本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Amazon Comprehend Medical 的運作方式

Amazon Comprehend Medical 使用預先訓練的自然語言處理 (NLP) 模型，透過實體偵測來分析非結構化臨床文字。實體是醫療資訊的文字參考，例如醫療狀況、藥物或受保護醫療資訊 (PHI)。某些操作會偵測實體，然後將這些實體連結至標準化的拓撲，進一步邁進一步。模型會在大量醫療文字上持續訓練，因此您不需要提供訓練資料。所有結果都包含可信度分數，這表示 Amazon Comprehend Medical 對偵測到實體準確性的可信度。

實體偵測和本體連結都可以同步或非同步操作執行：

同步實體偵測

DetectEntitiesV2 和 DetectPHI 操作會從個別文件偵測非結構化臨床文字中的實體。您會將文件傳送至 Amazon Comprehend Medical 服務，並在回應中收到分析結果。

非同步批次分析

StartEntitiesDetectionV2Job 和 StartPHIDetectionJob 操作會開始非同步任務，以偵測醫療資訊的參考，例如存放在 Amazon S3 儲存貯體中的醫療情況、治療、測試和結果或受保護醫療資訊。偵測任務的輸出會寫入單獨的 Amazon S3 儲存貯體，可用於進一步處理或下游分析。

StartICD10CMInferenceJob 和 StartRxNormInferenceJob 操作會開始本體連結批次操作，以偵測實體並將這些實體連結至 RxNorm 和 ICD-10-CM 知識庫中的標準化代碼。

拓撲連結

InferICD10CM、InferSNOMEDCT 和 InferRxNorm 操作會偵測潛在的醫療情況和藥物，並將其分別連結至 ICD-10-CM、SNOMED CT 或 RxNorm 知識庫中的程式碼。您可以使用內科連結批次分析來分析文件集合或單一大型文件。透過使用主控台或本體連結批次 APIs，您可以執行操作來啟動、停止、列出和描述正在進行的批次分析任務。

連結至 ICD-10-CM 醫學條件知識庫中的概念

InferICD10CM 操作會偵測潛在的醫療情況，並將其連結至 2019 年國際疾病分類第 10 版臨床修改 (ICD-10-CM) 的代碼。對於每個偵測到的潛在醫療情況，Amazon Comprehend Medical 會列出相符的 ICD-10-CM 代碼和描述。結果中列出的醫療情況包括可信度分數，這表示 Amazon Comprehend Medical 對結果中相符概念之實體準確性的可信度。

連結至 RxNorm 藥物知識庫中的概念

InferRxNorm 操作可識別在病患記錄中列為實體的藥品。它將實體連結至來自國家醫學圖書館 RxNorm 資料庫的概念識別符 (RxCUI)。每個 RxCUI 對於不同的強度和用量表單都是唯一的。結果中列出的藥物包含可信度分數，表示 Amazon Comprehend Medical 對符合 RxNorm 知識庫中概念之實體準確性的可信度。Amazon Comprehend Medical 會根據可信度分數，以遞減順序列出可能符合其偵測到之每種藥物的最上層 RxCUIs。

SNOMED CT 醫學概念知識庫中的概念連結

InferSNOMEDCT 操作會將可能的醫療概念識別為實體，並將其連結至 2021 年 3 年 Systematized Nomenclature of Medicine， clinical Terms (SNOMED CT) 版本的程式碼。SNOMED CT 提供全方位的醫療概念詞彙，包括醫療情況和解剖，以及醫療測試、治療和程序。對於每個相符的概念 ID，Amazon Comprehend Medical 會傳回前五個醫療概念，每個概念都有可信度分數和內容資訊，例如特徵和屬性。然後，SNOMED CT 概念 IDs 可用於建構患者臨床資料，以便與 SNOMED CT 多階層搭配使用進行醫療編碼、報告或臨床分析。