Exemples d'Amazon Comprehend Medical utilisant AWS CLI - AWS Command Line Interface
Actions

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.

Exemples d'Amazon Comprehend Medical utilisant AWS CLI

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 configuration et l’exécution du 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’exemple describe-entities-detection-v2-job suivant affiche les propriétés associées à une tâche asynchrone de détection d’entités.

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.

L'exemple de code suivant montre comment utiliserdescribe-icd10-cm-inference-job.

AWS CLI

Pour décrire une tâche d’inférence ICD-10-CM

L’exemple describe-icd10-cm-inference-job suivant décrit les propriétés de la tâche d’inférence demandée avec l’ID 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 Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

  • 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 des PHI

L’exemple describe-phi-detection-job suivant affiche les propriétés associées à une tâche asynchrone de détection d’informations protégées relatives à la santé (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.

L'exemple de code suivant montre comment utiliserdescribe-rx-norm-inference-job.

AWS CLI

Pour décrire une tâche d' RxNorm inférence

L’exemple describe-rx-norm-inference-job suivant décrit les propriétés de la tâche d’inférence demandée avec l’ID 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 Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserdescribe-snomedct-inference-job.

AWS CLI

Pour décrire une tâche d’inférence SNOMED CT

L’exemple describe-snomedct-inference-job suivant décrit les propriétés de la tâche d’inférence demandée avec l’ID 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 Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserdetect-entities-v2.

AWS CLI

Exemple 1 : pour détecter des entités directement à partir du texte

L’exemple detect-entities-v2 suivant montre les entités détectées et les étiquette en fonction de leur type, directement à partir du texte d’entrée.

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 Détection des entités version 2 dans le Guide du développeur Amazon Comprehend Medical.

Exemple 2 : pour détecter des entités à partir d’un chemin de fichier

L’exemple detect-entities-v2 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 \
    --text file://medical_entities.txt

Contenu 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 Détection des entités version 2 dans le Guide du développeur Amazon Comprehend Medical.

  • 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 des informations protégées relatives à la santé (PHI) directement à partir du texte

L’exemple detect-phi suivant affiche les entités d’informations protégées relatives à la santé (PHI) détectées directement à partir du texte d’entrée.

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 Détection des PHI dans le Guide du développeur Amazon Comprehend Medical.

Exemple 2 : pour détecter des informations protégées relatives à la santé (PHI) directement à partir d’un chemin de fichier

L’exemple detect-phi suivant montre les entités d’informations protégées relatives à la santé (PHI) détectées à partir d’un chemin de fichier.

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

Contenu 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 Détection des PHI dans le Guide du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l'API, voir DetectPhila 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 de santé et les associer à l’ontologie ICD-10-CM directement à partir du texte

L’exemple infer-icd10-cm suivant étiquette les entités d’état de santé détectées et les associe 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 la section Infer ICD1 0-CM dans le manuel Amazon Comprehend Medical Developer Guide.

Exemple 2 : pour détecter des entités liées à un état de santé et les associer à l’ontologie ICD-10-CM directement à partir d’un chemin de fichier

L’exemple infer-icd-10-cm suivant étiquette les entités d’état de santé détectées et les associe aux codes de l’édition 2019 de la Classification internationale des maladies, modification clinique (ICD-10-CM).

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

Contenu 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. RxNorm 

aws 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. RxNorm 

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

Contenu 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 InferRxNormla section Référence des AWS CLI commandes.

L'exemple de code suivant montre comment utiliserinfer-snomedct.

AWS CLI

Exemple : pour détecter des entités et les associer à l’ontologie SNOMED CT directement à partir du texte

L’exemple infer-snomedct suivant montre comment détecter des entités médicales et les associer aux concepts de la version 2021-03 de la Nomenclature systématisée des termes cliniques en médecine (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 Guide du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l'API, voir InferSnomedctla 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’exemple list-entities-detection-v2-jobs suivant répertorie les tâches asynchrones de détection actuelles.

aws comprehendmedical list-entities-detection-v2-jobs

Sortie :

{
    "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.

L'exemple de code suivant montre comment utiliserlist-icd10-cm-inference-jobs.

AWS CLI

Pour répertorier toutes les tâches d’inférence ICD-10-CM actuelles

L’exemple suivant montre comment l’opération list-icd10-cm-inference-jobs renvoie une liste des tâches asynchrones d’inférence par lots ICD-10-CM actuelles.

aws comprehendmedical list-icd10-cm-inference-jobs

Sortie :

{
    "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 Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

  • 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 protégées relatives à la santé (PHI)

L’exemple list-phi-detection-jobs suivant répertorie les tâches de détection d’informations protégées relatives à la santé (PHI) actuelles.

aws comprehendmedical list-phi-detection-jobs

Sortie :

{
    "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 ListPhiDetectionJobsla section Référence des AWS CLI commandes.

L'exemple de code suivant montre comment utiliserlist-rx-norm-inference-jobs.

AWS CLI

Pour répertorier toutes les tâches d’inférence Rx-Norm actuelles

L’exemple suivant montre comment list-rx-norm-inference-jobs renvoie une liste des tâches asynchrones d’inférence par lots Rx-Norm actuelles.

aws comprehendmedical list-rx-norm-inference-jobs

Sortie :

{
    "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 Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserlist-snomedct-inference-jobs.

AWS CLI

Pour répertorier toutes les tâches d’inférence SNOMED CT

L’exemple suivant montre comment l’opération list-snomedct-inference-jobs renvoie une liste des tâches asynchrones d’inférence par lots SNOMED CT actuelles.

aws comprehendmedical list-snomedct-inference-jobs

Sortie :

{
    "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 Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserstart-entities-detection-v2-job.

AWS CLI

Pour démarrer une tâche de détection d’entités

L’exemple start-entities-detection-v2-job suivant démarre une tâche asynchrone de détection d’entités.

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

Sortie :

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Pour plus d'informations, consultez Batch APIs dans le manuel Amazon Comprehend Medical Developer Guide.

L'exemple de code suivant montre comment utiliserstart-icd10-cm-inference-job.

AWS CLI

Pour démarrer une tâche d’inférence ICD-10-CM

L’exemple start-icd10-cm-inference-job suivant démarre une tâche d’analyse par lots de l’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-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Sortie :

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

Pour plus d’informations, consultez Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

  • 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’exemple start-phi-detection-job suivant lance une tâche asynchrone de détection d’entités de PHI.

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

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 StartPhiDetectionJobla 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-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Sortie :

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

Pour plus d’informations, consultez Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserstart-snomedct-inference-job.

AWS CLI

Pour démarrer une tâche d’inférence SNOMED CT

L’exemple start-snomedct-inference-job suivant démarre une tâche d’analyse par lots de l’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-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Sortie :

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

Pour plus d’informations, consultez Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserstop-entities-detection-v2-job.

AWS CLI

Pour arrêter une tâche de détection d’entités

L’exemple stop-entities-detection-v2-job suivant arrête une tâche asynchrone de détection d’entités.

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.

L'exemple de code suivant montre comment utiliserstop-icd10-cm-inference-job.

AWS CLI

Pour arrêter une tâche d’inférence ICD-10-CM

L’exemple stop-icd10-cm-inference-job suivant arrête une tâche d’analyse par lots de l’inférence ICD-10-CM.

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

Sortie :

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Pour plus d’informations, consultez Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

  • 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 protégées relatives à la santé (PHI)

L’exemple stop-phi-detection-job suivant arrête une tâche asynchrone de détection d’informations protégées relatives à la santé (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 StopPhiDetectionJobla 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’exemple stop-rx-norm-inference-job suivant arrête une tâche d’analyse par lots de l’inférence ICD-10-CM.

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

Sortie :

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Pour plus d’informations, consultez Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.

L'exemple de code suivant montre comment utiliserstop-snomedct-inference-job.

AWS CLI

Pour arrêter une tâche d’inférence SNOMED CT

L’exemple stop-snomedct-inference-job suivant arrête une tâche d’analyse par lots de l’inférence SNOMED CT.

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

Sortie :

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Pour plus d’informations, consultez Analyse par lots de la liaison d’ontologie dans le Guide du développeur Amazon Comprehend Medical.