Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Mendeteksi PHI
Gunakan PHI operasi Deteksi ketika Anda hanya ingin mendeteksi data Informasi Kesehatan yang Dilindungi (PHI) saat memindai teks klinis. Untuk mendeteksi semua entitas yang tersedia dalam teks klinis gunakan DetectEntitiesV2.
APIIni paling baik untuk kasus penggunaan di mana hanya mendeteksi PHI entitas yang diperlukan. Untuk informasi tentang informasi dalam PHI non-kategori, lihatMendeteksi entitas (Versi 2).
penting
Amazon Comprehend Medical memberikan skor kepercayaan yang menunjukkan tingkat kepercayaan pada keakuratan entitas yang terdeteksi. Evaluasi skor kepercayaan ini dan identifikasi ambang kepercayaan yang tepat untuk kasus penggunaan Anda. Untuk kasus penggunaan kepatuhan tertentu, kami menyarankan Anda menggunakan tinjauan manusia tambahan atau metode lain untuk mengonfirmasi keakuratan terdeteksiPHI.
Berdasarkan HIPAA undang-undang tersebut, PHI yang didasarkan pada daftar 18 pengidentifikasi harus diperlakukan dengan hati-hati. Amazon Comprehend Medical mendeteksi entitas yang terkait dengan pengidentifikasi ini tetapi entitas ini tidak memetakan 1:1 ke daftar yang ditentukan oleh metode Safe Harbor. Tidak semua pengidentifikasi terkandung dalam teks klinis yang tidak terstruktur, tetapi Amazon Comprehend Medical mencakup semua pengidentifikasi yang relevan. Pengidentifikasi ini terdiri dari data yang dapat digunakan untuk mengidentifikasi pasien individu, termasuk daftar berikut. Untuk informasi lebih lanjut, lihat Privasi Informasi Kesehatan
Setiap entitas PHI terkait menyertakan skor (Scoredalam respons) yang menunjukkan tingkat kepercayaan yang dimiliki Amazon Comprehend Medical dalam keakuratan deteksi. Identifikasi ambang kepercayaan yang tepat untuk kasus penggunaan Anda dan saring entitas yang tidak memenuhinya. Saat mengidentifikasi kejadianPHI, mungkin lebih baik menggunakan ambang kepercayaan rendah untuk penyaringan guna menangkap lebih banyak entitas potensial yang terdeteksi. Ini terutama benar ketika tidak menggunakan nilai entitas yang terdeteksi dalam kasus penggunaan kepatuhan.
Entitas PHI terkait berikut dapat dideteksi dengan menjalankan operasi Detect PHI atau DetectEntitiesV2:
|
Entitas |
Deskripsi |
HIPAAKategori |
|---|---|---|
|
AGE |
Semua komponen usia, rentang usia, dan usia apa pun yang disebutkan, baik itu pasien atau anggota keluarga atau orang lain yang terlibat dalam catatan. Default dalam beberapa tahun kecuali dinyatakan lain. |
3. Tanggal yang terkait dengan individu |
| DATE | Tanggal apa pun yang terkait dengan perawatan pasien atau pasien. | 3. Tanggal yang terkait dengan individu |
|
NAME |
Semua nama yang disebutkan dalam catatan klinis, biasanya milik pasien, keluarga, atau penyedia. |
1. Nama |
|
PHONE_ATAU_ FAX |
Telepon, faks, pager apa pun; tidak termasuk nomor telepon bernama seperti 1-800- QUIT - NOW serta 911. |
4. Nomor telepon 5. FAXnomor |
|
|
Alamat email apa pun. |
6. Alamat email |
|
ID |
Segala jenis nomor yang terkait dengan identitas pasien. Ini termasuk nomor jaminan sosial mereka, nomor rekam medis, nomor identifikasi fasilitas, nomor uji klinis, sertifikat atau nomor lisensi, nomor kendaraan atau perangkat. Ini juga termasuk nomor biometrik, dan angka yang mengidentifikasi tempat perawatan atau penyedia. |
7. Nomor Jaminan Sosial 8. Nomor Rekam Medis 9. Nomor Rencana Kesehatan 10. Nomor akun 11. Nomor Sertifikat/Lisensi 12. Pengidentifikasi kendaraan 13. Nomor perangkat 16. Informasi biometrik 18. Karakteristik pengenal lainnya |
|
URL |
Web apa punURL. |
14. URLs |
|
ADDRESS |
Ini termasuk semua subdivisi geografis dari alamat fasilitas apa pun, fasilitas medis bernama, atau bangsal dalam fasilitas. |
2. Lokasi geografis |
|
PROFESSION |
Termasuk profesi atau majikan yang disebutkan dalam catatan yang berkaitan dengan pasien atau keluarga pasien. |
18. Karakteristik pengenal lainnya |
Contoh
Teks “Pasien adalah John Smith, seorang guru berusia 48 tahun dan penduduk Seattle, Washington.” mengembalikan:
-
“John Smith” sebagai entitas tipe
NAMEdalamPROTECTED_HEALTH_INFORMATIONkategori. -
“48" sebagai entitas tipe
AGEdalamPROTECTED_HEALTH_INFORMATIONkategori. -
“guru” sebagai entitas tipe
PROFESSION(mengidentifikasi karakteristik) dalamPROTECTED_HEALTH_INFORMATIONkategori. -
“Seattle, Washington” sebagai
ADDRESSentitas dalamPROTECTED_HEALTH_INFORMATIONkategori.
Di konsol Amazon Comprehend Medical, ini ditampilkan seperti ini:
Saat menggunakan PHI operasi Deteksi, responsnya muncul seperti ini. Saat Anda menggunakan operasi S tartPHIDetection Job, Amazon Comprehend Medical membuat file di lokasi keluaran dengan struktur ini.
{
"Entities": [
{
"Id": 0,
"BeginOffset": 11,
"EndOffset": 21,
"Score": 0.997368335723877,
"Text": "John Smith",
"Category": "PROTECTED_HEALTH_INFORMATION",
"Type": "NAME",
"Traits": []
},
{
"Id": 1,
"BeginOffset": 25,
"EndOffset": 27,
"Score": 0.9998362064361572,
"Text": "48",
"Category": "PROTECTED_HEALTH_INFORMATION",
"Type": "AGE",
"Traits": []
},
{
"Id": 2,
"BeginOffset": 37,
"EndOffset": 44,
"Score": 0.8661606311798096,
"Text": "teacher",
"Category": "PROTECTED_HEALTH_INFORMATION",
"Type": "PROFESSION",
"Traits": []
},
{
"Id": 3,
"BeginOffset": 61,
"EndOffset": 68,
"Score": 0.9629441499710083,
"Text": "Seattle",
"Category": "PROTECTED_HEALTH_INFORMATION",
"Type": "ADDRESS",
"Traits": []
},
{
"Id": 4,
"BeginOffset": 78,
"EndOffset": 88,
"Score": 0.38217034935951233,
"Text": "Washington",
"Category": "PROTECTED_HEALTH_INFORMATION",
"Type": "ADDRESS",
"Traits": []
}
],
"UnmappedAttributes": []
}