Beispiele für die Verwendung der AWS CLI mit Amazon Comprehend Medical - AWS Command Line Interface
Aktionen

Beispiele für die Verwendung der AWS CLI mit Amazon Comprehend Medical

Die folgenden Codebeispiele zeigen, wie Sie Aktionen durchführen und gängige Szenarien implementieren, indem Sie die AWS Command Line Interface mit Amazon Comprehend Medical nutzen.

Aktionen sind Codeauszüge aus größeren Programmen und müssen im Kontext ausgeführt werden. Während Aktionen Ihnen zeigen, wie Sie einzelne Service-Funktionen aufrufen, können Sie Aktionen im Kontext der zugehörigen Szenarien anzeigen.

Jedes Beispiel enthält einen Link zum vollständigen Quellcode, wo Sie Anleitungen zum Einrichten und Ausführen des Codes im Kontext finden.

Themen

Aktionen

Das folgende Codebeispiel zeigt, wie describe-entities-detection-v2-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung von Entitäten

Im folgenden describe-entities-detection-v2-job-Beispiel werden die Eigenschaften eines asynchronen Entitätserkennungsauftrags angezeigt.

aws comprehendmedical describe-entities-detection-v2-job \
    --job-id "ab9887877365fe70299089371c043b96"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "ab9887877365fe70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-18T21:20:15.614000+00:00",
        "EndTime": "2020-03-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-07-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "DetectEntitiesModelV20190930"
    }
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie describe-icd10-cm-inference-job verwendet wird.

AWS CLI

So beschreiben Sie einen ICD-10-CM-Inferenzauftrag

Das folgende describe-icd10-cm-inference-job-Beispiel beschreibt die Eigenschaften des angeforderten Inferenzauftrags mit der angegebenen Auftrags-ID.

aws comprehendmedical describe-icd10-cm-inference-job \
    --job-id "5780034166536cdb52ffa3295a1b00a7"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "5780034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie describe-phi-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen PHI-Erkennungsauftrag

Im folgenden describe-phi-detection-job-Beispiel werden die Eigenschaften eines asynchronen Auftrags zur Erkennung geschützter Gesundheitsinformationen (PHI) angezeigt.

aws comprehendmedical describe-phi-detection-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "4750034166536cdb52ffa3295a1b00a3",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
        "EndTime": "2020-03-19T20:45:07.894000+00:00",
        "ExpirationTime": "2020-07-17T20:38:37+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "PHIModelV20190903"
    }
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie describe-rx-norm-inference-job verwendet wird.

AWS CLI

So beschreiben Sie einen RxNorm-Inferenzauftrag

Das folgende describe-rx-norm-inference-job-Beispiel beschreibt die Eigenschaften des angeforderten Inferenzauftrags mit der angegebenen Auftrags-ID.

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

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "g8199877365fc70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "0.0.0"
    }
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie describe-snomedct-inference-job verwendet wird.

AWS CLI

So beschreiben Sie einen SNOMED-CT-Inferenzauftrag

Das folgende describe-snomedct-inference-job-Beispiel beschreibt die Eigenschaften des angeforderten Inferenzauftrags mit der angegebenen Auftrags-ID.

aws comprehendmedical describe-snomedct-inference-job \
    --job-id "2630034166536cdb52ffa3295a1b00a7"

Ausgabe:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "2630034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2021-12-18T21:20:15.614000+00:00",
        "EndTime": "2021-12-18T21:27:07.350000+00:00",
        "ExpirationTime": "2022-05-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie detect-entities-v2 verwendet wird.

AWS CLI

Beispiel 1: So erkennen Sie Entitäten direkt anhand des Texts

Das folgende detect-entities-v2-Beispiel zeigt die erkannten Entitäten und kennzeichnet sie direkt anhand des Eingabetexts nach Typ.

aws comprehendmedical detect-entities-v2 \
    --text "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."

Ausgabe:

{
    "Id": 0,
    "BeginOffset": 38,
    "EndOffset": 47,
    "Score": 0.9942955374717712,
    "Text": "Clonidine",
    "Category": "MEDICATION",
    "Type": "GENERIC_NAME",
    "Traits": []
}

Weitere Informationen finden Sie unter Erkennen von Entitäten, Version 2 im Entwicklerhandbuch zu Amazon Comprehend Medical.

Beispiel 2: So erkennen Sie Entitäten anhand eines Dateipfads

Das folgende detect-entities-v2-Beispiel zeigt die erkannten Entitäten und kennzeichnet sie anhand eines Dateipfads nach Typ.

aws comprehendmedical detect-entities-v2 \
    --text file://medical_entities.txt

Inhalt von medical_entities.txt:

{
    "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."
}

Ausgabe:

{
    "Id": 0,
    "BeginOffset": 38,
    "EndOffset": 47,
    "Score": 0.9942955374717712,
    "Text": "Clonidine",
    "Category": "MEDICATION",
    "Type": "GENERIC_NAME",
    "Traits": []
}

Weitere Informationen finden Sie unter Erkennen von Entitäten, Version 2 im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie detect-phi verwendet wird.

AWS CLI

Beispiel 1: So erkennen Sie geschützte Gesundheitsinformationen (PHI) direkt im Text

Im folgenden detect-phi-Beispiel werden die erkannten Entitäten geschützter Gesundheitsinformationen (PHI) direkt im Eingabetext angezeigt.

aws comprehendmedical detect-phi \
    --text "Patient Carlos Salazar presented with rash on his upper extremities and dry cough. He lives at 100 Main Street, Anytown, USA where he works from his home as a carpenter."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Detect PHI im Entwicklerhandbuch zu Amazon Comprehend Medical.

Beispiel 2: So erkennen Sie geschützte Gesundheitsinformationen (PHI) direkt anhand eines Dateipfads

Im folgenden detect-phi-Beispiel werden die erkannten Entitäten geschützter Gesundheitsinformationen (PHI) anhand eines Dateipfads angezeigt.

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

Inhalt von phi.txt:

"Patient Carlos Salazar presented with a rash on his upper extremities and a dry cough. He lives at 100 Main Street, Anytown, USA, where he works from his home as a carpenter."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Detect PHI im Entwicklerhandbuch zu Amazon Comprehend Medical.

  • API-Details finden Sie unter DetectPhi in der AWS CLI-Befehlsreferenz.

Das folgende Codebeispiel zeigt, wie infer-icd10-cm verwendet wird.

AWS CLI

Beispiel 1: So erkennen Sie Entitäten für medizinische Erkrankungen und verknüpfen sie direkt anhand des Texts mit der ICD-10-CM-Ontologie

Das folgende infer-icd10-cm-Beispiel kennzeichnet die Entitäten für den erkannten Gesundheitszustand und verknüpft diese Entitäten mit Codes in der Ausgabe 2019 der International Classification of Diseases Clinical Modification (ICD-10-CM).

aws comprehendmedical infer-icd10-cm \
    --text "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

Weitere Informationen finden Sie unter Infer ICD10-CM im Entwicklerhandbuch zu Amazon Comprehend Medical.

Beispiel 2: So erkennen Sie Entitäten für medizinische Erkrankungen und verknüpfen sie anhand eines Dateipfads mit der ICD-10-CM-Ontologie

Das folgende infer-icd-10-cm-Beispiel kennzeichnet die Entitäten für den erkannten Gesundheitszustand und verknüpft diese Entitäten mit Codes in der Ausgabe 2019 der International Classification of Diseases Clinical Modification (ICD-10-CM).

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

Inhalt von icd10cm.txt:

{
    "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."
}

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

Weitere Informationen finden Sie unter Infer ICD10-CM im Entwicklerhandbuch zu Amazon Comprehend Medical.

  • API-Details finden Sie unter InferIcd10Cm in der AWS CLI-Befehlsreferenz.

Das folgende Codebeispiel zeigt, wie infer-rx-norm verwendet wird.

AWS CLI

Beispiel 1: So erkennen Sie Entitäten für Medikationen und verknüpfen sie direkt anhand des Texts mit RxNorm

Das folgende infer-rx-norm-Beispiel zeigt und kennzeichnet die erkannten Medikationsentitäten und verknüpft diese Entitäten mit Konzeptbezeichnern (RxCUI) aus der RxNorm-Datenbank der National Library of Medicine.

aws comprehendmedical infer-rx-norm \
    --text "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Infer RxNorm im Entwicklerhandbuch zu Amazon Comprehend Medical.

Beispiel 2: So erkennen Sie Entitäten für Medikationen und verknüpfen sie direkt anhand eines Dateipfads mit RxNorm

Das folgende infer-rx-norm-Beispiel zeigt und kennzeichnet die erkannten Medikationsentitäten und verknüpft diese Entitäten mit Konzeptbezeichnern (RxCUI) aus der RxNorm-Datenbank der National Library of Medicine.

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

Inhalt von rxnorm.txt:

{
    "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."
}

Ausgabe:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

Weitere Informationen finden Sie unter Infer RxNorm im Entwicklerhandbuch zu Amazon Comprehend Medical.

  • API-Details finden Sie unter InferRxNorm in der AWS CLI-Befehlsreferenz.

Das folgende Codebeispiel zeigt, wie infer-snomedct verwendet wird.

AWS CLI

Beispiel: So erkennen Sie Entitäten und verknüpfen sie direkt anhand des Texts mit der SNOMED-CT-Ontologie

Das folgende infer-snomedct-Beispiel zeigt, wie medizinische Entitäten erkannt und mit Konzepten aus der Version 2021-03 der Systematized Nomenclature of Medicine, Clinical Terms (SNOMED CT) verknüpft werden.

aws comprehendmedical infer-snomedct \
    --text "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."

Ausgabe:

{
    "Entities": [
        {
            "Id": 3,
            "BeginOffset": 26,
            "EndOffset": 40,
            "Score": 0.9598260521888733,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6819021701812744
                }
            ]
        },
        {
            "Id": 4,
            "BeginOffset": 73,
            "EndOffset": 81,
            "Score": 0.9905840158462524,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9255214333534241
                }
            ]
        },
        {
            "Id": 1,
            "BeginOffset": 95,
            "EndOffset": 104,
            "Score": 0.6371926665306091,
            "Text": "Micronase",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Traits": [],
            "Attributes": [
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9761165380477905,
                    "RelationshipScore": 0.9984188079833984,
                    "RelationshipType": "FREQUENCY",
                    "Id": 2,
                    "BeginOffset": 105,
                    "EndOffset": 110,
                    "Text": "daily",
                    "Category": "MEDICATION",
                    "Traits": []
                }
            ]
        }
    ],
    "UnmappedAttributes": [],
    "ModelVersion": "1.0.0"
}

Weitere Informationen finden Sie unter InferSNOMEDCT im Entwicklerhandbuch zu Amazon Comprehend Medical.

  • API-Details finden Sie unter InferSnomedct in der AWS CLI-Befehlsreferenz.

Das folgende Codebeispiel zeigt, wie list-entities-detection-v2-jobs verwendet wird.

AWS CLI

So listen Sie Aufträge zur Erkennung von Entitäten auf

Das folgende list-entities-detection-v2-jobs-Beispiel listet aktuelle asynchrone Erkennungsaufträge auf.

aws comprehendmedical list-entities-detection-v2-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "ab9887877365fe70299089371c043b96",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "DetectEntitiesModelV20190930"
        }
    ]
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie list-icd10-cm-inference-jobs verwendet wird.

AWS CLI

So listen Sie alle aktuellen ICD-10-CM-Inferenzaufträge auf

Das folgende Beispiel zeigt, wie die Operation list-icd10-cm-inference-jobs eine Liste aktueller asynchroner ICD-10-CM-Batch-Inferenzaufträge zurückgibt.

aws comprehendmedical list-icd10-cm-inference-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie list-phi-detection-jobs verwendet wird.

AWS CLI

So listen Sie Erkennungsaufträge für geschützte Gesundheitsinformationen (PHI) auf

Im folgenden list-phi-detection-jobs-Beispiel werden aktuelle Erkennungsaufträge für geschützte Gesundheitsinformationen (PHI) aufgeführt

aws comprehendmedical list-phi-detection-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4750034166536cdb52ffa3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "PHIModelV20190903"
        }
    ]
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie list-rx-norm-inference-jobs verwendet wird.

AWS CLI

So listen Sie alle aktuellen Rx-Norm-Inferenzaufträge auf

Das folgende Beispiel zeigt, wie list-rx-norm-inference-jobs eine Liste aktueller asynchroner Rx-Norm-Batch-Inferenzaufträge zurückgibt.

aws comprehendmedical list-rx-norm-inference-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4980034166536cfb52gga3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "0.0.0"
        }
    ]
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie list-snomedct-inference-jobs verwendet wird.

AWS CLI

So listen Sie alle SNOMED-CT-Inferenzaufträge auf

Das folgende Beispiel zeigt, wie die Operation list-snomedct-inference-jobs eine Liste aktueller asynchroner SNOMED-CT-Batch-Inferenzaufträge zurückgibt.

aws comprehendmedical list-snomedct-inference-jobs

Ausgabe:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie start-entities-detection-v2-job verwendet wird.

AWS CLI

So starten Sie einen Auftrag zur Erkennung von Entitäten

Das folgende start-entities-detection-v2-job-Beispiel startet einen asynchronen Auftrag zur Erkennung von Entitäten.

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

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie start-icd10-cm-inference-job verwendet wird.

AWS CLI

So starten Sie einen ICD-10-CM-Inferenzauftrag

Im folgenden start-icd10-cm-inference-job-Beispiel wird ein Inferenz-Batch-Analyseauftrag für ICD-10-CM gestartet.

aws comprehendmedical start-icd10-cm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie start-phi-detection-job verwendet wird.

AWS CLI

So starten Sie einen PHI-Erkennungsauftrag

Das folgende start-phi-detection-job-Beispiel startet einen asynchronen Auftrag zur Erkennung von PHI-Entitäten.

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

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie start-rx-norm-inference-job verwendet wird.

AWS CLI

So starten Sie einen RxNorm-Inferenzauftrag

Im folgenden start-rx-norm-inference-job-Beispiel wird ein Inferenz-Batch-Analyseauftrag für RxNorm gestartet.

aws comprehendmedical start-rx-norm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

Ausgabe:

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie start-snomedct-inference-job verwendet wird.

AWS CLI

So starten Sie einen SNOMED-CT-Inferenzauftrag

Im folgenden start-snomedct-inference-job-Beispiel wird ein Inferenz-Batch-Analyseauftrag für SNOMED CT gestartet.

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

Ausgabe:

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie stop-entities-detection-v2-job verwendet wird.

AWS CLI

So halten Sie einen Auftrag zur Erkennung von Entitäten an

Das folgende stop-entities-detection-v2-job-Beispiel hält einen asynchronen Auftrag zur Erkennung von Entitäten an.

aws comprehendmedical stop-entities-detection-v2-job \
    --job-id "ab9887877365fe70299089371c043b96"

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie stop-icd10-cm-inference-job verwendet wird.

AWS CLI

So halten Sie einen ICD-10-CM-Inferenzauftrag an

Im folgenden stop-icd10-cm-inference-job-Beispiel wird ein Inferenz-Batch-Analyseauftrag für ICD-10-CM angehalten.

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

Ausgabe:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie stop-phi-detection-job verwendet wird.

AWS CLI

So halten Sie einen Erkennungsauftrag für geschützte Gesundheitsinformationen (PHI) an

Im folgenden stop-phi-detection-job-Beispiel wird ein asynchroner Auftrag zur Erkennung geschützter Gesundheitsinformationen (PHI) angehalten.

aws comprehendmedical stop-phi-detection-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

Ausgabe:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Weitere Informationen finden Sie unter Batch-APIs im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie stop-rx-norm-inference-job verwendet wird.

AWS CLI

So halten Sie einen RxNorm-Inferenzauftrag an

Im folgenden stop-rx-norm-inference-job-Beispiel wird ein Inferenz-Batch-Analyseauftrag für ICD-10-CM angehalten.

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

Ausgabe:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.

Das folgende Codebeispiel zeigt, wie stop-snomedct-inference-job verwendet wird.

AWS CLI

So halten Sie einen SNOMED-CT-Inferenzauftrag an

Im folgenden stop-snomedct-inference-job-Beispiel wird ein Inferenz-Batch-Analyseauftrag für SNOMED CT angehalten.

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

Ausgabe:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

Weitere Informationen finden Sie unter Ontologie zur Verknüpfung von Batch-Analysen im Entwicklerhandbuch zu Amazon Comprehend Medical.