Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # PHI erkennen Verwenden Sie die Operation **DetectPhi**, wenn Sie beim Scannen des klinischen Textes nur geschützte Gesundheitsinformationen (PHI) erkennen möchten. **Verwenden DetectEntities Sie V2, um alle verfügbaren Entitäten im klinischen Text zu ermitteln.** Diese API eignet sich am besten für einen Anwendungsfall, in dem nur die Erkennung von PHI-Entitäten erforderlich ist. Hinweise zu Informationen in den Nicht-PHI-Kategorien finden Sie unter[Entitäten erkennen (Version 2)](textanalysis-entitiesv2.md). **Wichtig** Amazon Comprehend Medical bietet Konfidenzwerte, die das Maß an Vertrauen in die Genauigkeit der erkannten Entitäten angeben. Bewerten Sie diese Konfidenzwerte und ermitteln Sie den richtigen Vertrauensschwellenwert für Ihren Anwendungsfall. Für spezielle Anwendungsfälle zur Einhaltung von Vorschriften empfehlen wir, zusätzliche menschliche Untersuchungen oder andere Methoden zu verwenden, um die Richtigkeit der erkannten PHI zu bestätigen. Gemäß dem HIPAA-Gesetz müssen PHI, die auf einer Liste von 18 Identifikatoren basieren, mit besonderer Vorsicht behandelt werden. Amazon Comprehend Medical erkennt Entitäten, die mit diesen Kennungen verknüpft sind, aber diese Entitäten werden der durch die Safe-Harbor-Methode angegebenen Liste nicht 1:1 zugeordnet. Nicht alle Identifikatoren sind in unstrukturiertem klinischem Text enthalten, Amazon Comprehend Medical deckt jedoch alle relevanten Identifikatoren ab. Diese Identifikatoren bestehen aus Daten, die zur Identifizierung eines einzelnen Patienten verwendet werden können, einschließlich der folgenden Liste. Weitere Informationen finden Sie unter [Datenschutz in Gesundheitsinformationen](https://www.hhs.gov/hipaa/for-professionals/privacy/special-topics/de-identification/index.html) auf der Website der *US-Regierung für Health und Soziales*. Jede PHI-bezogene Entität enthält eine Punktzahl (`Score`in der Antwort), die angibt, inwieweit Amazon Comprehend Medical in die Genauigkeit der Erkennung vertraut. Identifizieren Sie den richtigen Vertrauensschwellenwert für Ihren Anwendungsfall und filtern Sie Entitäten heraus, die diesen Schwellenwert nicht erfüllen. Bei der Identifizierung von PHI-Vorkommen ist es möglicherweise besser, einen niedrigen Konfidenzschwellenwert für die Filterung zu verwenden, um mehr potenziell erkannte Entitäten zu erfassen. Dies gilt insbesondere dann, wenn die Werte der erkannten Entitäten nicht in Compliance-Anwendungsfällen verwendet werden. **Die folgenden PHI-bezogenen Entitäten können erkannt werden, indem die Operationen **DetectPhi** oder DetectEntities V2 ausgeführt werden:** **Erkannte PHI-Entitäten** | Entität | Description | HIPAA-Kategorie | | --- | --- | --- | | AGE | Alle Altersbestandteile, Altersspannen und jedes erwähnte Alter, unabhängig davon, ob es sich um einen Patienten, ein Familienmitglied oder andere an der Notiz beteiligte Personen handelt. Die Standardeinstellung ist in Jahren angegeben, sofern nicht anders angegeben. | 3. Daten, die sich auf eine Person beziehen | | DATE | Jedes Datum, das sich auf den Patienten oder die Patientenversorgung bezieht. | 3. Daten, die sich auf eine Person beziehen | | NAME | Alle in der klinischen Notiz genannten Namen gehören in der Regel einem Patienten, einer Familie oder einem Anbieter. | 1. Name | | TELEFON\$1ODER\$1FAX | Jedes Telefon, Fax, Pager; ausgenommen benannte Telefonnummern wie 1-800-QUIT-NOW und 911. | 4. Phone number (Telefonnummer) 5. FAX-Nummer | | EMAIL | Beliebige E-Mail-Adresse. | 6. E-Mail-Adressen | | ID (ID) | Jede Art von Nummer, die mit der Identität eines Patienten verknüpft ist. Dazu gehören die Sozialversicherungsnummer, die Nummer der Krankenakte, die Identifikationsnummer der Einrichtung, die Nummer der klinischen Studie, die Zertifikat- oder Lizenznummer, die Fahrzeug- oder Gerätenummer. Dazu gehören auch biometrische Nummern und Nummern, die den Ort der Behandlung oder den Leistungserbringer identifizieren. | 7. Sozialversicherungsnummer 8. Nummer der Krankenakte 9. Nummer Health Gesundheitsplans 10. Kontonummern 11. Certificate/License Zahlen 12. Fahrzeug-Identifikatoren 13. Gerätenummern 16. Biometrische Informationen 18. Alle anderen identifizierenden Merkmale | | URL | Jede Web-URL. | 14. URLs | | ADDRESS | Dazu gehören alle geografischen Unterteilungen einer Adresse einer Einrichtung, benannte medizinische Einrichtungen oder Abteilungen innerhalb einer Einrichtung. | 2. Geografischer Standort | | BERUF | Schließt jeden Beruf oder Arbeitgeber ein, der in einer Notiz erwähnt wird und sich auf den Patienten oder dessen Familie bezieht. | 18. Alle anderen identifizierenden Merkmale | **Beispiel** Der Text „Patient ist John Smith, ein 48-jähriger Lehrer mit Wohnsitz in Seattle, Washington.“ Folgendes zurück: + „John Smith“ als *Entität* des Typs `NAME` in der `PROTECTED_HEALTH_INFORMATION` Kategorie. + „48" als *Entität* des Typs `AGE` in der `PROTECTED_HEALTH_INFORMATION` Kategorie. + „Lehrer“ als eine *Entität* des Typs `PROFESSION` (identifizierendes Merkmal) in der `PROTECTED_HEALTH_INFORMATION` Kategorie. + „Seattle, Washington“ als `ADDRESS` *Entität* in der `PROTECTED_HEALTH_INFORMATION` Kategorie. In der Amazon Comprehend Medical Medical-Konsole wird dies wie folgt angezeigt: ![\[Patient information card displaying name, age, profession, and address details.\]](http://docs.aws.amazon.com/de_de/comprehend-medical/latest/dev/images/patient.png) Wenn Sie den **DetectPhi-Vorgang** verwenden, sieht die Antwort wie folgt aus. Wenn Sie den Vorgang „**PHIDetectionJob starten**“ verwenden, erstellt Amazon Comprehend Medical am Ausgabeort eine Datei mit dieser Struktur. ``` { "Entities": [ { "Id": 0, "BeginOffset": 11, "EndOffset": 21, "Score": 0.997368335723877, "Text": "John Smith", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "NAME", "Traits": [] }, { "Id": 1, "BeginOffset": 25, "EndOffset": 27, "Score": 0.9998362064361572, "Text": "48", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "AGE", "Traits": [] }, { "Id": 2, "BeginOffset": 37, "EndOffset": 44, "Score": 0.8661606311798096, "Text": "teacher", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "PROFESSION", "Traits": [] }, { "Id": 3, "BeginOffset": 61, "EndOffset": 68, "Score": 0.9629441499710083, "Text": "Seattle", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "ADDRESS", "Traits": [] }, { "Id": 4, "BeginOffset": 78, "EndOffset": 88, "Score": 0.38217034935951233, "Text": "Washington", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "ADDRESS", "Traits": [] } ], "UnmappedAttributes": [] } ```