Beispiele von Amazon Comprehend Medical mit AWS CLI - AWS SDKCode-Beispiele
Aktionen

Weitere AWS SDK Beispiele sind im Repo AWS Doc SDK Examples GitHub verfügbar.

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Beispiele von Amazon Comprehend Medical mit AWS CLI

Die folgenden Codebeispiele zeigen Ihnen, wie Sie mithilfe von Amazon Comprehend Medical Aktionen ausführen und allgemeine Szenarien implementieren. AWS Command Line Interface

Aktionen sind Codeauszüge aus größeren Programmen und müssen im Kontext ausgeführt werden. Aktionen zeigen Ihnen zwar, wie Sie einzelne Servicefunktionen aufrufen, aber Sie können Aktionen im Kontext der zugehörigen Szenarien sehen.

Jedes Beispiel enthält einen Link zum vollständigen Quellcode, in dem Sie Anweisungen zum Einrichten und Ausführen des Codes im Kontext finden.

Themen

Aktionen

Das folgende Codebeispiel zeigt die Verwendungdescribe-entities-detection-v2-job.

AWS CLI

Um einen Job zur Erkennung von Entitäten zu beschreiben

Im folgenden describe-entities-detection-v2-job Beispiel werden die Eigenschaften eines asynchronen Entitätserkennungsauftrags angezeigt.

aws comprehendmedical describe-entities-detection-v2-job \
    --job-id "ab9887877365fe70299089371c043b96"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "ab9887877365fe70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-18T21:20:15.614000+00:00",
        "EndTime": "2020-03-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-07-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "DetectEntitiesModelV20190930"
    }
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendung. describe-icd10-cm-inference-job

AWS CLI

Um einen ICD -10-CM-Inferenzjob zu beschreiben

Das folgende describe-icd10-cm-inference-job Beispiel beschreibt die Eigenschaften des angeforderten Inferenzjobs mit der angegebenen Job-ID.

aws comprehendmedical describe-icd10-cm-inference-job \
    --job-id "5780034166536cdb52ffa3295a1b00a7"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "5780034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt, wie mandescribe-phi-detection-job.

AWS CLI

Um einen PHI Erkennungsjob zu beschreiben

Im folgenden describe-phi-detection-job Beispiel werden die Eigenschaften eines asynchronen Erkennungsauftrags für geschützte Gesundheitsinformationen (PHI) angezeigt.

aws comprehendmedical describe-phi-detection-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "4750034166536cdb52ffa3295a1b00a3",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
        "EndTime": "2020-03-19T20:45:07.894000+00:00",
        "ExpirationTime": "2020-07-17T20:38:37+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "PHIModelV20190903"
    }
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungdescribe-rx-norm-inference-job.

AWS CLI

Um einen RxNorm Inferenzjob zu beschreiben

Das folgende describe-rx-norm-inference-job Beispiel beschreibt die Eigenschaften des angeforderten Inferenzjobs mit der angegebenen Job-ID.

aws comprehendmedical describe-rx-norm-inference-job \
    --job-id "eg8199877365fc70299089371c043b96"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "g8199877365fc70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "0.0.0"
    }
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungdescribe-snomedct-inference-job.

AWS CLI

Um einen SNOMED CT-Inferenzjob zu beschreiben

Das folgende describe-snomedct-inference-job Beispiel beschreibt die Eigenschaften des angeforderten Inferenzjobs mit der angegebenen Job-ID.

aws comprehendmedical describe-snomedct-inference-job \
    --job-id "2630034166536cdb52ffa3295a1b00a7"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "2630034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2021-12-18T21:20:15.614000+00:00",
        "EndTime": "2021-12-18T21:27:07.350000+00:00",
        "ExpirationTime": "2022-05-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungdetect-entities-v2.

AWS CLI

Beispiel 1: Um Entitäten direkt aus Text zu erkennen

Das folgende detect-entities-v2 Beispiel zeigt die erkannten Entitäten und beschriftet sie nach Typ direkt aus dem eingegebenen Text.

aws comprehendmedical detect-entities-v2 \
    --text "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."

Ausgabe:

{
    "Id": 0,
    "BeginOffset": 38,
    "EndOffset": 47,
    "Score": 0.9942955374717712,
    "Text": "Clonidine",
    "Category": "MEDICATION",
    "Type": "GENERIC_NAME",
    "Traits": []
}

Weitere Informationen finden Sie unter Detect Entities Version 2 im Amazon Comprehend Medical Developer Guide.

Beispiel 2: So erkennen Sie Entitäten anhand eines Dateipfads

Das folgende detect-entities-v2 Beispiel zeigt die erkannten Entitäten und kennzeichnet sie anhand eines Dateipfads nach Typ.

aws comprehendmedical detect-entities-v2 \
    --text file://medical_entities.txt

Inhalt von medical_entities.txt:

{
    "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."
}

Ausgabe:

{
    "Id": 0,
    "BeginOffset": 38,
    "EndOffset": 47,
    "Score": 0.9942955374717712,
    "Text": "Clonidine",
    "Category": "MEDICATION",
    "Type": "GENERIC_NAME",
    "Traits": []
}

Weitere Informationen finden Sie unter Detect Entities Version 2 im Amazon Comprehend Medical Developer Guide.

  • APIEinzelheiten finden Sie unter DetectEntitiesV2 in der AWS CLI Befehlsreferenz.

Das folgende Codebeispiel zeigt die Verwendungdetect-phi.

AWS CLI

Beispiel 1: Um geschützte Gesundheitsinformationen (PHI) direkt aus Text zu erkennen

Im folgenden detect-phi Beispiel werden die erkannten Entitäten mit geschützten Gesundheitsinformationen (PHI) direkt aus dem Eingabetext angezeigt.

aws comprehendmedical detect-phi \
    --text "Patient Carlos Salazar presented with rash on his upper extremities and dry cough. He lives at 100 Main Street, Anytown, USA where he works from his home as a carpenter."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Detect PHI im Amazon Comprehend Medical Developer Guide.

Beispiel 2: So erkennen Sie Protect Health Information (PHI) direkt aus einem Dateipfad

Das folgende detect-phi Beispiel zeigt die erkannten Entitäten mit geschützten Gesundheitsinformationen (PHI) aus einem Dateipfad.

aws comprehendmedical detect-phi \
    --text file://phi.txt

Inhalt von phi.txt:

"Patient Carlos Salazar presented with a rash on his upper extremities and a dry cough. He lives at 100 Main Street, Anytown, USA, where he works from his home as a carpenter."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Detect PHI im Amazon Comprehend Medical Developer Guide.

  • APIEinzelheiten finden Sie DetectPhiin der AWS CLI Befehlsreferenz.

Das folgende Codebeispiel zeigt die Verwendunginfer-icd10-cm.

AWS CLI

Beispiel 1: Um Entitäten für medizinische Erkrankungen zu erkennen und direkt aus dem Text eine Verknüpfung zur ICD -10-CM-Ontologie herzustellen

Das folgende infer-icd10-cm Beispiel kennzeichnet die Entitäten für den erkannten Gesundheitszustand und verknüpft diese Entitäten mit Codes in der Ausgabe 2019 der International Classification of Diseases Clinical Modification (ICD-10-CM).

aws comprehendmedical infer-icd10-cm \
    --text "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

Weitere Informationen finden Sie unter Infer ICD1 0-CM im Amazon Comprehend Medical Developer Guide.

Beispiel 2: Um Entitäten für medizinische Erkrankungen zu erkennen und von einem Dateipfad aus eine Verknüpfung zur ICD -10-CM-Ontologie herzustellen

Das folgende infer-icd-10-cm Beispiel kennzeichnet die Entitäten für den erkannten Gesundheitszustand und verknüpft diese Entitäten mit Codes in der Ausgabe 2019 der International Classification of Diseases Clinical Modification (ICD-10-CM).

aws comprehendmedical infer-icd10-cm \
    --text file://icd10cm.txt

Inhalt von icd10cm.txt:

{
    "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."
}

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

Weitere Informationen finden Sie unter ICD1Infer-0-CM im Amazon Comprehend Medical Developer Guide.

  • APIEinzelheiten finden Sie unter InferIcd10Cm in der Befehlsreferenz.AWS CLI

Das folgende Codebeispiel zeigt die Verwendunginfer-rx-norm.

AWS CLI

Beispiel 1: Um Entitäten von Medikamenten zu erkennen und RxNorm direkt aus dem Text zu verlinken

Das folgende infer-rx-norm Beispiel zeigt und beschriftet die erkannten Arzneimittelentitäten und verknüpft diese Entitäten mit Konzeptkennungen (RxCUI) aus der Datenbank der National Library of Medicine RxNorm .

aws comprehendmedical infer-rx-norm \
    --text "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Infer RxNorm im Amazon Comprehend Medical Developer Guide.

Beispiel 2: Um Entitäten für Medikamente zu erkennen und von einem Dateipfad RxNorm aus eine Verknüpfung herzustellen.

Das folgende infer-rx-norm Beispiel zeigt und beschriftet die erkannten Arzneimittelentitäten und verknüpft diese Entitäten mit Konzeptkennungen (RxCUI) aus der Datenbank der National Library of Medicine RxNorm .

aws comprehendmedical infer-rx-norm \
    --text file://rxnorm.txt

Inhalt von rxnorm.txt:

{
    "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."
}

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Infer RxNorm im Amazon Comprehend Medical Developer Guide.

  • APIEinzelheiten finden Sie InferRxNormin AWS CLI der Befehlsreferenz.

Das folgende Codebeispiel zeigt die Verwendunginfer-snomedct.

AWS CLI

Beispiel: Um Entitäten zu erkennen und direkt aus dem Text auf die SNOMED CT-Ontologie zu verlinken

Das folgende infer-snomedct Beispiel zeigt, wie medizinische Entitäten erkannt und mit Konzepten aus der Version 2021-03 der Systematized Nomenclature of Medicine, Clinical Terms (CT) verknüpft werden. SNOMED

aws comprehendmedical infer-snomedct \
    --text "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."

Ausgabe:

{
    "Entities": [
        {
            "Id": 3,
            "BeginOffset": 26,
            "EndOffset": 40,
            "Score": 0.9598260521888733,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6819021701812744
                }
            ]
        },
        {
            "Id": 4,
            "BeginOffset": 73,
            "EndOffset": 81,
            "Score": 0.9905840158462524,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9255214333534241
                }
            ]
        },
        {
            "Id": 1,
            "BeginOffset": 95,
            "EndOffset": 104,
            "Score": 0.6371926665306091,
            "Text": "Micronase",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Traits": [],
            "Attributes": [
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9761165380477905,
                    "RelationshipScore": 0.9984188079833984,
                    "RelationshipType": "FREQUENCY",
                    "Id": 2,
                    "BeginOffset": 105,
                    "EndOffset": 110,
                    "Text": "daily",
                    "Category": "MEDICATION",
                    "Traits": []
                }
            ]
        }
    ],
    "UnmappedAttributes": [],
    "ModelVersion": "1.0.0"
}

Weitere Informationen finden Sie unter Infer SNOMEDCT im Amazon Comprehend Medical Developer Guide.

  • APIEinzelheiten finden Sie InferSnomedctin AWS CLI der Befehlsreferenz.

Das folgende Codebeispiel zeigt die Verwendunglist-entities-detection-v2-jobs.

AWS CLI

Um Jobs zur Erkennung von Entitäten aufzulisten

Das folgende list-entities-detection-v2-jobs Beispiel listet aktuelle asynchrone Erkennungsaufträge auf.

aws comprehendmedical list-entities-detection-v2-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "ab9887877365fe70299089371c043b96",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "DetectEntitiesModelV20190930"
        }
    ]
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendung. list-icd10-cm-inference-jobs

AWS CLI

Um alle aktuellen ICD -10-CM-Inferenzjobs aufzulisten

Das folgende Beispiel zeigt, wie der list-icd10-cm-inference-jobs Vorgang eine Liste aktueller asynchroner ICD -10-CM-Batchinferenzjobs zurückgibt.

aws comprehendmedical list-icd10-cm-inference-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt, wie manlist-phi-detection-jobs.

AWS CLI

Um Jobs zur Erkennung geschützter Gesundheitsinformationen (PHI) aufzulisten

Im folgenden list-phi-detection-jobs Beispiel werden aktuelle Aufträge zur Erkennung geschützter Gesundheitsinformationen (PHI) aufgeführt

aws comprehendmedical list-phi-detection-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4750034166536cdb52ffa3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "PHIModelV20190903"
        }
    ]
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendunglist-rx-norm-inference-jobs.

AWS CLI

Um alle aktuellen Rx-Norm-Inferenzjobs aufzulisten

Das folgende Beispiel zeigt, wie eine Liste aktueller asynchroner Rx-Norm-Batchinferenzjobs list-rx-norm-inference-jobs zurückgegeben wird.

aws comprehendmedical list-rx-norm-inference-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4980034166536cfb52gga3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "0.0.0"
        }
    ]
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendunglist-snomedct-inference-jobs.

AWS CLI

Um alle SNOMED CT-Inferenzjobs aufzulisten

Das folgende Beispiel zeigt, wie der list-snomedct-inference-jobs Vorgang eine Liste der aktuellen asynchronen SNOMED CT-Batch-Inferenzjobs zurückgibt.

aws comprehendmedical list-snomedct-inference-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungstart-entities-detection-v2-job.

AWS CLI

Um einen Job zur Erkennung von Entitäten zu starten

Im folgenden start-entities-detection-v2-job Beispiel wird ein asynchroner Auftrag zur Erkennung von Entitäten gestartet.

aws comprehendmedical start-entities-detection-v2-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendung. start-icd10-cm-inference-job

AWS CLI

Um einen ICD -10-CM-Inferenzjob zu starten

Im folgenden start-icd10-cm-inference-job Beispiel wird ein Batch-Analyseauftrag für Inferenzen mit ICD -10-CM gestartet.

aws comprehendmedical start-icd10-cm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt, wie manstart-phi-detection-job.

AWS CLI

Um einen PHI Erkennungsauftrag zu starten

Im folgenden start-phi-detection-job Beispiel wird ein asynchroner PHI Entitätserkennungsauftrag gestartet.

aws comprehendmedical start-phi-detection-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungstart-rx-norm-inference-job.

AWS CLI

Um einen RxNorm Inferenzjob zu starten

Im folgenden start-rx-norm-inference-job Beispiel wird ein Auftrag zur Batch-Analyse von RxNorm Inferenzen gestartet.

aws comprehendmedical start-rx-norm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungstart-snomedct-inference-job.

AWS CLI

Um einen SNOMED CT-Inferenzjob zu starten

Im folgenden start-snomedct-inference-job Beispiel wird ein Batch-Analyseauftrag für SNOMED CT-Inferenzen gestartet.

aws comprehendmedical start-snomedct-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungstop-entities-detection-v2-job.

AWS CLI

Um einen Job zur Entitätserkennung zu beenden

Im folgenden stop-entities-detection-v2-job Beispiel wird ein asynchroner Entitätserkennungsauftrag beendet.

aws comprehendmedical stop-entities-detection-v2-job \
    --job-id "ab9887877365fe70299089371c043b96"

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendung. stop-icd10-cm-inference-job

AWS CLI

Um einen ICD -10-CM-Inferenzjob zu beenden

Im folgenden stop-icd10-cm-inference-job Beispiel wird ein Batch-Analyseauftrag mit einer ICD Inferenz von -10 CM beendet.

aws comprehendmedical stop-icd10-cm-inference-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

Ausgabe:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt, wie manstop-phi-detection-job.

AWS CLI

Um einen Job zur Erkennung geschützter Gesundheitsinformationen (PHI) zu beenden

Im folgenden stop-phi-detection-job Beispiel wird ein asynchroner Erkennungsauftrag für geschützte Gesundheitsinformationen (PHI) beendet.

aws comprehendmedical stop-phi-detection-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungstop-rx-norm-inference-job.

AWS CLI

Um einen RxNorm Inferenzjob zu beenden

Im folgenden stop-rx-norm-inference-job Beispiel wird ein ICD Batch-Analyseauftrag für Inferenzen mit einem Wert von -10 CM beendet.

aws comprehendmedical stop-rx-norm-inference-job \
    --job-id "eg8199877365fc70299089371c043b96"

Ausgabe:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.

Das folgende Codebeispiel zeigt die Verwendungstop-snomedct-inference-job.

AWS CLI

Um einen SNOMED CT-Inferenzjob zu beenden

Im folgenden stop-snomedct-inference-job Beispiel wird ein Auftrag zur Batch-Analyse von SNOMED CT-Inferenzen beendet.

aws comprehendmedical stop-snomedct-inference-job \
    --job-id "8750034166436cdb52ffa3295a1b00a1"

Ausgabe:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.