Exemplos do Amazon Comprehend Medical usando AWS CLI - AWS SDKExemplos de código
Ações

Há mais AWS SDK exemplos disponíveis no GitHub repositório AWS Doc SDK Examples.

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Exemplos do Amazon Comprehend Medical usando AWS CLI

Os exemplos de código a seguir mostram como realizar ações e implementar cenários comuns usando o AWS Command Line Interface com o Amazon Comprehend Medical.

Ações são trechos de código de programas maiores e devem ser executadas em contexto. Embora as ações mostrem como chamar funções de serviço individuais, é possível ver as ações no contexto em seus cenários relacionados.

Cada exemplo inclui um link para o código-fonte completo, onde você pode encontrar instruções sobre como configurar e executar o código no contexto.

Tópicos

Ações

O código de exemplo a seguir mostra como usar describe-entities-detection-v2-job.

AWS CLI

Para descrever um trabalho de detecção de entidades

O describe-entities-detection-v2-job exemplo a seguir exibe as propriedades associadas a um trabalho assíncrono de detecção de entidades.

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

Saída:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "ab9887877365fe70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-18T21:20:15.614000+00:00",
        "EndTime": "2020-03-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-07-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "DetectEntitiesModelV20190930"
    }
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar describe-icd10-cm-inference-job.

AWS CLI

Para descrever um trabalho de ICD inferência de -10 CM

O describe-icd10-cm-inference-job exemplo a seguir descreve as propriedades do trabalho de inferência solicitado com o job-id especificado.

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

Saída:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "5780034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar describe-phi-detection-job.

AWS CLI

Para descrever um trabalho PHI de detecção

O describe-phi-detection-job exemplo a seguir exibe as propriedades associadas a uma tarefa assíncrona de detecção de informações de saúde protegidas (PHI).

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

Saída:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "4750034166536cdb52ffa3295a1b00a3",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
        "EndTime": "2020-03-19T20:45:07.894000+00:00",
        "ExpirationTime": "2020-07-17T20:38:37+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "PHIModelV20190903"
    }
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar describe-rx-norm-inference-job.

AWS CLI

Para descrever um trabalho de RxNorm inferência

O describe-rx-norm-inference-job exemplo a seguir descreve as propriedades do trabalho de inferência solicitado com o job-id especificado.

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

Saída:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "g8199877365fc70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "0.0.0"
    }
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar describe-snomedct-inference-job.

AWS CLI

Para descrever um trabalho de inferência de SNOMED tomografia computadorizada

O describe-snomedct-inference-job exemplo a seguir descreve as propriedades do trabalho de inferência solicitado com o job-id especificado.

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

Saída:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "2630034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2021-12-18T21:20:15.614000+00:00",
        "EndTime": "2021-12-18T21:27:07.350000+00:00",
        "ExpirationTime": "2022-05-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar detect-entities-v2.

AWS CLI

Exemplo 1: Para detectar entidades diretamente do texto

O detect-entities-v2 exemplo a seguir mostra as entidades detectadas e as rotula de acordo com o tipo, diretamente do texto de entrada.

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

Saída:

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

Para obter mais informações, consulte Detect Entities versão 2 no Amazon Comprehend Medical Developer Guide.

Exemplo 2: Para detectar entidades a partir de um caminho de arquivo

O detect-entities-v2 exemplo a seguir mostra as entidades detectadas e as rotula de acordo com o tipo de um caminho de arquivo.

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

Conteúdo de medical_entities.txt:

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

Saída:

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

Para obter mais informações, consulte Detect Entities versão 2 no Amazon Comprehend Medical Developer Guide.

  • Para API obter detalhes, consulte DetectEntitiesV2 na Referência de AWS CLI Comandos.

O código de exemplo a seguir mostra como usar detect-phi.

AWS CLI

Exemplo 1: Para detectar informações de saúde protegidas (PHI) diretamente do texto

O detect-phi exemplo a seguir exibe as entidades de informações de saúde protegidas (PHI) detectadas diretamente do texto de entrada.

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."

Saída:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

Para obter mais informações, consulte Detect PHI no Amazon Comprehend Medical Developer Guide.

Exemplo 2: Para detectar informações de saúde protegidas (PHI) diretamente de um caminho de arquivo

O detect-phi exemplo a seguir mostra as entidades de informações de saúde protegidas (PHI) detectadas em um caminho de arquivo.

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

Conteúdo de phi.txt:

"Patient Carlos Salazar presented with a rash on his upper extremities and a dry cough. He lives at 100 Main Street, Anytown, USA, where he works from his home as a carpenter."

Saída:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

Para obter mais informações, consulte Detect PHI no Amazon Comprehend Medical Developer Guide.

  • Para API obter detalhes, consulte DetectPhina Referência de AWS CLI Comandos.

O código de exemplo a seguir mostra como usar infer-icd10-cm.

AWS CLI

Exemplo 1: Para detectar entidades de condições médicas e vincular à Ontologia ICD -10-CM diretamente do texto

O infer-icd10-cm exemplo a seguir rotula as entidades de condições médicas detectadas e vincula essas entidades aos códigos na edição de 2019 da Classificação Internacional de Doenças e Modificação Clínica (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."

Saída:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

Para obter mais informações, consulte Infer ICD1 0-CM no Guia do desenvolvedor do Amazon Comprehend Medical.

Exemplo 2: Para detectar entidades de condições médicas e vincular à ontologia ICD -10-CM a partir de um caminho de arquivo

O infer-icd-10-cm exemplo a seguir rotula as entidades de condições médicas detectadas e vincula essas entidades aos códigos na edição de 2019 da Classificação Internacional de Doenças e Modificação Clínica (ICD-10-CM).

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

Conteúdo de icd10cm.txt:

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

Saída:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

Para obter mais informações, consulte ICD1Infer-0-CM no Guia do desenvolvedor do Amazon Comprehend Medical.

  • Para API obter detalhes, consulte InferIcd10Cm na Referência de AWS CLI Comandos.

O código de exemplo a seguir mostra como usar infer-rx-norm.

AWS CLI

Exemplo 1: Para detectar entidades medicamentosas e vinculá-las RxNorm diretamente do texto

O infer-rx-norm exemplo a seguir mostra e rotula as entidades medicamentosas detectadas e vincula essas entidades aos identificadores de conceito (RxCUI) do banco de dados da 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."

Saída:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

Para obter mais informações, consulte Infer RxNorm no Amazon Comprehend Medical Developer Guide.

Exemplo 2: Para detectar entidades medicamentosas e vinculá-las a RxNorm partir de um caminho de arquivo.

O infer-rx-norm exemplo a seguir mostra e rotula as entidades medicamentosas detectadas e vincula essas entidades aos identificadores de conceito (RxCUI) do banco de dados da National Library of Medicine RxNorm .

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

Conteúdo de rxnorm.txt:

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

Saída:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

Para obter mais informações, consulte Infer RxNorm no Amazon Comprehend Medical Developer Guide.

  • Para API obter detalhes, consulte InferRxNormna Referência de AWS CLI Comandos.

O código de exemplo a seguir mostra como usar infer-snomedct.

AWS CLI

Exemplo: Para detectar entidades e vincular à Ontologia SNOMED CT diretamente do texto

O infer-snomedct exemplo a seguir mostra como detectar entidades médicas e vinculá-las aos conceitos da versão 2021-03 da Nomenclatura Sistematizada da Medicina, Termos Clínicos (CT). SNOMED

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

Saída:

{
    "Entities": [
        {
            "Id": 3,
            "BeginOffset": 26,
            "EndOffset": 40,
            "Score": 0.9598260521888733,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6819021701812744
                }
            ]
        },
        {
            "Id": 4,
            "BeginOffset": 73,
            "EndOffset": 81,
            "Score": 0.9905840158462524,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9255214333534241
                }
            ]
        },
        {
            "Id": 1,
            "BeginOffset": 95,
            "EndOffset": 104,
            "Score": 0.6371926665306091,
            "Text": "Micronase",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Traits": [],
            "Attributes": [
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9761165380477905,
                    "RelationshipScore": 0.9984188079833984,
                    "RelationshipType": "FREQUENCY",
                    "Id": 2,
                    "BeginOffset": 105,
                    "EndOffset": 110,
                    "Text": "daily",
                    "Category": "MEDICATION",
                    "Traits": []
                }
            ]
        }
    ],
    "UnmappedAttributes": [],
    "ModelVersion": "1.0.0"
}

Para obter mais informações, consulte Infer SNOMEDCT no Amazon Comprehend Medical Developer Guide.

  • Para API obter detalhes, consulte InferSnomedctna Referência de AWS CLI Comandos.

O código de exemplo a seguir mostra como usar list-entities-detection-v2-jobs.

AWS CLI

Para listar trabalhos de detecção de entidades

O list-entities-detection-v2-jobs exemplo a seguir lista os trabalhos atuais de detecção assíncrona.

aws comprehendmedical list-entities-detection-v2-jobs

Saída:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "ab9887877365fe70299089371c043b96",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "DetectEntitiesModelV20190930"
        }
    ]
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar list-icd10-cm-inference-jobs.

AWS CLI

Para listar todos os trabalhos atuais de ICD inferência de -10-CM

O exemplo a seguir mostra como a list-icd10-cm-inference-jobs operação retorna uma lista dos trabalhos de inferência em lote assíncronos atuais de ICD -10 CM.

aws comprehendmedical list-icd10-cm-inference-jobs

Saída:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar list-phi-detection-jobs.

AWS CLI

Para listar trabalhos de detecção de informações de saúde protegidas (PHI)

O list-phi-detection-jobs exemplo a seguir lista os trabalhos atuais de detecção de informações de saúde protegidas (PHI)

aws comprehendmedical list-phi-detection-jobs

Saída:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4750034166536cdb52ffa3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "PHIModelV20190903"
        }
    ]
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar list-rx-norm-inference-jobs.

AWS CLI

Para listar todos os trabalhos atuais de inferência do Rx-Norm

O exemplo a seguir mostra como list-rx-norm-inference-jobs retorna uma lista dos trabalhos de inferência em lote assíncronos atuais do Rx-Norm.

aws comprehendmedical list-rx-norm-inference-jobs

Saída:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4980034166536cfb52gga3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "0.0.0"
        }
    ]
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar list-snomedct-inference-jobs.

AWS CLI

Para listar todos os trabalhos de inferência de SNOMED CT

O exemplo a seguir mostra como a list-snomedct-inference-jobs operação retorna uma lista dos trabalhos de inferência em lote de SNOMED CT assíncrona atuais.

aws comprehendmedical list-snomedct-inference-jobs

Saída:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar start-entities-detection-v2-job.

AWS CLI

Para iniciar um trabalho de detecção de entidades

O start-entities-detection-v2-job exemplo a seguir inicia um trabalho assíncrono de detecção de entidades.

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

Saída:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar start-icd10-cm-inference-job.

AWS CLI

Para iniciar um trabalho de ICD inferência de -10 CM

O start-icd10-cm-inference-job exemplo a seguir inicia um trabalho de ICD análise em lote de inferência de -10 CM.

aws comprehendmedical start-icd10-cm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Saída:

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar start-phi-detection-job.

AWS CLI

Para iniciar um trabalho PHI de detecção

O start-phi-detection-job exemplo a seguir inicia um trabalho assíncrono de detecção de PHI entidades.

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

Saída:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar start-rx-norm-inference-job.

AWS CLI

Para iniciar um trabalho de RxNorm inferência

O start-rx-norm-inference-job exemplo a seguir inicia um trabalho de análise em lote de RxNorm inferência.

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

Saída:

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar start-snomedct-inference-job.

AWS CLI

Para iniciar um trabalho de inferência de SNOMED tomografia computadorizada

O start-snomedct-inference-job exemplo a seguir inicia um trabalho de análise em lote de inferência de 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

Saída:

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar stop-entities-detection-v2-job.

AWS CLI

Para interromper um trabalho de detecção de entidades

O stop-entities-detection-v2-job exemplo a seguir interrompe um trabalho assíncrono de detecção de entidades.

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

Saída:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar stop-icd10-cm-inference-job.

AWS CLI

Para interromper um trabalho de ICD inferência de -10 CM

O stop-icd10-cm-inference-job exemplo a seguir interrompe um trabalho de ICD análise em lote de inferência de -10 CM.

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

Saída:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar stop-phi-detection-job.

AWS CLI

Para interromper um trabalho de detecção de informações de saúde protegidas (PHI)

O stop-phi-detection-job exemplo a seguir interrompe um trabalho assíncrono de detecção de informações de saúde protegidas (PHI).

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

Saída:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Para obter mais informações, consulte Batch APIs no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar stop-rx-norm-inference-job.

AWS CLI

Para interromper um trabalho de RxNorm inferência

O stop-rx-norm-inference-job exemplo a seguir interrompe um trabalho de ICD análise em lote de inferência de -10 CM.

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

Saída:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.

O código de exemplo a seguir mostra como usar stop-snomedct-inference-job.

AWS CLI

Para interromper um trabalho de inferência de SNOMED tomografia computadorizada

O stop-snomedct-inference-job exemplo a seguir interrompe um trabalho de análise em lote de inferência de SNOMED CT.

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

Saída:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Para obter mais informações, consulte Ontologia que vincula a análise em lote no Guia do desenvolvedor do Amazon Comprehend Medical.