Comment fonctionne Amazon Comprehend Medical

Amazon Comprehend Medical utilise un modèle préentraîné de traitement du langage naturel (NLP) pour analyser le texte clinique non structuré grâce à la détection d'entités. Une entité est une référence textuelle à des informations médicales telles que des conditions médicales, des médicaments ou des informations de Health protégées (PHI). Certaines opérations vont plus loin en détectant des entités, puis en liant ces entités à des ontologies normalisées. Le modèle est constamment formé sur un grand nombre de textes médicaux, vous n'avez donc pas besoin de fournir des données de formation. Tous les résultats incluent un score de confiance, qui indique la confiance d'Amazon Comprehend Medical dans la précision des entités détectées.

La détection d'entités et la liaison ontologique peuvent être effectuées en tant qu'opérations synchrone ou asynchrone :

• Opérations synchrone : active l'analyse sur des documents uniques qui renvoient les résultats de l'analyse directement à vos applications. Utilisez les opérations à document unique lorsque vous créez une application interactive qui fonctionne sur un document à la fois.

• Opérations asynchrone : permet d'analyser une collection ou un lot de documents stockés dans un compartiment Amazon S3. Les résultats de l'analyse sont renvoyés dans un compartiment S3.

Note

Amazon Comprehend Medical peut analyser uniquement du texte en anglais (US-EN).

Détection synchrone des entités

LeDétecter les entités V2etDétecter PHIles opérations détectent les entités dans un texte clinique non structuré à partir de documents individuels. Vous envoyez un document au service Amazon Comprehend Medical et recevez les résultats de l'analyse dans la réponse.

Analyse asynchrone par lots

LeDétection des entités de démarrage V2 JobetDémarrer la tâche de détection de PHIDEXles opérations démarrent des tâches asynchrones pour détecter les références à des informations médicales telles que l'état médical, le traitement, les tests et les résultats ou les informations de santé protégées stockées dans un compartiment Amazon S3. La sortie de la tâche de détection est écrite dans un compartiment Amazon S3 distinct à partir duquel il peut être utilisé pour un traitement ultérieur ou une analyse en aval.

LeDémarrer le travail de référence de 10 cm, etDémarrer la tâche de référence RXNormles opérations démarrent l'ontologie en liant les opérations par lots qui détectent les entités et lient ces entités à des codes normalisés dans les bases de connaissances RXNorm et ICD-10-CM.

Liaison avec l'ontologie

LeInferic D10 cm,InfersnomEDCT, etDans la norme Ferrxles opérations détectent des affections médicales potentielles et des médicaments et les relient à des codes dans les bases de connaissances CIM-10-CM, SNOMED CT ou RXNorm, respectivement. Vous pouvez utiliser l'analyse de lots de liaison ontologique pour analyser une collection de documents ou un seul document volumineux. En utilisant la console ou l'ontologie reliant les API par lots, vous pouvez effectuer des opérations pour démarrer, arrêter, répertorier et décrire les tâches d'analyse par lots en cours.

Liaison avec les concepts de la base de connaissances ICD-10-CM sur les affections

LeInferic D10 cmdétecte les affections médicales potentielles et les lie aux codes de la version 2019 de la Classification internationale des maladies, 10e révision, modification clinique (CIM-10-CM). Pour chaque affection médicale potentielle détectée, Amazon Comprehend Medical répertorie les codes et descriptions de la CIM-10-CM correspondants. Ljested Medicalconditionsdans les résultatsinclure un score de confiance, qui indique la confiance qu'Amazon Comprehend Medical a enla précision des entitésaux concepts correspondants dans les résultats.

Liens avec les concepts de la base de connaissances RXNorm des médicaments

LeDans la norme Ferrxidentifie les médicaments répertoriés dans un dossier patient en tant qu'entités. Il relie les entités aux identificateurs de concept (RxCuI) de la base de données RXNorm de la National Library of Medicine. Chaque RXCuI est unique pour différents dosages et formes de doses. Ljested-medicationsdans les résultatsinclure un score de confiance, qui indique la confiance qu'Amazon Comprehend Medical a enla précision des entités correspondantes aux conceptsà partir desNorme RXbase de connaissances. Amazon Comprehend Medical répertorie les principaux RXCU susceptibles de correspondre à chaque médicament détecté par ordre décroissant en fonction du score de confiance.

Liens avec les concepts de la base de connaissances SNOMED CT des concepts médicaux

L'opération InfersNomedCT identifie les concepts médicaux possibles en tant qu'entités et les lie aux codes de la version 2021-03 de la Nomenclature systématisée de la médecine, termes cliniques (SNOMED CT). SNOMED CT fournit un vocabulaire complet des concepts médicaux, y compris les affections médicales et l'anatomie, ainsi que les tests médicaux, les traitements et les procédures. Pour chaque ID de concept apparié, Amazon Comprehend Medical renvoie les cinq principaux concepts médicaux, chacun avec un score de confiance et des informations contextuelles telles que des traits et des attributs. Les ID conceptuels SNOMED CT peuvent ensuite être utilisés pour structurer les données cliniques des patients à des fins de codage médical, de reporting ou d'analyse clinique lorsqu'ils sont utilisés avec la polyhiérarchie SNOMED CT.