-Agenten, um FHIR Implementation Guides direkt aus natürlicher Sprache zu generieren und zu testen. Das Ziel ist es, die Guide-Entwicklung schneller, einfacher und zugänglicher zu gestalten – nicht nur für technische Spezialisten, sondern auch für Kliniker, Forscher und politische Entscheidungsträger, die den medizinischen Kontext verstehen, aber keinen JSON-Code schreiben möchten.

Die Herausforderungen bei der FHIR IG-Entwicklung

Wer mit FHIR gearbeitet hat, kennt die Schwierigkeiten. Das Erstellen kanonischer Ressourcen – der Bausteine der Interoperabilität im Gesundheitswesen – ist komplex. JSON-Dateien sind umfangreich, die Einschränkungen sind vielschichtig, und die Lernkurve ist steil genug, um selbst erfahrene Entwickler an ihrer Berufswahl zweifeln zu lassen.

Aufgrund dieser Komplexität hat die Community Werkzeuge entwickelt, um den Prozess zu vereinfachen. Eines davon ist FHIR Shorthand (FSH) – eine kompaktere und besser lesbare Sprache im Vergleich zu rohem JSON. Dennoch müssen Entwickler eine weitere Syntax erlernen und die Feinheiten der zugrundeliegenden FHIR-Architektur verstehen.

Die traditionelle IG-Publishing-Pipeline

Selbst mit FSH ist die Erstellung eines IG noch immer ein komplexer und fehleranfälliger Prozess. Der typische Arbeitsablauf sieht folgendermaßen aus:

• FSH-Dateien schreiben – Ressourcen in der FHIR Shorthand-Syntax definieren
• SUSHI ausführen – FSH-Dateien in FHIR JSON-Ressourcen kompilieren
• Kompilierungsfehler beheben – Syntaxprobleme und Einschränkungsverletzungen debuggen
• IG Publisher ausführen – HTML-Dokumentation generieren und abschließende Validierung durchführen
• Fehler iterativ beheben – Validierungsfehler adressieren und neu veröffentlichen
• Manuelles Testen – Überprüfen, ob Ressourcen in den Zielsystemen funktionieren

Diese mehrstufige Pipeline erfordert fundierte Kenntnisse mehrerer Werkzeuge: FSH-Syntax, SUSHI-Kompilierung, IG Publisher-Konfiguration und FHIR-Validierungsregeln. Das Ergebnis ist ein Prozess, der Barrieren schafft, die Gesundheitsexperten von der direkten Mitwirkung ausschließen.

Welche Alternativen gibt es also zu diesem konventionellen, werkzeugintensiven Ansatz? Jüngste Fortschritte im Bereich der KI bieten möglicherweise einen Weg, die IG-Entwicklung und -Testung neu zu denken.

Die KI-gestützte Lösung

Was wäre, wenn wir diese Übersetzungsschicht eliminieren könnten? Stellen Sie sich vor, Gesundheitsexperten beschreiben ihre Anforderungen in natürlicher Sprache, und KI generiert automatisch produktionsreife FHIR-Ressourcen.

Jüngste Fortschritte bei Large Language Models (LLMs) machen dies möglich. Moderne KI kann:

• Domänenkontexte verstehen: Beschreibungen von Anforderungen im Gesundheitswesen in natürlicher Sprache lesen
• Strukturierte Ausgaben generieren: Valides FHIR JSON direkt aus Spezifikationen erstellen
• Best Practices anwenden: Sicherstellen, dass generierte Ressourcen FHIR-Konventionen und Implementierungsrichtlinien folgen
• Schnell iterieren: Rasche Anpassungen auf Basis von Rückmeldungen ermöglichen, ohne manuelles JSON-Editing

Die zentrale Erkenntnis ist, dass KI die Lücke zwischen menschlicher Absicht und technischer Umsetzung schließen kann – genau das, was wir bei der Entwicklung von FHIR Implementation Guides benötigen. Dies bedeutet, den technischen Aufwand zu reduzieren und sowohl Entwicklern als auch Gesundheitsexperten eine direkte Mitwirkung zu ermöglichen.

Den Kreislauf schließen: Sofortige Validierung mit Aidbox

FHIR-Ressourcen zu generieren ist nur die halbe Miete. Die eigentliche Stärke entfaltet sich, wenn KI-Agenten ihre Ergebnisse sofort gegen einen Live-FHIR-Server testen können und so einen schnellen Feedback-Kreislauf für kontinuierliche Verfeinerungen schaffen.

Der Aidbox FHIR-Server macht dies möglich, indem er Folgendes bietet:

• Sofortige Ressourcenvalidierung: KI-generierte Ressourcen werden unmittelbar gegen FHIR-Spezifikationen validiert
• Echtzeit-Feedback: Validierungsfehler werden sofort erkannt, sodass der KI-Agent Probleme umgehend beheben kann
• Eine Live-Testumgebung: Ressourcen können in Echtzeit erstellt, aktualisiert und getestet werden, ohne auf Deployments warten zu müssen
• Standardkonformität: Alle Ressourcen erfüllen die FHIR R4+-Anforderungen, bevor sie finalisiert werden

Dies schafft einen leistungsstarken Entwicklungszyklus:

• KI generiert FHIR-Ressourcen aus natürlicher Sprache
• Aidbox validiert die Ressourcen sofort über die REST API
• KI verfeinert auf Basis des Validierungs-Feedbacks
• Der Prozess wiederholt sich, bis vollständige Konformität erreicht ist

Das Ergebnis ist Feedback innerhalb von Sekunden, schnellere Entwicklung bei gleichzeitiger Gewährleistung klinischer Genauigkeit und technischer Konformität.

Beispielprojekt zur IG-Entwicklung: Github

Um zu sehen, wie dies in der Praxis funktioniert, betrachten wir ein Beispielprojekt.

Kollaborativer KI-Mensch-Entwicklungsworkflow

Initialer KI-Prompt:

Erstelle eine MD-Datei für ein CodeSystem, das biologische Geschlechtscodes enthält: 1 für männlich, 2 für weiblich, 3 für Intersex, 93 für „nicht gemeldet" bei Aktualisierungen des Zivilregisters und 99 für unbekannte Fälle.

Die KI generiert eine strukturierte Markdown-Datei wie src/CS/CSSexoBiologico.MD, und Sie iterieren daran, bis sie korrekt aussieht. Sobald Sie mit der Markdown-Spezifikation zufrieden sind, bitten Sie die KI einfach, „eine FHIR-Ressource für das CSSexoBiologico-CodeSystem zu erstellen", und sie konvertiert diese in eine FHIR JSON-Ressource im Ordner target/: target/CSSexoBiologico.json.

Soforttests mit Aidbox-Integration

Hier kommt die Validierung ins Spiel. Die KI kann die generierten Ressourcen sofort mithilfe der Befehle von Claude Code und .http-Dateien testen.

Mit Claude Code können Sie einfach ausführen:

/test-cs CSSexoBiologico

Dies löst den benutzerdefinierten Claude-Befehl aus, der in .claude/commands/test-cs.md definiert ist und der:

• Die CodeSystem-Struktur aus src/CS/CSSexoBiologico.MD untersucht
• Die FHIR-Konformität gegen das generierte JSON in target/CSSexoBiologico.json validiert
• Den Aidbox FHIR-Server bei Bedarf startet (docker-compose up -d)
• Umfassende Test-Suites in test/CS/ erstellt oder ausführt
• Validierungsergebnisse und Empfehlungen ausgibt

Generierte Testdatei (test/CS/test-CSSexoBiologico.http):

@fhirServer = http://localhost:8080/fhir
@auth = Basic basic:secret

### Create CSSexoBiologico CodeSystem
PUT {{fhirServer}}/CodeSystem/CSSexoBiologico
Authorization: {{auth}}
Content-Type: application/json

< ../../target/CSSexoBiologico.json

### Test $lookup operation for code "1" (Male)
GET {{fhirServer}}/CodeSystem/$lookup?system=https://interoperability.testcompany.cl/CodeSystem/CSSexoBiologico&code=1
Authorization: {{auth}}

### Test $lookup operation for code "2" (Female)
GET {{fhirServer}}/CodeSystem/$lookup?system=https://interoperability.testcompany.cl/CodeSystem/CSSexoBiologico&code=2
Authorization: {{auth}}

... Other tests ...

### Test $lookup operation for invalid code "999"
GET {{fhirServer}}/CodeSystem/$lookup?system=https://interoperability.testcompany.cl/CodeSystem/CSSexoBiologico&code=999
Authorization: {{auth}}

### Verify CodeSystem was created
GET {{fhirServer}}/CodeSystem/CSSexoBiologico
Authorization: {{auth}}

### Delete CSSexoBiologico CodeSystem
DELETE {{fhirServer}}/CodeSystem/CSSexoBiologico
Authorization: {{auth}}

Dieses Setup ermöglicht es Entwicklern und Domänenexperten, Ressourcen schnell zu validieren, ihr Verhalten auf einem Live-Server zu beobachten und sie zu verfeinern, ohne den Arbeitsablauf verlassen zu müssen.

Skalierung zu einem vollständigen Implementation Guide

Derselbe KI-gestützte Ansatz kann auf alle FHIR-Ressourcentypen angewendet werden, die für einen vollständigen Implementation Guide benötigt werden:

• ValueSets: KI generiert umfassende Terminologiemengen und validiert sie mithilfe von $expand- und $validate-code-Operationen, um Regeln zur Code-Inklusion und -Exklusion zu testen (siehe test-vs-Befehl | Testdatei).
• Profile: KI erstellt eingeschränkte Patientenressourcen mit Extensions und validiert anschließend alle Profileinschränkungen, einschließlich Kardinalität, Datentypen und Terminologiebindungen (siehe test-profile-Befehl | Testdatei).
• Extensions: KI definiert wiederverwendbare Datenelemente mit geeigneten Bindungsstärken und validiert deren Integration in Basisressourcen.

Jeder Ressourcentyp folgt demselben Muster: Anforderungen in natürlicher Sprache beschreiben → KI generiert Markdown → Konvertierung in FHIR JSON → sofortige Validierung in Aidbox.

Damit ist es möglich, von einem einzelnen CodeSystem zu einem vollständigen, produktionsreifen Implementation Guide zu skalieren.

Den Implementation Guide veröffentlichen

Sobald alle Ressourcen validiert sind, ist der letzte Schritt die Veröffentlichung des vollständigen Guides. Dies umfasst in der Regel:

• publish-ig-Befehl – Generiert die HTML-Dokumentation
• view-ig-Befehl – Lokale Vorschau des veröffentlichten IG

Zusammen erzeugen diese Schritte einen vollständigen Satz an Dokumentation und Ressourcen, der zur Verwendung und Verteilung bereit ist.

Der vollständige KI-gestützte Workflow

An diesem Punkt fügt sich der gesamte Zyklus zusammen:

• KI generiert Markdown-Dokumentation aus natürlicher Sprache
• KI konvertiert Markdown in valide FHIR JSON-Ressourcen
• KI erstellt umfassende Test-Suites für alle Ressourcentypen
• Aidbox validiert Ressourcen in Echtzeit über die REST API
• KI verfeinert auf Basis des Validierungs-Feedbacks
• IG Publisher generiert die abschließende Dokumentation

Einschränkungen und der Weg nach vorn

Die KI-gestützte IG-Entwicklung ist noch eine aufkommende Praxis. Obwohl sie bereits repetitive Arbeit reduzieren und Feedback-Schleifen verkürzen kann, gibt es Bereiche, die sorgfältige Aufmerksamkeit erfordern:

• Klinische Genauigkeit – KI kann technisch valide Ressourcen generieren, aber menschliche Experten müssen sicherstellen, dass diese die korrekten klinischen und fachpolitischen Anforderungen widerspiegeln.
• Komplexe Einschränkungen – nicht alle erweiterten Regeln oder Invarianten lassen sich einfach aus Prompts in natürlicher Sprache ableiten. Manche erfordern nach wie vor Expertenwissen.
• Community-Akzeptanz – ein Implementation Guide ist nur dann wertvoll, wenn er von seiner Community akzeptiert und eingesetzt wird. KI kann helfen, IGs schneller zu erstellen, aber der Prozess der Konsensbildung bleibt eine menschliche Aufgabe.

Künftig sehen wir eine Zukunft, in der Gesundheitsexperten und Entwickler Seite an Seite mit KI-Agenten arbeiten: Experten beschreiben die Intention, KI erstellt den ersten Entwurf, und beide verfeinern das Ergebnis gemeinsam. Dies würde die Entwicklung von Implementation Guides integrativer, schneller und näher an realen Anforderungen machen.

Möchten Sie dies in der Praxis sehen?

Der gesamte Quellcode ist im Repository agentic-coding-ig-development verfügbar. Sie können die Workflows erkunden, die Befehle ausführen und Schritt für Schritt testen, wie die KI-gestützte IG-Entwicklung funktioniert.

Wir sind überzeugt, dass dieser Ansatz erst der Anfang ist. Durch die Kombination von Domänenwissen, moderner KI und Werkzeugen wie Aidbox können Implementation Guides schneller, mit geringerem Aufwand und unter breiterer Beteiligung der Gesundheitscommunity entwickelt werden.

Probieren Sie es selbst mit Aidbox aus: Starten Sie einen FHIR-Server, führen Sie den Validierungszyklus aus und sehen Sie, wie KI Ressourcen in wenigen Minuten generieren und testen kann. Starten Sie noch heute und teilen Sie Ihre Erfahrungen – Ihr Feedback wird dazu beitragen, die Zukunft der KI-gestützten FHIR-Entwicklung zu gestalten.