Exemples d’utilisation de l’AWS CLI avec Amazon Comprehend Medical - AWS Command Line Interface
Actions

Exemples d’utilisation de l’AWS CLI avec Amazon Comprehend Medical

Les exemples de code suivants montrent comment réaliser des actions et mettre en œuvre des scénarios courants en utilisant l’AWS Command Line Interface avec 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 utiliser describe-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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser describe-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 Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser describe-phi-detection-job.

AWS CLI

Pour décrire une tâche de détection d’informations protégées sur la santé (PHI)

L’exemple describe-phi-detection-job suivant affiche les propriétés associées à une tâche asynchrone de détection d’informations protégées sur 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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez DescribePhiDetectionJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser describe-rx-norm-inference-job.

AWS CLI

Pour décrire une tâche d’inférence RxNorm

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 Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser describe-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 Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser detect-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 Detect Entities Version 2 dans le Manuel 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 Detect Entities Version 2 dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez DetectEntitiesV2 dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser detect-phi.

AWS CLI

Exemple 1 : pour détecter les informations protégées sur la santé (PHI) directement à partir du texte

L’exemple detect-phi suivant affiche les entités d’informations protégées sur 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 Detect PHI dans le Manuel du développeur Amazon Comprehend Medical.

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

L’exemple detect-phi suivant montre les entités d’informations protégées sur 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 Detect PHI dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez DetectPhi dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser infer-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 Infer-ICD10-CM dans le Manuel du développeur Amazon Comprehend Medical.

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 Infer-ICD10-CM dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez InferIcd10Cm dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser infer-rx-norm.

AWS CLI

Exemple 1 : pour détecter des entités médicamenteuses et les associer à RxNorm directement à partir du texte

L’exemple infer-rx-norm suivant montre et étiquette les entités médicamenteuses détectées et les associe aux identifiants de concept (RxCUI) de la base de données RxNorm de la Bibliothèque nationale de médecine des États-Unis.

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 Inférence RxNorm dans le Manuel du développeur Amazon Comprehend Medical.

Exemple 2 : pour détecter des entités médicamenteuses et les associer à RxNorm directement à partir d’un chemin de fichier.

L’exemple infer-rx-norm suivant montre et étiquette les entités médicamenteuses détectées et les associe aux identifiants de concept (RxCUI) de la base de données RxNorm de la Bibliothèque nationale de médecine des États-Unis.

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 Inférence RxNorm dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez InferRxNorm dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser infer-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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez InferSnomedct dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser list-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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser list-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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez ListIcd10CmInferenceJobs dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser list-phi-detection-jobs.

AWS CLI

Pour répertorier les tâches de détection d’informations protégées sur la santé (PHI)

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

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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez ListPhiDetectionJobs dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser list-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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez ListRxNormInferenceJobs dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser list-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 Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser start-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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser start-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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StartIcd10CmInferenceJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser start-phi-detection-job.

AWS CLI

Pour démarrer une tâche de détection d’informations protégées sur la santé

L’exemple start-phi-detection-job suivant lance une tâche asynchrone de détection d’entités d’informations protégées sur la santé.

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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StartPhiDetectionJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser start-rx-norm-inference-job.

AWS CLI

Pour démarrer une tâche d’inférence RxNorm

L’exemple start-rx-norm-inference-job suivant démarre une tâche d’analyse par lots de l’inférence RxNorm.

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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StartRxNormInferenceJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser start-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 Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser stop-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 API de lot dans le Manuel du développeur Amazon Comprehend Medical.

L’exemple de code suivant montre comment utiliser stop-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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StopIcd10CmInferenceJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser stop-phi-detection-job.

AWS CLI

Pour arrêter une tâche de détection d’informations protégées sur la santé (PHI)

L’exemple stop-phi-detection-job suivant arrête une tâche asynchrone de détection d’informations protégées sur la santé (PHI).

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

Sortie :

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

Pour plus d’informations, consultez API de lot dans le Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StopPhiDetectionJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser stop-rx-norm-inference-job.

AWS CLI

Pour arrêter une tâche d’inférence RxNorm

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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StopRxNormInferenceJob dans la Référence des commandes de l’AWS CLI.

L’exemple de code suivant montre comment utiliser stop-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 Manuel du développeur Amazon Comprehend Medical.

  • Pour plus de détails sur l’API, consultez StopSnomedctInferenceJob dans la Référence des commandes de l’AWS CLI.