Evaluating interoperability and data quality in FHIR-based AI assessment pipelines

Abstract

Ми представляємо комплексну реалізацію та оцінювання конвеєра на основі стандарту Fast Healthcare Interoperability Resources (FHIR) для оцінювання стану пацієнта за допомогою ШІ, орієнтованого на пацієнта. У цьому конвеєрі симптоми, про які повідомляє пацієнт, надходять через FHIR-сумісний REST API як ресурси Observation, обробляються механізмом ШІ-інференсу та повертаються як структурований вивід FHIR (наприклад, ресурси Condition або DiagnosticReport). Ми провели синтетичне порівняльне дослідження з традиційним нестандартизованим підходом до обміну даними (як-от ad-hoc JSON або HL7 v2), вимірюючи ключові метрики: затримку передавання даних, повноту інформації та семантичну цілісність. Наші результати показують, що конвеєр FHIR забезпечує істотно вищу повноту та точність даних (фіксуючи майже всі потрібні поля з правильним кодуванням) порівняно зі застарілим форматом ціною лише помірного збільшення розміру корисного навантаження та часу оброблення. У числах підхід FHIR зберіг близько 95 % потрібних полів даних проти ~70 % для нестандартного конвеєра, що ілюструє користь стандартизованих профілів ресурсів. Ці результати узгоджуються з попередніми працями про конвеєри гармонізації даних на основі FHIR. Ми доходимо висновку, що використання стандартів FHIR істотно підвищує якість даних і взаємосумісність для оцінювання стану пацієнта за допомогою ШІ, надаючи повторно використовуваний зразок для розробників клінічних систем ШІ. Увесь код для діаграм конвеєра та графіків продуктивності (з використанням Graphviz, Mermaid, Matplotlib тощо) оприлюднено для підтримки відтворюваності.

We present a comprehensive implementation and evaluation of a Fast Healthcare Interoperability Resources (FHIR)– based pipeline for patient-facing AI assessment. In this pipeline, patient-reported symptoms are ingested via a FHIRcompliant REST API as Observation resources, processed by an AI inference engine, and returned as structured FHIR output (e.g. Condition or DiagnosticReport resources). We performed a synthetic comparative study against a traditional, non-standardized data exchange approach (such as ad-hoc JSON or HL7 v2), measuring key metrics: data transmission latency, information completeness, and semantic integrity. Our results show that the FHIR pipeline yields substantially higher data completeness and fidelity (capturing nearly all required fields with correct coding) compared to the legacy format, at the cost of only modest increases in payload size and processing time. In numbers, the FHIR approach retained about 95% of required data fields versus ~70% for the custom pipeline, illustrating the benefit of standardized resource profiles. These findings align with prior work on FHIR-enabled data harmonization pipelines. We conclude that using FHIR standards significantly enhances data quality and interoperability for AI-driven patient assessment, providing a reusable blueprint for clinical AI system developers. All code for pipeline diagrams and performance charts (using Graphviz, Mermaid, Matplotlib, etc.) is made available to support reproducibility.