Esempi di utilizzo di Amazon Comprehend Medical AWS CLI - Esempi di codice dell'AWS SDK
Azioni

Ci sono altri AWS SDK esempi disponibili nel repository AWS Doc SDK Examples GitHub .

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Esempi di utilizzo di Amazon Comprehend Medical AWS CLI

I seguenti esempi di codice mostrano come eseguire azioni e implementare scenari comuni utilizzando Amazon Comprehend Medical. AWS Command Line Interface

Le operazioni sono estratti di codice da programmi più grandi e devono essere eseguite nel contesto. Sebbene le azioni mostrino come richiamare le singole funzioni di servizio, puoi vedere le azioni nel loro contesto negli scenari correlati.

Ogni esempio include un collegamento al codice sorgente completo, in cui è possibile trovare istruzioni su come configurare ed eseguire il codice nel contesto.

Argomenti

Azioni

Il seguente esempio di codice mostra come utilizzaredescribe-entities-detection-v2-job.

AWS CLI

Per descrivere un processo di rilevamento delle entità

L'describe-entities-detection-v2-jobesempio seguente visualizza le proprietà associate a un processo asincrono di rilevamento delle entità.

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"
    }
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzare. describe-icd10-cm-inference-job

AWS CLI

Per descrivere un lavoro di ICD inferenza di -10 CM

L'describe-icd10-cm-inference-jobesempio seguente descrive le proprietà del lavoro di inferenza richiesto con il job-id specificato.

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"
    }
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzaredescribe-phi-detection-job.

AWS CLI

Per descrivere un processo PHI di rilevamento

L'describe-phi-detection-jobesempio seguente visualizza le proprietà associate a un processo asincrono di rilevamento delle informazioni sanitarie protette (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"
    }
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzaredescribe-rx-norm-inference-job.

AWS CLI

Descrivere un lavoro di RxNorm inferenza

L'describe-rx-norm-inference-jobesempio seguente descrive le proprietà del lavoro di inferenza richiesto con il job-id specificato.

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"
    }
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzaredescribe-snomedct-inference-job.

AWS CLI

Per descrivere un lavoro di inferenza SNOMED CT

L'describe-snomedct-inference-jobesempio seguente descrive le proprietà del lavoro di inferenza richiesto con il job-id specificato.

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"
    }
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzaredetect-entities-v2.

AWS CLI

Esempio 1: per rilevare le entità direttamente dal testo

L'detect-entities-v2esempio seguente mostra le entità rilevate e le etichetta in base al tipo, direttamente dal testo di input.

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": []
}

Per ulteriori informazioni, consulta Detect Entities versione 2 nella Amazon Comprehend Medical Developer Guide.

Esempio 2: per rilevare entità da un percorso di file

L'detect-entities-v2esempio seguente mostra le entità rilevate e le etichetta in base al tipo di un percorso di file.

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

Contenuto di 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": []
}

Per ulteriori informazioni, consulta Detect Entities versione 2 nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzaredetect-phi.

AWS CLI

Esempio 1: rilevare informazioni sanitarie protette (PHI) direttamente dal testo

L'detect-phiesempio seguente visualizza le entità di informazioni sanitarie protette (PHI) rilevate direttamente dal testo di input.

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"
}

Per ulteriori informazioni, consulta Detect PHI nella Amazon Comprehend Medical Developer Guide.

Esempio 2: rilevare le informazioni sanitarie protette (PHI) direttamente dal percorso di un file

L'detect-phiesempio seguente mostra le entità protected health information (PHI) rilevate da un percorso di file.

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

Contenuto di 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"
}

Per ulteriori informazioni, consulta Detect PHI nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzareinfer-icd10-cm.

AWS CLI

Esempio 1: per rilevare entità relative a condizioni mediche e collegarle all'ontologia ICD -10-CM direttamente dal testo

L'infer-icd10-cmesempio seguente etichetta le entità relative alle condizioni mediche rilevate e le collega ai codici dell'edizione 2019 della Classificazione internazionale delle malattie modificate cliniche (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"
}

Per ulteriori informazioni, consulta Infer ICD1 0-CM nella Amazon Comprehend Medical Developer Guide.

Esempio 2: rilevare entità affette da condizioni mediche e collegarsi all'ontologia ICD -10-CM da un percorso di file

L'infer-icd-10-cmesempio seguente etichetta le entità relative alle condizioni mediche rilevate e le collega ai codici dell'edizione 2019 della Classificazione internazionale delle malattie modificate cliniche (-10-CM). ICD

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

Contenuto di 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"
}

Per ulteriori informazioni, consulta ICD1Infer-0-CM nella Amazon Comprehend Medical Developer Guide.

  • Per API i dettagli, consulta InferIcd10Cm in Command Reference.AWS CLI

Il seguente esempio di codice mostra come utilizzareinfer-rx-norm.

AWS CLI

Esempio 1: per rilevare le entità del farmaco e collegarle RxNorm direttamente dal testo

L'infer-rx-normesempio seguente mostra ed etichetta le entità terapeutiche rilevate e le collega agli identificatori concettuali (RxCUI) del database della National Library of Medicine RxNorm .

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

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"
}

Per ulteriori informazioni, consulta Infer RxNorm nella Amazon Comprehend Medical Developer Guide.

Esempio 2: per rilevare le entità del farmaco e collegarle RxNorm da un percorso di file.

L'infer-rx-normesempio seguente mostra ed etichetta le entità terapeutiche rilevate e le collega agli identificatori concettuali (RxCUI) del database della National Library of Medicine RxNorm .

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

Contenuto di 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"
}

Per ulteriori informazioni, consulta Infer RxNorm nella Amazon Comprehend Medical Developer Guide.

  • Per API i dettagli, consulta AWS CLI Command InferRxNormReference.

Il seguente esempio di codice mostra come utilizzareinfer-snomedct.

AWS CLI

Esempio: per rilevare entità e collegarsi a SNOMED CT Ontology direttamente dal testo

L'infer-snomedctesempio seguente mostra come individuare le entità mediche e collegarle ai concetti della versione 2021-03 della nomenclatura sistematica della medicina, Clinical Terms (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"
}

Per ulteriori informazioni, consulta Infer SNOMEDCT nella Amazon Comprehend Medical Developer Guide.

  • Per API i dettagli, consulta AWS CLI Command InferSnomedctReference.

Il seguente esempio di codice mostra come utilizzarelist-entities-detection-v2-jobs.

AWS CLI

Per elencare i lavori di rilevamento delle entità

L'list-entities-detection-v2-jobsesempio seguente elenca gli attuali processi di rilevamento asincrono.

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"
        }
    ]
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzare. list-icd10-cm-inference-jobs

AWS CLI

Per elencare tutti gli attuali lavori di ICD inferenza di -10-CM

L'esempio seguente mostra come l'list-icd10-cm-inference-jobsoperazione restituisce un elenco degli attuali processi di inferenza batch asincroni ICD -10-CM.

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"
        }
    ]
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarelist-phi-detection-jobs.

AWS CLI

Per elencare i lavori di rilevamento di informazioni sanitarie protette (PHI)

L'list-phi-detection-jobsesempio seguente elenca gli attuali processi di rilevamento di informazioni sanitarie protette (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"
        }
    ]
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarelist-rx-norm-inference-jobs.

AWS CLI

Per elencare tutti i lavori di inferenza Rx-Norm correnti

L'esempio seguente mostra come list-rx-norm-inference-jobs restituisce un elenco di lavori di inferenza batch Rx-Norm asincroni correnti.

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"
        }
    ]
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarelist-snomedct-inference-jobs.

AWS CLI

Per elencare tutti i SNOMED lavori di inferenza CT

L'esempio seguente mostra come l'list-snomedct-inference-jobsoperazione restituisce un elenco degli attuali lavori di inferenza batch SNOMED CT asincroni.

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"
        }
    ]
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestart-entities-detection-v2-job.

AWS CLI

Per avviare un processo di rilevamento delle entità

L'start-entities-detection-v2-jobesempio seguente avvia un processo asincrono di rilevamento delle entità.

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"
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzare. start-icd10-cm-inference-job

AWS CLI

Per avviare un processo di ICD inferenza di -10 CM

L'start-icd10-cm-inference-jobesempio seguente avvia un processo di analisi in batch di ICD inferenza da 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"
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestart-phi-detection-job.

AWS CLI

Per avviare un processo PHI di rilevamento

L'start-phi-detection-jobesempio seguente avvia un processo asincrono di rilevamento delle PHI entità.

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"
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestart-rx-norm-inference-job.

AWS CLI

Per avviare un processo di RxNorm inferenza

L'start-rx-norm-inference-jobesempio seguente avvia un processo di analisi in batch di RxNorm inferenza.

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"
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestart-snomedct-inference-job.

AWS CLI

Per avviare un processo di inferenza SNOMED CT

L'start-snomedct-inference-jobesempio seguente avvia un processo di analisi in batch di inferenza 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"
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestop-entities-detection-v2-job.

AWS CLI

Per interrompere un processo di rilevamento delle entità

L'stop-entities-detection-v2-jobesempio seguente interrompe un processo asincrono di rilevamento delle entità.

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

Output:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzare. stop-icd10-cm-inference-job

AWS CLI

Per interrompere un processo di ICD inferenza di -10 CM

L'stop-icd10-cm-inference-jobesempio seguente interrompe un processo di analisi in batch di ICD inferenza da 10 cm.

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

Output:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestop-phi-detection-job.

AWS CLI

Per interrompere un processo di rilevamento di informazioni sanitarie protette (PHI)

L'stop-phi-detection-jobesempio seguente interrompe un processo asincrono di rilevamento di informazioni sanitarie protette (PHI).

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

Output:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Per ulteriori informazioni, consulta Batch APIs nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestop-rx-norm-inference-job.

AWS CLI

Per interrompere un processo di RxNorm inferenza

L'stop-rx-norm-inference-jobesempio seguente interrompe un processo di analisi ICD in batch di inferenza di 10 cm.

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

Output:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.

Il seguente esempio di codice mostra come utilizzarestop-snomedct-inference-job.

AWS CLI

Per interrompere un processo di inferenza SNOMED CT

L'stop-snomedct-inference-jobesempio seguente interrompe un processo di analisi in batch di inferenza SNOMED CT.

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

Output:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Per ulteriori informazioni, consulta Ontology linking batch analysis nella Amazon Comprehend Medical Developer Guide.