Cómo funciona Amazon Comprehend Medical

Amazon Comprehend Medical utiliza un modelo de procesamiento de lenguaje natural (NLP) previamente entrenado para analizar textos clínicos no estructurados mediante la detección de entidades. Una entidad es una referencia textual a información médica, como afecciones médicas, medicamentos o información sanitaria protegida (PHI). Algunas operaciones van un paso más allá al detectar entidades y, a continuación, vincularlas a ontologías estandarizadas. El modelo se entrena continuamente con una gran cantidad de textos médicos, por lo que no es necesario proporcionar datos de entrenamiento. Todos los resultados incluyen una puntuación de confianza, que indica la confianza que Amazon Comprehend Medical tiene en la precisión de las entidades detectadas.

Tanto la detección de entidades como la vinculación de ontologías se pueden realizar como operaciones sincrónicas o asincrónicas:

• Operaciones sincrónicas: permiten analizar documentos individuales y devuelven los resultados del análisis directamente a las aplicaciones. Utilice las operaciones de documentos individuales cuando cree una aplicación interactiva que funcione en un documento cada vez.

• Operaciones asíncrónicas: permiten analizar una colección o un lote de documentos almacenados en un bucket de Amazon S3. Los resultados del análisis se devuelven en un bucket de S3.

nota

Amazon Comprehend Medical solo puede analizar textos en inglés (US-EN).

Detección de entidades sincrónicas

Las operaciones DetectEntitiesV2 y DetectPHI detectan entidades en textos clínicos no estructurados a partir de documentos individuales. El documento se envía al servicio Amazon Comprehend Medical y los resultados del análisis se reciben en la respuesta.

Análisis asincrónico por lotes

Las operaciones StartEntitiesDetectionV2Job y StartPHIDetectionJob inician trabajos asincrónicos para detectar referencias a información médica, como afecciones médicas, tratamientos, pruebas y resultados o información sanitaria protegida almacenada en un bucket de Amazon S3. El resultado del trabajo de detección se escribe en un bucket de Amazon S3 independiente desde donde se puede utilizar para su posterior procesamiento o análisis detallado.

Las operaciones StartICD10CMInferenceJob y StartRxNormInferenceJob inician operaciones por lotes de vinculación de ontologías que detectan entidades y las vinculan con códigos estandarizados de las bases de conocimiento RxNorm e ICD-10-CM.

Vinculación de ontologías

Las operaciones InferICD10CM, InfersNOMEDCT e InferRxNorm detectan posibles afecciones médicas y medicamentos y los vinculan a los códigos de las bases de conocimiento ICD-10-CM, SNOMED CT o RxNorm, respectivamente. Puede utilizar análisis por lotes de vinculación de ontologías para analizar una colección de documentos o un único documento de gran tamaño. Tanto la consola como las API de procesamiento por lotes de vinculación de ontologías le permiten realizar operaciones para iniciar, detener, enumerar y describir los trabajos de análisis por lotes en curso.

Vinculación con los conceptos de la base de conocimientos ICD-10-CM sobre afecciones médicas

La operación InferICD10CM detecta posibles afecciones médicas y las vincula a los códigos de la versión de 2019 de la International Classification of Diseases, 10th Revision, Clinical Modification (ICD-10-CM). Para cada posible afección médica detectada, Amazon Comprehend Medical muestra los códigos y las descripciones correspondientes de la ICD-10-CM. Las afecciones médicas que aparecen en los resultados incluyen una puntuación de confianza, que indica la confianza que Amazon Comprehend Medical tiene en la precisión de las entidades asociadas a los conceptos correspondientes de los resultados.

Vinculación con los conceptos de la base de conocimientos RxNorm sobre medicamentos

La operación InferRxNorm identifica como entidades los medicamentos que figuran en la historia clínica de un paciente. Esta operación vincula las entidades con los identificadores de conceptos (RxCUI) de la base de datos RxNorm de la National Library of Medicine. Cada RxCUI es único para diferentes concentraciones y formas de dosificación. Los medicamentos que aparecen en los resultados incluyen una puntuación de confianza, que indica la confianza que Amazon Comprehend Medical tiene en la precisión de las entidades asociadas a los conceptos de la base de datos RxNorm. Amazon Comprehend Medical indica, en orden descendente según la puntuación de confianza, los RxCUI que con más probabilidad se asocian a cada medicamento que detecta.

Vinculación con los conceptos de la base de conocimientos SNOMED CT sobre conceptos médicos

La operación InferSNOMEDCT identifica como entidades los posibles conceptos médicos y los vincula con los códigos de la versión de marzo de 2021 de la Systematized Nomenclature of Medicine, Clinical Terms (SNOMED CT). SNOMED CT proporciona un vocabulario completo de conceptos médicos, que incluye afecciones médicas y anatomía, así como pruebas, tratamientos y procedimientos médicos. Para cada identificador de concepto coincidente, Amazon Comprehend Medical muestra los cinco conceptos médicos principales, cada uno con una puntuación de confianza e información contextual, como características y atributos. Los identificadores de conceptos de SNOMED CT se pueden utilizar después para estructurar los datos clínicos de los pacientes con fines de codificación médica, elaboración de informes o análisis clínicos, si se utilizan con la polijerarquía de SNOMED CT.