Diese Dokumentation bezieht sich AWS CLI nur auf Version 1 von. Dokumentation zu Version 2 von finden Sie im Benutzerhandbuch für Version 2. AWS CLI
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Beispiele von Amazon Comprehend Medical mit AWS CLI
Die folgenden Codebeispiele zeigen Ihnen, wie Sie mithilfe von Amazon Comprehend Medical Aktionen ausführen und allgemeine Szenarien implementieren. AWS Command Line Interface
Aktionen sind Codeauszüge aus größeren Programmen und müssen im Kontext ausgeführt werden. Aktionen zeigen Ihnen zwar, wie Sie einzelne Servicefunktionen aufrufen, aber Sie können Aktionen im Kontext der zugehörigen Szenarien sehen.
Jedes Beispiel enthält einen Link zum vollständigen Quellcode, in dem Sie Anweisungen zum Einrichten und Ausführen des Codes im Kontext finden.
Themen
Aktionen
Das folgende Codebeispiel zeigt die Verwendungdescribe-entities-detection-v2-job
.
- AWS CLI
-
Um einen Job zur Erkennung von Entitäten zu beschreiben
Im folgenden
describe-entities-detection-v2-job
Beispiel werden die Eigenschaften eines asynchronen Entitätserkennungsauftrags angezeigt.aws comprehendmedical describe-entities-detection-v2-job \ --job-id
"ab9887877365fe70299089371c043b96"
Ausgabe:
{ "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" } }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter DescribeEntitiesDetectionV2Job
in der Befehlsreferenz.AWS CLI
-
Das folgende Codebeispiel zeigt, wie man es benutzt. describe-icd10-cm-inference-job
- AWS CLI
-
Um einen ICD -10-CM-Inferenzjob zu beschreiben
Das folgende
describe-icd10-cm-inference-job
Beispiel beschreibt die Eigenschaften des angeforderten Inferenzjobs mit der angegebenen Job-ID.aws comprehendmedical describe-icd10-cm-inference-job \ --job-id
"5780034166536cdb52ffa3295a1b00a7"
Ausgabe:
{ "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" } }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter DescribeIcd10 CmInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt, wie mandescribe-phi-detection-job
.
- AWS CLI
-
Um einen PHI Erkennungsjob zu beschreiben
Im folgenden
describe-phi-detection-job
Beispiel werden die Eigenschaften eines asynchronen Erkennungsauftrags für geschützte Gesundheitsinformationen (PHI) angezeigt.aws comprehendmedical describe-phi-detection-job \ --job-id
"4750034166536cdb52ffa3295a1b00a3"
Ausgabe:
{ "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" } }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie DescribePhiDetectionJob
in der AWS CLI Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungdescribe-rx-norm-inference-job
.
- AWS CLI
-
Um einen RxNorm Inferenzjob zu beschreiben
Das folgende
describe-rx-norm-inference-job
Beispiel beschreibt die Eigenschaften des angeforderten Inferenzjobs mit der angegebenen Job-ID.aws comprehendmedical describe-rx-norm-inference-job \ --job-id
"eg8199877365fc70299089371c043b96"
Ausgabe:
{ "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" } }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie DescribeRxNormInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungdescribe-snomedct-inference-job
.
- AWS CLI
-
Um einen SNOMED CT-Inferenzjob zu beschreiben
Das folgende
describe-snomedct-inference-job
Beispiel beschreibt die Eigenschaften des angeforderten Inferenzjobs mit der angegebenen Job-ID.aws comprehendmedical describe-snomedct-inference-job \ --job-id
"2630034166536cdb52ffa3295a1b00a7"
Ausgabe:
{ "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" } }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie DescribeSnomedctInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungdetect-entities-v2
.
- AWS CLI
-
Beispiel 1: Um Entitäten direkt aus Text zu erkennen
Das folgende
detect-entities-v2
Beispiel zeigt die erkannten Entitäten und beschriftet sie nach Typ direkt aus dem eingegebenen Text.aws comprehendmedical detect-entities-v2 \ --text
"Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."
Ausgabe:
{ "Id": 0, "BeginOffset": 38, "EndOffset": 47, "Score": 0.9942955374717712, "Text": "Clonidine", "Category": "MEDICATION", "Type": "GENERIC_NAME", "Traits": [] }
Weitere Informationen finden Sie unter Detect Entities Version 2 im Amazon Comprehend Medical Developer Guide.
Beispiel 2: So erkennen Sie Entitäten anhand eines Dateipfads
Das folgende
detect-entities-v2
Beispiel zeigt die erkannten Entitäten und kennzeichnet sie entsprechend ihrem Typ aus einem Dateipfad.aws comprehendmedical detect-entities-v2 \ --text
file://medical_entities.txt
Inhalt von
medical_entities.txt
:{ "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy." }
Ausgabe:
{ "Id": 0, "BeginOffset": 38, "EndOffset": 47, "Score": 0.9942955374717712, "Text": "Clonidine", "Category": "MEDICATION", "Type": "GENERIC_NAME", "Traits": [] }
Weitere Informationen finden Sie unter Detect Entities Version 2 im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter DetectEntitiesV2
in der AWS CLI Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungdetect-phi
.
- AWS CLI
-
Beispiel 1: Um geschützte Gesundheitsinformationen (PHI) direkt aus Text zu erkennen
Im folgenden
detect-phi
Beispiel werden die erkannten Entitäten mit geschützten Gesundheitsinformationen (PHI) direkt aus dem Eingabetext angezeigt.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."
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter Detect PHI im Amazon Comprehend Medical Developer Guide.
Beispiel 2: So erkennen Sie Protect Health Information (PHI) direkt aus einem Dateipfad
Das folgende
detect-phi
Beispiel zeigt die erkannten Entitäten mit geschützten Gesundheitsinformationen (PHI) aus einem Dateipfad.aws comprehendmedical detect-phi \ --text
file://phi.txt
Inhalt von
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."
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter Detect PHI im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie DetectPhi
in der AWS CLI Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendunginfer-icd10-cm
.
- AWS CLI
-
Beispiel 1: Um Entitäten für medizinische Erkrankungen zu erkennen und direkt aus dem Text eine Verknüpfung zur ICD -10-CM-Ontologie herzustellen
Das folgende
infer-icd10-cm
Beispiel kennzeichnet die Entitäten für den erkannten Gesundheitszustand und verknüpft diese Entitäten mit Codes in der Ausgabe 2019 der International Classification of Diseases Clinical Modification (ICD-10-CM).aws comprehendmedical infer-icd10-cm \ --text
"The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter Infer ICD1 0-CM im Amazon Comprehend Medical Developer Guide.
Beispiel 2: Um Entitäten für medizinische Erkrankungen zu erkennen und von einem Dateipfad aus eine Verknüpfung zur ICD -10-CM-Ontologie herzustellen
Das folgende
infer-icd-10-cm
Beispiel kennzeichnet die Entitäten für den erkannten Gesundheitszustand und verknüpft diese Entitäten mit Codes in der Ausgabe 2019 der International Classification of Diseases Clinical Modification (ICD-10-CM).aws comprehendmedical infer-icd10-cm \ --text
file://icd10cm.txt
Inhalt von
icd10cm.txt
:{ "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily." }
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter ICD1Infer-0-CM im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter InferIcd10Cm
in der Befehlsreferenz.AWS CLI
-
Das folgende Codebeispiel zeigt, wie Sie es verwendeninfer-rx-norm
.
- AWS CLI
-
Beispiel 1: Um Entitäten von Medikamenten zu erkennen und RxNorm direkt aus dem Text zu verlinken
Das folgende
infer-rx-norm
Beispiel zeigt und beschriftet die erkannten Arzneimittelentitäten und verknüpft diese Entitäten mit Konzeptkennungen (RxCUI) aus der Datenbank der 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."
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter Infer RxNorm im Amazon Comprehend Medical Developer Guide.
Beispiel 2: Um Entitäten für Medikamente zu erkennen und von einem Dateipfad RxNorm aus eine Verknüpfung herzustellen.
Das folgende
infer-rx-norm
Beispiel zeigt und beschriftet die erkannten Arzneimittelentitäten und verknüpft diese Entitäten mit Konzeptkennungen (RxCUI) aus der Datenbank der National Library of Medicine RxNorm .aws comprehendmedical infer-rx-norm \ --text
file://rxnorm.txt
Inhalt von
rxnorm.txt
:{ "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid." }
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter Infer RxNorm im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie InferRxNorm
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendunginfer-snomedct
.
- AWS CLI
-
Beispiel: Um Entitäten zu erkennen und direkt aus dem Text auf die SNOMED CT-Ontologie zu verlinken
Das folgende
infer-snomedct
Beispiel zeigt, wie medizinische Entitäten erkannt und mit Konzepten aus der Version 2021-03 der Systematized Nomenclature of Medicine, Clinical Terms (CT) verknüpft werden. SNOMEDaws comprehendmedical infer-snomedct \ --text
"The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."
Ausgabe:
{ "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" }
Weitere Informationen finden Sie unter Infer SNOMEDCT im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie InferSnomedct
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendunglist-entities-detection-v2-jobs
.
- AWS CLI
-
Um Jobs zur Erkennung von Entitäten aufzulisten
Das folgende
list-entities-detection-v2-jobs
Beispiel listet aktuelle asynchrone Erkennungsaufträge auf.aws comprehendmedical list-entities-detection-v2-jobs
Ausgabe:
{ "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" } ] }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter ListEntitiesDetectionV2Jobs
in der Befehlsreferenz.AWS CLI
-
Das folgende Codebeispiel zeigt, wie man es benutzt. list-icd10-cm-inference-jobs
- AWS CLI
-
Um alle aktuellen ICD -10-CM-Inferenzjobs aufzulisten
Das folgende Beispiel zeigt, wie der
list-icd10-cm-inference-jobs
Vorgang eine Liste aktueller asynchroner ICD -10-CM-Batchinferenzjobs zurückgibt.aws comprehendmedical list-icd10-cm-inference-jobs
Ausgabe:
{ "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" } ] }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter ListIcd10 CmInferenceJobs
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt, wie manlist-phi-detection-jobs
.
- AWS CLI
-
Um Jobs zur Erkennung geschützter Gesundheitsinformationen (PHI) aufzulisten
Im folgenden
list-phi-detection-jobs
Beispiel werden aktuelle Aufträge zur Erkennung geschützter Gesundheitsinformationen (PHI) aufgeführtaws comprehendmedical list-phi-detection-jobs
Ausgabe:
{ "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" } ] }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie ListPhiDetectionJobs
in der AWS CLI Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendunglist-rx-norm-inference-jobs
.
- AWS CLI
-
Um alle aktuellen Rx-Norm-Inferenzjobs aufzulisten
Das folgende Beispiel zeigt, wie eine Liste aktueller asynchroner Rx-Norm-Batchinferenzjobs
list-rx-norm-inference-jobs
zurückgegeben wird.aws comprehendmedical list-rx-norm-inference-jobs
Ausgabe:
{ "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" } ] }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie ListRxNormInferenceJobs
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendunglist-snomedct-inference-jobs
.
- AWS CLI
-
Um alle SNOMED CT-Inferenzjobs aufzulisten
Das folgende Beispiel zeigt, wie der
list-snomedct-inference-jobs
Vorgang eine Liste der aktuellen asynchronen SNOMED CT-Batch-Inferenzjobs zurückgibt.aws comprehendmedical list-snomedct-inference-jobs
Ausgabe:
{ "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" } ] }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie ListSnomedctInferenceJobs
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungstart-entities-detection-v2-job
.
- AWS CLI
-
Um einen Job zur Erkennung von Entitäten zu starten
Im folgenden
start-entities-detection-v2-job
Beispiel wird ein asynchroner Auftrag zur Erkennung von Entitäten gestartet.aws comprehendmedical start-entities-detection-v2-job \ --input-data-config
"S3Bucket=comp-med-input"
\ --output-data-config"S3Bucket=comp-med-output"
\ --data-access-role-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole
\ --language-codeen
Ausgabe:
{ "JobId": "ab9887877365fe70299089371c043b96" }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter StartEntitiesDetectionV2Job
in der Befehlsreferenz.AWS CLI
-
Das folgende Codebeispiel zeigt, wie man es benutzt. start-icd10-cm-inference-job
- AWS CLI
-
Um einen ICD -10-CM-Inferenzjob zu starten
Im folgenden
start-icd10-cm-inference-job
Beispiel wird ein Batch-Analyseauftrag für Inferenzen mit einer Länge von ICD -10 CM gestartet.aws comprehendmedical start-icd10-cm-inference-job \ --input-data-config
"S3Bucket=comp-med-input"
\ --output-data-config"S3Bucket=comp-med-output"
\ --data-access-role-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole
\ --language-codeen
Ausgabe:
{ "JobId": "ef7289877365fc70299089371c043b96" }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter StartIcd10 CmInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt, wie manstart-phi-detection-job
.
- AWS CLI
-
Um einen PHI Erkennungsauftrag zu starten
Im folgenden
start-phi-detection-job
Beispiel wird ein asynchroner PHI Entitätserkennungsauftrag gestartet.aws comprehendmedical start-phi-detection-job \ --input-data-config
"S3Bucket=comp-med-input"
\ --output-data-config"S3Bucket=comp-med-output"
\ --data-access-role-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole
\ --language-codeen
Ausgabe:
{ "JobId": "ab9887877365fe70299089371c043b96" }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie StartPhiDetectionJob
in der AWS CLI Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungstart-rx-norm-inference-job
.
- AWS CLI
-
Um einen RxNorm Inferenzjob zu starten
Im folgenden
start-rx-norm-inference-job
Beispiel wird ein Auftrag zur Batch-Analyse von RxNorm Inferenzen gestartet.aws comprehendmedical start-rx-norm-inference-job \ --input-data-config
"S3Bucket=comp-med-input"
\ --output-data-config"S3Bucket=comp-med-output"
\ --data-access-role-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole
\ --language-codeen
Ausgabe:
{ "JobId": "eg8199877365fc70299089371c043b96" }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie StartRxNormInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungstart-snomedct-inference-job
.
- AWS CLI
-
Um einen SNOMED CT-Inferenzjob zu starten
Im folgenden
start-snomedct-inference-job
Beispiel wird ein Batch-Analyseauftrag für SNOMED CT-Inferenzen gestartet.aws comprehendmedical start-snomedct-inference-job \ --input-data-config
"S3Bucket=comp-med-input"
\ --output-data-config"S3Bucket=comp-med-output"
\ --data-access-role-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole
\ --language-codeen
Ausgabe:
{ "JobId": "dg7289877365fc70299089371c043b96" }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie StartSnomedctInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungstop-entities-detection-v2-job
.
- AWS CLI
-
Um einen Job zur Entitätserkennung zu beenden
Im folgenden
stop-entities-detection-v2-job
Beispiel wird ein asynchroner Entitätserkennungsauftrag beendet.aws comprehendmedical stop-entities-detection-v2-job \ --job-id
"ab9887877365fe70299089371c043b96"
Ausgabe:
{ "JobId": "ab9887877365fe70299089371c043b96" }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter StopEntitiesDetectionV2Job
in der Befehlsreferenz.AWS CLI
-
Das folgende Codebeispiel zeigt, wie man es benutzt. stop-icd10-cm-inference-job
- AWS CLI
-
Um einen ICD -10-CM-Inferenzjob zu beenden
Im folgenden
stop-icd10-cm-inference-job
Beispiel wird ein Batch-Analyseauftrag mit einer ICD Inferenz von -10 CM beendet.aws comprehendmedical stop-icd10-cm-inference-job \ --job-id
"4750034166536cdb52ffa3295a1b00a3"
Ausgabe:
{ "JobId": "ef7289877365fc70299089371c043b96", }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie unter StopIcd10 CmInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt, wie manstop-phi-detection-job
.
- AWS CLI
-
Um einen Job zur Erkennung geschützter Gesundheitsinformationen (PHI) zu beenden
Im folgenden
stop-phi-detection-job
Beispiel wird ein asynchroner Erkennungsauftrag für geschützte Gesundheitsinformationen (PHI) beendet.aws comprehendmedical stop-phi-detection-job \ --job-id
"4750034166536cdb52ffa3295a1b00a3"
Ausgabe:
{ "JobId": "ab9887877365fe70299089371c043b96" }
Weitere Informationen finden Sie unter Batch APIs im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie StopPhiDetectionJob
in der AWS CLI Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungstop-rx-norm-inference-job
.
- AWS CLI
-
Um einen RxNorm Inferenzjob zu beenden
Im folgenden
stop-rx-norm-inference-job
Beispiel wird ein ICD Batch-Analyseauftrag für Inferenzen mit einem Wert von -10 CM beendet.aws comprehendmedical stop-rx-norm-inference-job \ --job-id
"eg8199877365fc70299089371c043b96"
Ausgabe:
{ "JobId": "eg8199877365fc70299089371c043b96", }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie StopRxNormInferenceJob
in AWS CLI der Befehlsreferenz.
-
Das folgende Codebeispiel zeigt die Verwendungstop-snomedct-inference-job
.
- AWS CLI
-
Um einen SNOMED CT-Inferenzjob zu beenden
Im folgenden
stop-snomedct-inference-job
Beispiel wird ein Auftrag zur Batch-Analyse von SNOMED CT-Inferenzen beendet.aws comprehendmedical stop-snomedct-inference-job \ --job-id
"8750034166436cdb52ffa3295a1b00a1"
Ausgabe:
{ "JobId": "8750034166436cdb52ffa3295a1b00a1", }
Weitere Informationen finden Sie unter Ontology Linking Batch Analysis im Amazon Comprehend Medical Developer Guide.
-
APIEinzelheiten finden Sie StopSnomedctInferenceJob
in AWS CLI der Befehlsreferenz.
-