Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Les exemples de code suivants vous montrent comment effectuer des actions et implémenter des scénarios courants à l' AWS Command Line Interface aide d'Amazon Comprehend Medical.
Les actions sont des extraits de code de programmes plus larges et doivent être exécutées dans leur contexte. Alors que les actions vous indiquent comment appeler des fonctions de service individuelles, vous pouvez les voir en contexte dans leurs scénarios associés.
Chaque exemple inclut un lien vers le code source complet, où vous trouverez des instructions sur la façon de configurer et d'exécuter le code en contexte.
Rubriques
Actions
L'exemple de code suivant montre comment utiliserdescribe-entities-detection-v2-job.
- AWS CLI
-
Pour décrire une tâche de détection d'entités
L'
describe-entities-detection-v2-jobexemple suivant affiche les propriétés associées à une tâche de détection d'entités asynchrones.aws comprehendmedical describe-entities-detection-v2-job \ --job-id"ab9887877365fe70299089371c043b96"Sortie :
{ "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" } }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, consultez DescribeEntitiesDetectionV2Job
dans AWS CLI Command Reference.
-
L'exemple de code suivant montre comment utiliserdescribe-icd10-cm-inference-job.
- AWS CLI
-
Pour décrire une tâche d'inférence ICD-10-CM
L'
describe-icd10-cm-inference-jobexemple suivant décrit les propriétés de la tâche d'inférence demandée avec l'identifiant de tâche spécifié.aws comprehendmedical describe-icd10-cm-inference-job \ --job-id"5780034166536cdb52ffa3295a1b00a7"Sortie :
{ "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" } }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous à la section DescribeIcd10 CmInferenceJob
de AWS CLI la section Référence des commandes.
-
L'exemple de code suivant montre comment utiliserdescribe-phi-detection-job.
- AWS CLI
-
Pour décrire une tâche de détection de PHI
L'
describe-phi-detection-jobexemple suivant affiche les propriétés associées à une tâche de détection asynchrone d'informations de santé protégées (PHI).aws comprehendmedical describe-phi-detection-job \ --job-id"4750034166536cdb52ffa3295a1b00a3"Sortie :
{ "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" } }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous DescribePhiDetectionJob
à la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserdescribe-rx-norm-inference-job.
- AWS CLI
-
Pour décrire une tâche d' RxNorm inférence
L'
describe-rx-norm-inference-jobexemple suivant décrit les propriétés de la tâche d'inférence demandée avec l'identifiant de tâche spécifié.aws comprehendmedical describe-rx-norm-inference-job \ --job-id"eg8199877365fc70299089371c043b96"Sortie :
{ "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" } }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous DescribeRxNormInferenceJob
à la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserdescribe-snomedct-inference-job.
- AWS CLI
-
Pour décrire une tâche d'inférence SNOMED CT
L'
describe-snomedct-inference-jobexemple suivant décrit les propriétés de la tâche d'inférence demandée avec l'identifiant de tâche spécifié.aws comprehendmedical describe-snomedct-inference-job \ --job-id"2630034166536cdb52ffa3295a1b00a7"Sortie :
{ "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" } }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous DescribeSnomedctInferenceJob
à la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserdetect-entities-v2.
- AWS CLI
-
Exemple 1 : pour détecter des entités directement à partir du texte
L'
detect-entities-v2exemple suivant montre les entités détectées et les étiquette en fonction de leur type, directement à partir du texte saisi.aws comprehendmedical detect-entities-v2 \ --text"Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."Sortie :
{ "Id": 0, "BeginOffset": 38, "EndOffset": 47, "Score": 0.9942955374717712, "Text": "Clonidine", "Category": "MEDICATION", "Type": "GENERIC_NAME", "Traits": [] }Pour plus d'informations, consultez la version 2 de Detect Entities dans le manuel Amazon Comprehend Medical Developer Guide.
Exemple 2 : pour détecter des entités à partir d'un chemin de fichier
L'
detect-entities-v2exemple suivant montre les entités détectées et les étiquette en fonction de leur type à partir d'un chemin de fichier.aws comprehendmedical detect-entities-v2 \ --textfile://medical_entities.txtContenu de
medical_entities.txt:{ "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy." }Sortie :
{ "Id": 0, "BeginOffset": 38, "EndOffset": 47, "Score": 0.9942955374717712, "Text": "Clonidine", "Category": "MEDICATION", "Type": "GENERIC_NAME", "Traits": [] }Pour plus d'informations, consultez la version 2 de Detect Entities dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir DetectEntitiesV2
dans AWS CLI Command Reference.
-
L'exemple de code suivant montre comment utiliserdetect-phi.
- AWS CLI
-
Exemple 1 : pour détecter les informations de santé protégées (PHI) directement à partir du texte
L'
detect-phiexemple suivant affiche les entités d'informations de santé protégées (PHI) détectées directement à partir du texte saisi.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."Sortie :
{ "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" }Pour plus d'informations, consultez Detect PHI dans le manuel Amazon Comprehend Medical Developer Guide.
Exemple 2 : pour détecter et protéger les informations de santé (PHI) directement à partir d'un chemin de fichier
L'
detect-phiexemple suivant montre les entités d'informations de santé protégées (PHI) détectées à partir d'un chemin de fichier.aws comprehendmedical detect-phi \ --textfile://phi.txtContenu 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."Sortie :
{ "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" }Pour plus d'informations, consultez Detect PHI dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir DetectPhi
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserinfer-icd10-cm.
- AWS CLI
-
Exemple 1 : pour détecter des entités liées à un état médical et créer un lien vers l'ontologie ICD-10-CM directement à partir du texte
L'
infer-icd10-cmexemple suivant étiquette les entités des affections médicales détectées et associe ces entités aux codes de l'édition 2019 de la Classification internationale des maladies, modification clinique (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."Sortie :
{ "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" }Pour plus d'informations, consultez Infer ICD1 0-CM dans le manuel Amazon Comprehend Medical Developer Guide.
Exemple 2 : pour détecter des entités liées à un état médical et établir un lien vers l'ontologie ICD-10-CM à partir d'un chemin de fichier
L'
infer-icd-10-cmexemple suivant étiquette les entités des affections médicales détectées et associe ces entités aux codes de l'édition 2019 de la Classification internationale des maladies, modification clinique (ICD-10-CM).aws comprehendmedical infer-icd10-cm \ --textfile://icd10cm.txtContenu de
icd10cm.txt:{ "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily." }Sortie :
{ "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" }Pour plus d'informations, consultez ICD1Infer-0-CM dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir InferIcd10Cm
dans AWS CLI Command Reference.
-
L'exemple de code suivant montre comment utiliserinfer-rx-norm.
- AWS CLI
-
Exemple 1 : pour détecter les entités médicamenteuses et créer un lien vers celles-ci RxNorm directement à partir du texte
L'
infer-rx-normexemple suivant montre et étiquette les entités médicamenteuses détectées et lie ces entités aux identificateurs conceptuels (RxCUI) de la base de données de la National Library of Medicine. RxNormaws comprehendmedical infer-rx-norm \ --text"Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."Sortie :
{ "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" }Pour plus d'informations, consultez la section Infer du RxNorm guide du développeur Amazon Comprehend Medical.
Exemple 2 : pour détecter des entités médicamenteuses et établir un lien vers celles-ci à RxNorm partir d'un chemin de fichier.
L'
infer-rx-normexemple suivant montre et étiquette les entités médicamenteuses détectées et lie ces entités aux identificateurs conceptuels (RxCUI) de la base de données de la National Library of Medicine. RxNormaws comprehendmedical infer-rx-norm \ --textfile://rxnorm.txtContenu de
rxnorm.txt:{ "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid." }Sortie :
{ "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" }Pour plus d'informations, consultez la section Infer du RxNorm guide du développeur Amazon Comprehend Medical.
-
Pour plus de détails sur l'API, voir InferRxNorm
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserinfer-snomedct.
- AWS CLI
-
Exemple : pour détecter des entités et établir un lien vers l'ontologie SNOMED CT directement à partir du texte
L'
infer-snomedctexemple suivant montre comment détecter les entités médicales et les relier aux concepts de la version 2021-03 de la Nomenclature systématisée de la médecine, termes cliniques (SNOMED CT).aws comprehendmedical infer-snomedct \ --text"The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."Sortie :
{ "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" }Pour plus d'informations, consultez InfersNoMedCT dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir InferSnomedct
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserlist-entities-detection-v2-jobs.
- AWS CLI
-
Pour répertorier les tâches de détection d'entités
L'
list-entities-detection-v2-jobsexemple suivant répertorie les tâches de détection asynchrones en cours.aws comprehendmedical list-entities-detection-v2-jobsSortie :
{ "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" } ] }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, consultez ListEntitiesDetectionV2Jobs
dans AWS CLI Command Reference.
-
L'exemple de code suivant montre comment utiliserlist-icd10-cm-inference-jobs.
- AWS CLI
-
Pour répertorier tous les travaux d'inférence ICD-10-CM actuels
L'exemple suivant montre comment l'
list-icd10-cm-inference-jobsopération renvoie une liste des tâches d'inférence par lots asynchrones ICD-10-CM en cours.aws comprehendmedical list-icd10-cm-inference-jobsSortie :
{ "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" } ] }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous à la section ListIcd10 CmInferenceJobs
de AWS CLI la section Référence des commandes.
-
L'exemple de code suivant montre comment utiliserlist-phi-detection-jobs.
- AWS CLI
-
Pour répertorier les tâches de détection d'informations de santé protégées (PHI)
L'
list-phi-detection-jobsexemple suivant répertorie les tâches de détection d'informations de santé protégées (PHI) en coursaws comprehendmedical list-phi-detection-jobsSortie :
{ "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" } ] }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir ListPhiDetectionJobs
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserlist-rx-norm-inference-jobs.
- AWS CLI
-
Pour répertorier tous les travaux d'inférence Rx-Norm actuels
L'exemple suivant montre comment
list-rx-norm-inference-jobsrenvoie une liste des tâches d'inférence par lots Rx-Norm asynchrones en cours.aws comprehendmedical list-rx-norm-inference-jobsSortie :
{ "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" } ] }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir ListRxNormInferenceJobs
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserlist-snomedct-inference-jobs.
- AWS CLI
-
Pour répertorier tous les jobs d'inférence SNOMED CT
L'exemple suivant montre comment l'
list-snomedct-inference-jobsopération renvoie une liste des tâches d'inférence par lots asynchrones SNOMED CT en cours.aws comprehendmedical list-snomedct-inference-jobsSortie :
{ "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" } ] }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir ListSnomedctInferenceJobs
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserstart-entities-detection-v2-job.
- AWS CLI
-
Pour démarrer une tâche de détection d'entités
L'
start-entities-detection-v2-jobexemple suivant démarre une tâche de détection d'entités asynchrones.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-codeenSortie :
{ "JobId": "ab9887877365fe70299089371c043b96" }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, consultez StartEntitiesDetectionV2Job
dans AWS CLI Command Reference.
-
L'exemple de code suivant montre comment utiliserstart-icd10-cm-inference-job.
- AWS CLI
-
Pour démarrer une tâche d'inférence ICD-10-CM
L'
start-icd10-cm-inference-jobexemple suivant démarre une tâche d'analyse par lots d'inférence ICD-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-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole\ --language-codeenSortie :
{ "JobId": "ef7289877365fc70299089371c043b96" }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous à la section StartIcd10 CmInferenceJob
de AWS CLI la section Référence des commandes.
-
L'exemple de code suivant montre comment utiliserstart-phi-detection-job.
- AWS CLI
-
Pour démarrer une tâche de détection de PHI
L'
start-phi-detection-jobexemple suivant démarre une tâche de détection d'entités PHI asynchrones.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-codeenSortie :
{ "JobId": "ab9887877365fe70299089371c043b96" }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir StartPhiDetectionJob
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserstart-rx-norm-inference-job.
- AWS CLI
-
Pour démarrer une tâche d' RxNorm inférence
L'
start-rx-norm-inference-jobexemple suivant démarre une tâche d'analyse par lots d' RxNorm inférence.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-codeenSortie :
{ "JobId": "eg8199877365fc70299089371c043b96" }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir StartRxNormInferenceJob
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserstart-snomedct-inference-job.
- AWS CLI
-
Pour démarrer une tâche d'inférence SNOMED CT
L'
start-snomedct-inference-jobexemple suivant démarre une tâche d'analyse par lots par inférence 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-arnarn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole\ --language-codeenSortie :
{ "JobId": "dg7289877365fc70299089371c043b96" }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir StartSnomedctInferenceJob
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserstop-entities-detection-v2-job.
- AWS CLI
-
Pour arrêter une tâche de détection d'entités
L'
stop-entities-detection-v2-jobexemple suivant arrête une tâche de détection d'entités asynchrones.aws comprehendmedical stop-entities-detection-v2-job \ --job-id"ab9887877365fe70299089371c043b96"Sortie :
{ "JobId": "ab9887877365fe70299089371c043b96" }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, consultez StopEntitiesDetectionV2Job
dans AWS CLI Command Reference.
-
L'exemple de code suivant montre comment utiliserstop-icd10-cm-inference-job.
- AWS CLI
-
Pour arrêter une tâche d'inférence ICD-10-CM
L'
stop-icd10-cm-inference-jobexemple suivant arrête une tâche d'analyse par lots d'inférence ICD-10-CM.aws comprehendmedical stop-icd10-cm-inference-job \ --job-id"4750034166536cdb52ffa3295a1b00a3"Sortie :
{ "JobId": "ef7289877365fc70299089371c043b96", }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, reportez-vous à la section StopIcd10 CmInferenceJob
de AWS CLI la section Référence des commandes.
-
L'exemple de code suivant montre comment utiliserstop-phi-detection-job.
- AWS CLI
-
Pour arrêter une tâche de détection d'informations médicales protégées (PHI)
L'
stop-phi-detection-jobexemple suivant arrête une tâche de détection asynchrone d'informations de santé protégées (PHI).aws comprehendmedical stop-phi-detection-job \ --job-id"4750034166536cdb52ffa3295a1b00a3"Sortie :
{ "JobId": "ab9887877365fe70299089371c043b96" }Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir StopPhiDetectionJob
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserstop-rx-norm-inference-job.
- AWS CLI
-
Pour arrêter une tâche d' RxNorm inférence
L'
stop-rx-norm-inference-jobexemple suivant arrête une tâche d'analyse par lots d'inférence ICD-10-CM.aws comprehendmedical stop-rx-norm-inference-job \ --job-id"eg8199877365fc70299089371c043b96"Sortie :
{ "JobId": "eg8199877365fc70299089371c043b96", }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir StopRxNormInferenceJob
la section Référence des AWS CLI commandes.
-
L'exemple de code suivant montre comment utiliserstop-snomedct-inference-job.
- AWS CLI
-
Pour arrêter une tâche d'inférence SNOMED CT
L'
stop-snomedct-inference-jobexemple suivant arrête une tâche d'analyse par lots par inférence SNOMED CT.aws comprehendmedical stop-snomedct-inference-job \ --job-id"8750034166436cdb52ffa3295a1b00a1"Sortie :
{ "JobId": "8750034166436cdb52ffa3295a1b00a1", }Pour plus d'informations, consultez Ontology linking batch analysis dans le manuel Amazon Comprehend Medical Developer Guide.
-
Pour plus de détails sur l'API, voir StopSnomedctInferenceJob
la section Référence des AWS CLI commandes.
-
