Amazon Comprehend Medical contoh menggunakan AWS CLI - AWS Command Line Interface
Tindakan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Amazon Comprehend Medical contoh menggunakan AWS CLI

Contoh kode berikut menunjukkan cara melakukan tindakan dan menerapkan skenario umum AWS Command Line Interface dengan menggunakan Amazon Comprehend Medical.

Tindakan adalah kutipan kode dari program yang lebih besar dan harus dijalankan dalam konteks. Sementara tindakan menunjukkan cara memanggil fungsi layanan individual, Anda dapat melihat tindakan dalam konteks dalam skenario terkait.

Setiap contoh menyertakan tautan ke kode sumber lengkap, di mana Anda dapat menemukan instruksi tentang cara mengatur dan menjalankan kode dalam konteks.

Tindakan

Contoh kode berikut menunjukkan cara menggunakandescribe-entities-detection-v2-job.

AWS CLI

Untuk menggambarkan pekerjaan deteksi entitas

describe-entities-detection-v2-jobContoh berikut menampilkan properti yang terkait dengan pekerjaan deteksi entitas asinkron.

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

Output:

{
    "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"
    }
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakandescribe-icd10-cm-inference-job.

AWS CLI

Untuk menggambarkan pekerjaan ICD inferensi -10-CM

describe-icd10-cm-inference-jobContoh berikut menjelaskan properti pekerjaan inferensi yang diminta dengan job-id yang ditentukan.

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

Output:

{
    "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"
    }
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakandescribe-phi-detection-job.

AWS CLI

Untuk menggambarkan pekerjaan PHI deteksi

describe-phi-detection-jobContoh berikut menampilkan properti yang terkait dengan pekerjaan deteksi informasi kesehatan yang dilindungi asinkron (PHI).

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

Output:

{
    "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"
    }
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakandescribe-rx-norm-inference-job.

AWS CLI

Untuk menggambarkan pekerjaan RxNorm inferensi

describe-rx-norm-inference-jobContoh berikut menjelaskan properti pekerjaan inferensi yang diminta dengan job-id yang ditentukan.

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

Output:

{
    "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"
    }
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakandescribe-snomedct-inference-job.

AWS CLI

Untuk menggambarkan pekerjaan inferensi SNOMED CT

describe-snomedct-inference-jobContoh berikut menjelaskan properti pekerjaan inferensi yang diminta dengan job-id yang ditentukan.

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

Output:

{
    "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"
    }
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakandetect-entities-v2.

AWS CLI

Contoh 1: Untuk mendeteksi entitas langsung dari teks

detect-entities-v2Contoh berikut menunjukkan entitas yang terdeteksi dan memberi label sesuai dengan jenis, langsung dari teks masukan.

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

Output:

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

Untuk informasi selengkapnya, lihat Mendeteksi Entitas Versi 2 di Panduan Pengembang Medis Amazon Comprehend.

Contoh 2: Untuk mendeteksi entitas dari jalur file

detect-entities-v2Contoh berikut menunjukkan entitas yang terdeteksi dan memberi label sesuai dengan jenis dari jalur file.

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

Isi dari medical_entities.txt:

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

Output:

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

Untuk informasi selengkapnya, lihat Mendeteksi Entitas Versi 2 di Panduan Pengembang Medis Amazon Comprehend.

Contoh kode berikut menunjukkan cara menggunakandetect-phi.

AWS CLI

Contoh 1: Untuk mendeteksi informasi kesehatan yang dilindungi (PHI) langsung dari teks

detect-phiContoh berikut menampilkan entitas informasi kesehatan terlindungi yang terdeteksi (PHI) langsung dari teks masukan.

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."

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Mendeteksi PHI di Panduan Pengembang Medis Amazon Comprehend.

Contoh 2: Untuk mendeteksi melindungi informasi kesehatan (PHI) langsung dari jalur file

detect-phiContoh berikut menunjukkan entitas informasi kesehatan terlindungi (PHI) terdeteksi dari jalur file.

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

Isi dari 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."

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Mendeteksi PHI di Panduan Pengembang Medis Amazon Comprehend.

  • Untuk API detailnya, lihat DetectPhidi Referensi AWS CLI Perintah.

Contoh kode berikut menunjukkan cara menggunakaninfer-icd10-cm.

AWS CLI

Contoh 1: Untuk mendeteksi entitas kondisi medis dan menautkan ke Ontologi ICD -10-CM langsung dari teks

infer-icd10-cmContoh berikut memberi label pada entitas kondisi medis yang terdeteksi dan menghubungkan entitas tersebut dengan kode dalam edisi 2019 dari 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."

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Infer ICD1 0-CM di Panduan Pengembang Medis Amazon Comprehend Medical.

Contoh 2: Untuk mendeteksi entitas kondisi medis dan menautkan ke Ontologi ICD -10-CM dari jalur file

infer-icd-10-cmContoh berikut memberi label pada entitas kondisi medis yang terdeteksi dan menghubungkan entitas tersebut dengan kode dalam edisi 2019 dari International Classification of Diseases Clinical Modification (ICD-10-CM).

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

Isi dari icd10cm.txt:

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

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Infer- ICD1 0-CM di Panduan Pengembang Medis Amazon Comprehend Medical.

  • Untuk API detailnya, lihat InferIcd10Cm di Referensi AWS CLI Perintah.

Contoh kode berikut menunjukkan cara menggunakaninfer-rx-norm.

AWS CLI

Contoh 1: Untuk mendeteksi entitas obat dan menautkan RxNorm langsung dari teks

infer-rx-normContoh berikut menunjukkan dan memberi label entitas obat yang terdeteksi dan menghubungkan entitas tersebut ke pengidentifikasi konsep (RxCUI) dari database Perpustakaan Kedokteran RxNorm Nasional.

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

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Infer RxNorm di Panduan Pengembang Medis Amazon Comprehend Medical.

Contoh 2: Untuk mendeteksi entitas obat dan menautkan ke RxNorm dari jalur file.

infer-rx-normContoh berikut menunjukkan dan memberi label entitas obat yang terdeteksi dan menghubungkan entitas tersebut ke pengidentifikasi konsep (RxCUI) dari database Perpustakaan Kedokteran RxNorm Nasional.

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

Isi dari rxnorm.txt:

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

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Infer RxNorm di Panduan Pengembang Medis Amazon Comprehend Medical.

  • Untuk API detailnya, lihat InferRxNormdi Referensi AWS CLI Perintah.

Contoh kode berikut menunjukkan cara menggunakaninfer-snomedct.

AWS CLI

Contoh: Untuk mendeteksi entitas dan menautkan ke SNOMED CT Ontology langsung dari teks

infer-snomedctContoh berikut menunjukkan cara mendeteksi entitas medis dan menghubungkannya dengan konsep dari versi 2021-03 dari Nomenklatur Kedokteran Sistematisasi, Istilah Klinis (CT). SNOMED

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

Output:

{
    "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"
}

Untuk informasi selengkapnya, lihat Infer SNOMEDCT di Panduan Pengembang Medis Amazon Comprehend Medical.

  • Untuk API detailnya, lihat InferSnomedctdi Referensi AWS CLI Perintah.

Contoh kode berikut menunjukkan cara menggunakanlist-entities-detection-v2-jobs.

AWS CLI

Untuk mencantumkan pekerjaan deteksi entitas

list-entities-detection-v2-jobsContoh berikut mencantumkan pekerjaan deteksi asinkron saat ini.

aws comprehendmedical list-entities-detection-v2-jobs

Output:

{
    "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"
        }
    ]
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanlist-icd10-cm-inference-jobs.

AWS CLI

Untuk membuat daftar semua pekerjaan inferensi ICD -10-CM saat ini

Contoh berikut menunjukkan bagaimana list-icd10-cm-inference-jobs operasi mengembalikan daftar pekerjaan inferensi batch ICD -10-CM asinkron saat ini.

aws comprehendmedical list-icd10-cm-inference-jobs

Output:

{
    "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"
        }
    ]
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanlist-phi-detection-jobs.

AWS CLI

Untuk membuat daftar pekerjaan deteksi informasi kesehatan yang dilindungi (PHI)

list-phi-detection-jobsContoh berikut mencantumkan pekerjaan deteksi informasi kesehatan yang dilindungi saat ini (PHI)

aws comprehendmedical list-phi-detection-jobs

Output:

{
    "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"
        }
    ]
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanlist-rx-norm-inference-jobs.

AWS CLI

Untuk membuat daftar semua pekerjaan inferensi Rx-Norm saat ini

Contoh berikut menunjukkan bagaimana list-rx-norm-inference-jobs mengembalikan daftar pekerjaan inferensi batch Rx-Norm asinkron saat ini.

aws comprehendmedical list-rx-norm-inference-jobs

Output:

{
    "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"
        }
    ]
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanlist-snomedct-inference-jobs.

AWS CLI

Untuk membuat daftar semua SNOMED pekerjaan inferensi CT

Contoh berikut menunjukkan bagaimana list-snomedct-inference-jobs operasi mengembalikan daftar pekerjaan inferensi batch SNOMED CT asinkron saat ini.

aws comprehendmedical list-snomedct-inference-jobs

Output:

{
    "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"
        }
    ]
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstart-entities-detection-v2-job.

AWS CLI

Untuk memulai pekerjaan deteksi entitas

start-entities-detection-v2-jobContoh berikut memulai pekerjaan deteksi entitas asinkron.

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

Output:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstart-icd10-cm-inference-job.

AWS CLI

Untuk memulai pekerjaan ICD inferensi -10-CM

start-icd10-cm-inference-jobContoh berikut memulai pekerjaan analisis batch inferensi ICD -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

Output:

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstart-phi-detection-job.

AWS CLI

Untuk memulai pekerjaan PHI deteksi

start-phi-detection-jobContoh berikut memulai pekerjaan deteksi PHI entitas asinkron.

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

Output:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstart-rx-norm-inference-job.

AWS CLI

Untuk memulai pekerjaan RxNorm inferensi

start-rx-norm-inference-jobContoh berikut memulai pekerjaan analisis batch RxNorm inferensi.

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

Output:

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstart-snomedct-inference-job.

AWS CLI

Untuk memulai pekerjaan inferensi SNOMED CT

start-snomedct-inference-jobContoh berikut memulai pekerjaan analisis batch inferensi SNOMED CT.

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

Output:

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstop-entities-detection-v2-job.

AWS CLI

Untuk menghentikan pekerjaan deteksi entitas

stop-entities-detection-v2-jobContoh berikut menghentikan pekerjaan deteksi entitas asinkron.

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

Output:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstop-icd10-cm-inference-job.

AWS CLI

Untuk menghentikan pekerjaan ICD inferensi -10-CM

stop-icd10-cm-inference-jobContoh berikut menghentikan pekerjaan analisis batch inferensi ICD -10-CM.

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

Output:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstop-phi-detection-job.

AWS CLI

Untuk menghentikan pekerjaan deteksi informasi kesehatan yang dilindungi (PHI)

stop-phi-detection-jobContoh berikut menghentikan pekerjaan deteksi informasi kesehatan yang dilindungi asinkron (PHI).

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

Output:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Untuk informasi selengkapnya, lihat Batch APIs in the Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstop-rx-norm-inference-job.

AWS CLI

Untuk menghentikan pekerjaan RxNorm inferensi

stop-rx-norm-inference-jobContoh berikut menghentikan pekerjaan analisis batch inferensi ICD -10-CM.

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

Output:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.

Contoh kode berikut menunjukkan cara menggunakanstop-snomedct-inference-job.

AWS CLI

Untuk menghentikan pekerjaan inferensi SNOMED CT

stop-snomedct-inference-jobContoh berikut menghentikan pekerjaan analisis batch inferensi SNOMED CT.

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

Output:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Untuk informasi selengkapnya, lihat Ontologi yang menghubungkan analisis batch di Amazon Comprehend Medical Developer Guide.