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.

Wie Amazon Comprehend Medical funktioniert

Amazon Comprehend Medical verwendet ein vortrainiertes NLP-Modell (Natural Language Processing), um unstrukturierten klinischen Text durch Entitätserkennung zu analysieren. Ein Unternehmen ist ein textueller Verweis auf medizinische Informationen wie Erkrankungen, Medikamente oder geschützte Gesundheitsinformationen (PHI). Einige Operationen gehen noch einen Schritt weiter, indem sie Entitäten erkennen und diese Entitäten dann mit standardisierten Ontologien verbinden. Das Modell wird kontinuierlich in einer Vielzahl von medizinischen Texten geschult, sodass Sie keine Trainingsdaten angeben müssen. Alle Ergebnisse enthalten einen Konfidenzwert, der auf das Vertrauen hinweist, das Amazon Comprehend Medical in die Genauigkeit der erkannten Entitäten hat.

Sowohl die Entitätserkennung als auch die Ontologieverknüpfung können entweder als synchrone oder asynchrone Operationen durchgeführt werden:

Synchrone Entity-Erk

DiedetectEntitiesV2unddetectPhiOperationen erkennen Entitäten in unstrukturiertem klinischen Text aus einzelnen Dokumenten. Sie senden ein Dokument an den Amazon Comprehend Medical Service und erhalten die Ergebnisse der Analyse in der Antwort.

Asynchrone Chargenanalyse

DieStartentitiesDetectionV2JobundStartphiDetectionJobOperationen beginnen asynchrone Jobs, um Verweise auf medizinische Informationen wie Gesundheitszustand, Behandlung, Tests und Ergebnisse oder geschützte Gesundheitsinformationen zu erkennen, die in einem Amazon S3 S3-Bucket gespeichert sind. Die Ausgabe des Erkennungsauftrags wird in einen separaten Amazon S3 S3-Bucket geschrieben, von dem aus er für die weitere Verarbeitung oder Downstream-Analyse verwendet werden kann.

DieStarticD10cMinferenceJob, undstartRxNorminferenceJobOperationen beginnen mit der Ontologie, die Batch-Operationen verknüpft, die Entitäten erkennen und diese Entitäten mit standardisierten Codes in den Wissensdatenbanken RxNorm und ICD-10-CM verknüpfen.

Verknüpfen von Ontologie

DieInfericd10cm,InfersNOMEDCT, undInferrxNorm-Operationen erkennen potenzielle medizinische Zustände und Medikamente und verknüpfen sie mit Codes in den Wissensdatenbanken ICD-10-CM, SNOMED CT oder RxNorm. Sie können die Ontologie-Verknüpfung der Stapelanalyse verwenden, um entweder eine Sammlung von Dokumenten oder ein einzelnes großes Dokument zu analysieren. Wenn Sie entweder die Konsole oder die Ontologie-Batch-APIs verwenden, können Sie Vorgänge ausführen, um laufende Batch-Analyseaufträge zu starten, zu stoppen, aufzulisten und zu beschreiben.

Verknüpfen mit Konzepten in der ICD-10-CM-Wissensdatenbank für medizinische Zustände

DieInfericd10cm-Operation erkennt potenzielle Erkrankungen und verknüpft sie mit Codes aus der 2019-Version der Internationalen Klassifikation der Krankheiten, 10. Revision, klinischer Modifikation (ICD-10-CM). Für jeden erkannten potenziellen medizinischen Zustand listet Amazon Comprehend Medical die übereinstimmenden ICD-10-CM-Codes und Beschreibungen auf. Lichsted Medical cOnditionenin den Ergebnisseneinen Konfidenzwert enthalten, der auf das Vertrauen hinweist, in das Amazon Comprehend Medical verfügtdie Genauigkeit der Entitätenzu den übereinstimmenden Konzepten in den Ergebnissen.

Verknüpfung mit Konzepten in der RxNorm-Wissensdatenbank von Medikamenten

DieInferrxNorm-Operation identifiziert Medikamente, die in einer Patientenakte als Einheiten aufgeführt sind. Es verknüpft Entitäten mit Konzeptkennungen (RxCui) aus der RxNorm-Datenbank der National Library of Medicine. Jeder RxCUI ist einzigartig für verschiedene Stärken und Dosisformen. Lichsted medicationenin den Ergebnisseneinen Konfidenzwert enthalten, der auf das Vertrauen hinweist, in das Amazon Comprehend Medical verfügtdie Genauigkeit der Entitäten, die mit den Konzepten übereinstimmenausRxNormWissensdatenbankaus. Amazon Comprehend Medical listet die besten RxCUIs auf, die möglicherweise zu jedem Medikament passen, das es in absteigender Reihenfolge basierend auf dem Konfidenzwert erkennt.

Verknüpfung zu Konzepten in der SNOMED CT Wissensdatenbank medizinischer Konzepte

Die InfersNOMEDCT-Operation identifiziert mögliche medizinische Konzepte als Einheiten und verknüpft sie mit Codes aus der Version 2021-03 der Systematisierten Nomenklatur der Medizin, Clinical Terms (SNOMED CT). SNOMED CT bietet ein umfassendes Vokabular für medizinische Konzepte, einschließlich Erkrankungen und Anatomie sowie medizinische Tests, Behandlungen und Verfahren. Für jede übereinstimmende Konzept-ID gibt Amazon Comprehend Medical die fünf wichtigsten medizinischen Konzepte mit jeweils einem Konfidenzwert und kontextbezogenen Informationen wie Eigenschaften und Attributen zurück. Die SNOMED CT-Konzept-IDs können dann verwendet werden, um klinische Patientendaten für medizinische Codierung, Berichterstattung oder klinische Analysen zu strukturieren, wenn sie mit der SNOMED CT-Syhierarchie verwendet werden.