Ejemplos de Amazon Comprehend Medical utilizando AWS CLI - AWS Command Line Interface
Acciones

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Ejemplos de Amazon Comprehend Medical utilizando AWS CLI

Los siguientes ejemplos de código muestran cómo realizar acciones e implementar situaciones comunes AWS Command Line Interface con Amazon Comprehend Medical.

Las acciones son extractos de código de programas más grandes y deben ejecutarse en contexto. Mientras las acciones muestran cómo llamar a las funciones de servicio individuales, es posible ver las acciones en contexto en los escenarios relacionados.

Cada ejemplo incluye un enlace al código fuente completo, donde puede encontrar instrucciones sobre cómo configurar y ejecutar el código en su contexto.

Acciones

El siguiente ejemplo de código muestra cómo usarlodescribe-entities-detection-v2-job.

AWS CLI

Para describir un trabajo de detección de entidades

En el siguiente describe-entities-detection-v2-job ejemplo, se muestran las propiedades asociadas a un trabajo de detección de entidades asincrónico.

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

Salida:

{
    "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"
    }
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlo. describe-icd10-cm-inference-job

AWS CLI

Para describir un trabajo de ICD inferencia de 10 CM

El siguiente describe-icd10-cm-inference-job ejemplo describe las propiedades del trabajo de inferencia solicitado con el identificador de trabajo especificado.

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

Salida:

{
    "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"
    }
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

En el siguiente ejemplo de código se muestra cómo usarlodescribe-phi-detection-job.

AWS CLI

Para describir un trabajo PHI de detección

En el siguiente describe-phi-detection-job ejemplo, se muestran las propiedades asociadas a un trabajo de detección asíncrono de información de salud protegida (PHI).

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

Salida:

{
    "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"
    }
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlodescribe-rx-norm-inference-job.

AWS CLI

Para describir un trabajo de RxNorm inferencia

El siguiente describe-rx-norm-inference-job ejemplo describe las propiedades del trabajo de inferencia solicitado con el identificador de trabajo especificado.

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

Salida:

{
    "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"
    }
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlodescribe-snomedct-inference-job.

AWS CLI

Para describir un trabajo de inferencia de SNOMED tomografía computarizada

El siguiente describe-snomedct-inference-job ejemplo describe las propiedades del trabajo de inferencia solicitado con el identificador de trabajo especificado.

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

Salida:

{
    "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"
    }
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlodetect-entities-v2.

AWS CLI

Ejemplo 1: Para detectar entidades directamente desde el texto

El siguiente detect-entities-v2 ejemplo muestra las entidades detectadas y las etiqueta según su tipo, directamente a partir del texto introducido.

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

Salida:

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

Para obtener más información, consulte Detect Entities versión 2 en la Guía para desarrolladores de Amazon Comprehend Medical.

Ejemplo 2: Para detectar entidades desde la ruta de un archivo

El siguiente detect-entities-v2 ejemplo muestra las entidades detectadas y las etiqueta según el tipo de ruta de un archivo.

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

Contenidos de medical_entities.txt:

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

Salida:

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

Para obtener más información, consulte Detect Entities versión 2 en la Guía para desarrolladores de Amazon Comprehend Medical.

En el siguiente ejemplo de código se muestra cómo usarlodetect-phi.

AWS CLI

Ejemplo 1: Para detectar información de salud protegida (PHI) directamente a partir del texto

En el siguiente detect-phi ejemplo, se muestran las entidades de información de salud protegida detectadas (PHI) directamente a partir del texto introducido.

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."

Salida:

{
    "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"
}

Para obtener más información, consulte Detect PHI en la Guía para desarrolladores de Amazon Comprehend Medical.

Ejemplo 2: Para detectar, proteja la información de salud (PHI) directamente desde la ruta de un archivo

El siguiente detect-phi ejemplo muestra las entidades de información de salud protegida (PHI) detectadas a partir de una ruta de archivo.

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

Contenidos de 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."

Salida:

{
    "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"
}

Para obtener más información, consulte Detect PHI en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte DetectPhila Referencia de AWS CLI comandos.

El siguiente ejemplo de código muestra cómo usarloinfer-icd10-cm.

AWS CLI

Ejemplo 1: Para detectar entidades relacionadas con afecciones médicas y establecer un enlace a la ontología ICD -10-CM directamente desde el texto

El siguiente infer-icd10-cm ejemplo etiqueta las entidades de afecciones médicas detectadas y las vincula con los códigos de la edición de 2019 de la Modificación Clínica de la Clasificación Internacional de Enfermedades (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."

Salida:

{
    "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"
}

Para obtener más información, consulte Inferir ICD1 0-CM en la Guía para desarrolladores de Amazon Comprehend Medical.

Ejemplo 2: Para detectar entidades relacionadas con afecciones médicas y establecer un enlace a la ontología ICD -10-CM desde una ruta de archivos

El siguiente infer-icd-10-cm ejemplo etiqueta las entidades de afecciones médicas detectadas y las vincula con los códigos de la edición de 2019 de la Modificación Clínica de la Clasificación Internacional de Enfermedades (ICD-10-CM).

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

Contenidos de icd10cm.txt:

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

Salida:

{
    "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"
}

Para obtener más información, consulte Infer- ICD1 0-CM en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte InferIcd10 cm en la referencia de comandos.AWS CLI

En el siguiente ejemplo de código se muestra cómo usarloinfer-rx-norm.

AWS CLI

Ejemplo 1: Para detectar entidades medicamentosas y vincularlas RxNorm directamente desde el texto

El siguiente infer-rx-norm ejemplo muestra y etiqueta las entidades medicamentosas detectadas y las vincula a los identificadores conceptuales (RxCUI) de la RxNorm base de datos de la Biblioteca Nacional de Medicina.

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

Salida:

{
    "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"
}

Para obtener más información, consulte Infer RxNorm en la Guía para desarrolladores de Amazon Comprehend Medical.

Ejemplo 2: Para detectar entidades medicamentosas y vincularlas RxNorm desde una ruta de archivo.

El siguiente infer-rx-norm ejemplo muestra y etiqueta las entidades farmacológicas detectadas y las vincula a los identificadores conceptuales (RxCUI) de la RxNorm base de datos de la Biblioteca Nacional de Medicina.

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

Contenidos de rxnorm.txt:

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

Salida:

{
    "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"
}

Para obtener más información, consulte Infer RxNorm en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte la Referencia InferRxNormde AWS CLI comandos.

El siguiente ejemplo de código muestra cómo usarloinfer-snomedct.

AWS CLI

Ejemplo: detectar entidades y vincularlas a la ontología SNOMED CT directamente desde el texto

El siguiente infer-snomedct ejemplo muestra cómo detectar entidades médicas y vincularlas con conceptos de la versión 2021-03 de la Nomenclatura Sistematizada de la Medicina, Términos Clínicos (CT). SNOMED

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

Salida:

{
    "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"
}

Para obtener más información, consulte Infer SNOMEDCT en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte la Referencia InferSnomedctde AWS CLI comandos.

El siguiente ejemplo de código muestra cómo usarlolist-entities-detection-v2-jobs.

AWS CLI

Para enumerar los trabajos de detección de entidades

El siguiente list-entities-detection-v2-jobs ejemplo muestra los trabajos de detección asíncrona actuales.

aws comprehendmedical list-entities-detection-v2-jobs

Salida:

{
    "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"
        }
    ]
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlo. list-icd10-cm-inference-jobs

AWS CLI

Para enumerar todos los trabajos de ICD inferencia actuales de -10-CM

El siguiente ejemplo muestra cómo la list-icd10-cm-inference-jobs operación devuelve una lista de los trabajos de inferencia por lotes asíncronos ICD actuales de 10 CM.

aws comprehendmedical list-icd10-cm-inference-jobs

Salida:

{
    "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"
        }
    ]
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

En el siguiente ejemplo de código se muestra cómo usarlolist-phi-detection-jobs.

AWS CLI

Para enumerar los trabajos de detección de información de salud protegida (PHI)

En el siguiente list-phi-detection-jobs ejemplo se enumeran los trabajos de detección de información de salud protegida (PHI) actuales

aws comprehendmedical list-phi-detection-jobs

Salida:

{
    "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"
        }
    ]
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte ListPhiDetectionJobsla Referencia de AWS CLI comandos.

El siguiente ejemplo de código muestra cómo usarlolist-rx-norm-inference-jobs.

AWS CLI

Para enumerar todos los trabajos de inferencia de Rx-Norm actuales

El siguiente ejemplo muestra cómo se list-rx-norm-inference-jobs devuelve una lista de los trabajos de inferencia por lotes de Rx-Norm asíncronos actuales.

aws comprehendmedical list-rx-norm-inference-jobs

Salida:

{
    "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"
        }
    ]
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlolist-snomedct-inference-jobs.

AWS CLI

Para enumerar todos los trabajos de inferencia de SNOMED tomografía computarizada

El siguiente ejemplo muestra cómo la list-snomedct-inference-jobs operación devuelve una lista de los trabajos de inferencia por lotes SNOMED CT asíncronos actuales.

aws comprehendmedical list-snomedct-inference-jobs

Salida:

{
    "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"
        }
    ]
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlostart-entities-detection-v2-job.

AWS CLI

Para iniciar un trabajo de detección de entidades

El siguiente start-entities-detection-v2-job ejemplo inicia un trabajo de detección de entidades asincrónico.

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

Salida:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlo. start-icd10-cm-inference-job

AWS CLI

Para iniciar un trabajo de ICD inferencia de 10 cm

El siguiente start-icd10-cm-inference-job ejemplo inicia un trabajo de análisis por lotes de ICD inferencias de 10 CM.

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

Salida:

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

En el siguiente ejemplo de código se muestra cómo usarlostart-phi-detection-job.

AWS CLI

Para iniciar un trabajo PHI de detección

El siguiente start-phi-detection-job ejemplo inicia un trabajo de detección de PHI entidades asincrónico.

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

Salida:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte StartPhiDetectionJobla Referencia de AWS CLI comandos.

El siguiente ejemplo de código muestra cómo usarlostart-rx-norm-inference-job.

AWS CLI

Para iniciar un trabajo de RxNorm inferencia

El siguiente start-rx-norm-inference-job ejemplo inicia un trabajo de análisis por lotes RxNorm de inferencias.

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

Salida:

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlostart-snomedct-inference-job.

AWS CLI

Para iniciar un trabajo de inferencia de SNOMED tomografía computarizada

El siguiente start-snomedct-inference-job ejemplo inicia un trabajo de análisis por lotes de inferencia por SNOMED tomografía computarizada.

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

Salida:

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlostop-entities-detection-v2-job.

AWS CLI

Para detener un trabajo de detección de entidades

El siguiente stop-entities-detection-v2-job ejemplo detiene un trabajo de detección de entidades asincrónico.

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

Salida:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlo. stop-icd10-cm-inference-job

AWS CLI

Para detener un trabajo de ICD inferencia de 10 CM

El siguiente stop-icd10-cm-inference-job ejemplo detiene un trabajo de análisis por lotes de ICD inferencias de 10 CM.

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

Salida:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

En el siguiente ejemplo de código se muestra cómo usarlostop-phi-detection-job.

AWS CLI

Para detener un trabajo de detección de información de salud protegida (PHI)

El siguiente stop-phi-detection-job ejemplo detiene un trabajo de detección asíncrono de información de salud protegida (PHI).

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

Salida:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obtener más información, consulte Batch APIs en la Guía para desarrolladores de Amazon Comprehend Medical.

  • Para API obtener más información, consulte StopPhiDetectionJobla Referencia de AWS CLI comandos.

El siguiente ejemplo de código muestra cómo usarlostop-rx-norm-inference-job.

AWS CLI

Para detener un trabajo de RxNorm inferencia

El siguiente stop-rx-norm-inference-job ejemplo detiene un trabajo de análisis por ICD lotes de inferencias de 10 CM.

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

Salida:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.

El siguiente ejemplo de código muestra cómo usarlostop-snomedct-inference-job.

AWS CLI

Para detener un trabajo de inferencia de SNOMED tomografía computarizada

El siguiente stop-snomedct-inference-job ejemplo detiene un trabajo de análisis por lotes de inferencias por SNOMED tomografía computarizada.

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

Salida:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Para obtener más información, consulte Ontology que vincula el análisis por lotes en la Guía para desarrolladores de Amazon Comprehend Medical.