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.
# Ontologie-Verknüpfung
Verwenden Sie Amazon Comprehend Medical, um Entitäten in klinischem Text zu erkennen und diese Entitäten mit Konzepten in standardisierten medizinischen Ontologien zu verknüpfen, einschließlich der RxNorm Wissensdatenbanken ICD-10-CM und SNOMED CT. Sie können Analysen sowohl für einzelne Dateien als auch als Batch-Analyse für große Dokumente oder mehrere Dateien durchführen, die in einem Amazon Simple Storage Service (S3) gespeichert sind.
# ICD-10-CM-Verknüpfung
Verwenden Sie Infer ICD10 CM, um mögliche Erkrankungen als Entitäten zu erkennen und sie mit Codes aus der Version 2026 der [Internationalen Klassifikation der Krankheiten, 10. Revision, Klinische Änderung (ICD-10-CM](https://www.cdc.gov/nchs/icd/icd-10-cm/?CDC_AAref_Val=https://www.cdc.gov/nchs/icd/icd-10-cm.htm)) zu verknüpfen. Das ICD-10-CM wird von den US-amerikanischen Zentren für die Kontrolle und Prävention von Krankheiten (CDC) bereitgestellt.
Wenn Erkrankungen festgestellt werden, werden die entsprechenden ICD-10-CM-Codes und -Beschreibungen `InferICD10CM` zurückgegeben. Die erkannten Erkrankungen werden in absteigender Vertrauensreihenfolge aufgeführt. Die Ergebnisse geben das Vertrauen in die Genauigkeit der Entitäten an, die den im Text enthaltenen Konzepten entsprechen. Verwandte Informationen wie Familienanamnese, Anzeichen, Symptome und Negation werden als Merkmale erkannt. Zusätzliche Informationen wie anatomische Bezeichnungen und Sehschärfe werden als Attribute aufgeführt.
Infer ICD10 CM eignet sich gut für die folgenden Szenarien:
+ Unterstützung bei der professionellen medizinischen Kodierung von Patientenakten
+ Klinische Studien und Studien
+ Integration mit einem medizinischen Softwaresystem
+ Früherkennung und Diagnose
+ Gesundheitsmanagement der Bevölkerung
## Kategorie ICD-10-CM
**Infer ICD10 CM** erkennt Entitäten in der Kategorie. `MEDICAL_CONDITION` Zusätzliche verwandte Informationen werden ebenfalls erkannt und als Attribute oder Merkmale verknüpft.
## ICD-10-CM-Typen
**Infer ICD10 CM** erkennt Entitäten der Typen und. `DX_NAME` `TIME_EXPRESSION`
## ICD-10-CM-Merkmale
**Infer ICD10 CM** erkennt die folgenden Kontextinformationen als Merkmale:
+ `DIAGNOSIS`: Eine Identifizierung eines medizinischen Zustands, der anhand der Bewertung der Symptome festgestellt wird.
+ `HYPOTHETICAL`: Ein Hinweis darauf, dass eine Erkrankung als Hypothese ausgedrückt wird.
+ `LOW_CONFIDENCE`: Ein Hinweis darauf, dass bei einer Erkrankung eine hohe Unsicherheit besteht. Dies steht nicht in direktem Zusammenhang mit den angegebenen Konfidenzwerten.
+ `NEGATION`: Ein Hinweis darauf, dass keine Krankheit vorliegt.
+ `PERTAINS_TO_FAMILY`: Ein Hinweis darauf, dass eine Erkrankung für die Familie des Patienten relevant ist, nicht für den Patienten.
+ `SIGN`: Ein medizinischer Zustand, der vom Arzt gemeldet wird.
+ `SYMPTOM`: Eine Krankheit, die vom Patienten gemeldet wird.
## ICD-10-CM-Attribute
**Infer ICD10 CM** erkennt die folgenden Kontextinformationen als Attribute:
+ `DIRECTION`: Richtungsbezogene Begriffe. Zum Beispiel links, rechts, medial, lateral, oben, unten, posterior, anterior, distal, proximal, kontralateral, bilateral, ipsilateral, dorsal oder ventral.
+ `SYSTEM_ORGAN_SITE`: Anatomische Lage.
+ `ACUITY:`Bestimmung eines Krankheitsfalls, z. B. chronisch, akut, plötzlich, anhaltend oder schleichend. Dies gilt nur für den `MEDICAL_CONDITION` Typ.
+ `QUALITY`: Jeder Begriff, der die Krankheit beschreibt, wie Stadium oder Grad.
## Kategorie „Zeitausdruck“
Die `TIME_EXPRESSION` Kategorie erkennt Entitäten, die sich auf Zeit beziehen. Dazu gehören Entitäten wie Datums- und Zeitangaben wie „vor drei Tagen“, „heute“, „aktuell“, „Tag der Zulassung“, „letzter Monat“ oder „16 Tage“. Ergebnisse in dieser Kategorie werden nur zurückgegeben, wenn sie einer Entität zugeordnet sind. Beispielsweise würde der Ausdruck „Gestern wurde bei dem Patienten Influenza diagnostiziert“ `Yesterday` als eine `TIME_EXPRESSION` Entität zurückgegeben, die sich mit der `DX_NAME` Entität „Influenza“ überschneidet. Allerdings würde „gestern“ in dem Ausdruck „Gestern ist der Patient mit seinem Hund spazieren gegangen“ nicht als Einheit erkannt.
## Typen
Der anerkannte Typ von `TIME_EXPRESSION` ist`TIME_TO_DX_NAME`: das Datum, an dem eine Krankheit eingetreten ist. Das Attribut für diesen Typ ist`DX_NAME`.
## Art der Beziehung
Der `RELATIONSHIP_TYPE` bezieht sich auf die Beziehung zwischen einer Entität und einem Attribut. Das Erkannte `RELATIONSHIP_TYPE` ist `OVERLAP` — das `TIME_EXPRESSION` stimmt mit der erkannten Entität überein.
## Beispiele für Eingaben und Antworten
**Anmerkung**
Informationen zur spezifischen API-Eingabe- und Antwortsyntax finden Sie unter [Infer ICD10 CM](https://docs.aws.amazon.com/comprehend-medical/latest/api/API_InferICD10CM.html) in der *Amazon Comprehend Medical* API-Referenz.
Der folgende Beispieleingabetext zeigt, wie der `InferICD10CM` Vorgang funktioniert. Scrollen Sie über die Schaltfläche **Kopieren**, um den gesamten Eingabetext anzuzeigen.
```
"The patient is a 71-year-old female patient of Dr. X. The patient presented to the emergency room last evening with approximately 7 to 8 day history of abdominal pain which has been persistent. She has had no nausea and vomiting, but has had persistent associated anorexia. She is passing flatus, but had some obstipation symptoms with the last bowel movement two days ago. She denies any bright red blood per rectum and no history of recent melena. Her last colonoscopy was approximately 5 years ago with Dr. Y. She has had no definite fevers or chills and no history of jaundice. The patient denies any significant recent weight loss."
```
Der `InferICD10CM` Vorgang gibt die folgende Ausgabe im JSON-Format (der Kürze halber abgekürzt) zurück.
```
{
"Entities": [
{
"Id": 1,
"Text": "abdominal pain",
"Category": "MEDICAL_CONDITION",
"Type": "DX_NAME",
"Score": Float,
"BeginOffset": 153,
"EndOffset": 167,
"Attributes": [
{
"Type": "ACUITY",
"Score": Float,
"RelationshipScore": Float,
"Id": 2,
"BeginOffset": 183,
"EndOffset": 193,
"Text": "persistent",
"Traits": []
}
],
"Traits": [
{
"Name": "SYMPTOM",
"Score": Float
}
],
"ICD10CMConcepts": [
{
"Description": "Unspecified abdominal pain",
"Code": "R10.9",
"Score": Float
},
{
"Description": "Epigastric pain",
"Code": "R10.13",
"Score": Float
},
{
"Description": "Lower abdominal pain, unspecified",
"Code": "R10.30",
"Score": Float
},
{
"Description": "Generalized abdominal pain",
"Code": "R10.84",
"Score": Float
},
{
"Description": "Upper abdominal pain, unspecified",
"Code": "R10.10",
"Score": Float
}
]
}
...
"ModelVersion": "3.3.0.20251001"
}
```
`InferICD10CM`erkennt auch, wenn eine Entität im Text negiert wird. Wenn bei einem Patienten beispielsweise kein Symptom auftritt, werden sowohl das Symptom als auch die Negation als Merkmale identifiziert und mit einem Konfidenzwert aufgeführt. Basierend auf den Angaben für das vorherige Beispiel `Nausea` wird das Symptom unter „`NEGATION`Weil der Patient nicht unter Übelkeit leidet“ aufgeführt.
```
{
"Id": 3,
"Text": "nausea",
"Category": "MEDICAL_CONDITION",
"Type": "DX_NAME",
"Score": Float,
"BeginOffset": 210,
"EndOffset": 216,
"Attributes": [],
"Traits": [
{
"Name": "SYMPTOM",
"Score": Float
},
{
"Name": "NEGATION",
"Score": Float
}
],
"ICD10CMConcepts": [
{
"Description": "Nausea with vomiting, unspecified",
"Code": "R11.2",
"Score": Float
},
{
"Description": "Nausea",
"Code": "R11.0",
"Score": Float
}
]
}
```
# RxNorm Verlinkung
Verwenden Sie die **InferRxNorm**Operation, um Medikamente zu identifizieren, die in einer Patientenakte als Entitäten aufgeführt sind. Die Operation verknüpft diese Entitäten auch mit Concept Identifiers (RxCUI) aus [der RxNorm Datenbank der National Library of Medicine](https://www.nlm.nih.gov/research/umls/rxnorm/docs/rxnormfiles.html ). Die Quelle für jede RxCUI ist die Version vom 07.11.2022. RxNorm RxTerms Jeder RxCUI ist für unterschiedliche Stärken und Darreichungsformen einzigartig. Amazon Comprehend Medical listet CUIs für jedes erkannte Medikament in absteigender Reihenfolge nach dem Konfidenzwert die potenziell passenden Rx auf. Verwenden Sie die RxCUI-Codes für nachgelagerte Analysen, die mit unstrukturiertem Text nicht möglich sind. Verwandte Informationen wie Stärke, Häufigkeit, Dosis, Dosisform und Art der Verabreichung werden als Attribute im JSON-Format aufgeführt.
Sie können **InferRxNorm** für die folgenden Szenarien verwenden:
+ Untersuchung auf Medikamente, die der Patient eingenommen hat.
+ Verhinderung potenziell negativer Reaktionen zwischen neu verschriebenen Medikamenten und Medikamenten, die der Patient derzeit einnimmt.
+ Prüfung auf Aufnahme in klinische Studien auf der Grundlage der Anamnese mit dem RxCUI.
+ Prüfung, ob Dosierung und Häufigkeit eines Arzneimittels angemessen sind.
+ Untersuchung von Anwendungen, Indikationen und Nebenwirkungen von Medikamenten.
+ Verwaltung der Gesundheit der Bevölkerung.
## Wichtiger Hinweis
Der **InferRxNorm**Betrieb von Amazon Comprehend Medical ist kein Ersatz für professionelle medizinische Beratung, Diagnose oder Behandlung. Identifizieren Sie den richtigen Konfidenzschwellenwert für Ihren Anwendungsfall, und verwenden Sie hohe Konfidenzschwellenwerte in Situationen, die eine hohe Genauigkeit erfordern. Verwenden Sie Amazon Comprehend Medical Medical-Operationen nur in Patientenversorgungsszenarien, *nachdem* Sie die Richtigkeit überprüft haben und von geschultem medizinischem Fachpersonal ein fundiertes Urteil erhalten haben.
## RxNorm Kategorie
**InferRxNorm**erkennt Entitäten in der `MEDICATION` Kategorie. Es erkennt auch zusätzliche verwandte Informationen, die als Attribute oder Merkmale verknüpft sind.
## RxNorm Typen
Die Arten von Entitäten in der `Medication` Kategorie sind
+ `BRAND_NAME`: Der urheberrechtlich geschützte Markenname des Medikaments oder Therapeutikums.
+ `GENERIC_NAME`: Markenname, Inhaltsstoffname oder Rezepturmischung des Medikaments oder Therapeutikums.
## RxNorm Attribute
+ `DOSAGE`: Die Menge der bestellten Medikamente.
+ `DURATION`: Wie lange das Medikament verabreicht werden sollte.
+ `FORM`: Die Form des Medikaments.
+ `FREQUENCY`: Wie oft soll das Medikament verabreicht werden?
+ `RATE`: Die Verabreichungsrate des Medikaments (hauptsächlich für Medikamenteninfusionen oder). IVs
+ `ROUTE_OR_MODE`: Die Verabreichungsmethode eines Medikaments.
+ `STRENGTH`: Die Stärke des Medikaments.
## RxNorm Eigenschaften
+ `NEGATION`: Jeder Hinweis darauf, dass der Patient *kein* Medikament einnimmt.
+ `PAST_HISTORY`: Ein Hinweis darauf, dass ein nachgewiesenes Medikament aus der Vergangenheit des Patienten stammt (vor der aktuellen Begegnung).
## Beispiele für Eingaben und Antworten
**Anmerkung**
Informationen zur spezifischen API-Eingabe- und Antwortsyntax finden Sie [InferRxNorm](https://docs.aws.amazon.com/comprehend-medical/latest/api/API_InferRxNorm.html)in der *Amazon Comprehend Medical API-Referenz*.
Der folgende Beispieleingabetext zeigt, wie der `InferRxNorm` Vorgang funktioniert. Scrollen Sie über die Schaltfläche **Kopieren**, um den gesamten Eingabetext anzuzeigen.
```
"fluoride topical ( fluoride 1.1 % topical gel ) 1 application Topically daily Brush onto teeth before bed time , spit , do not rinse, eat or drink for 20-30 minutes"
```
Der `InferRxNorm` Vorgang gibt die folgende Ausgabe im JSON-Format zurück:
```
{
"Entities": [
{
"Id": 1,
"Text": "fluoride",
"Category": "MEDICATION",
"Type": "GENERIC_NAME",
"Score": Float,
"BeginOffset": 19,
"EndOffset": 27,
"Attributes": [],
"Traits": [],
"RxNormConcepts": [
{
"Description": "fluorine",
"Code": "1310123",
"Score": Float
},
{
"Description": "sodium fluoride",
"Code": "9873",
"Score": Float
},
{
"Description": "magnesium fluoride",
"Code": "1435860",
"Score": Float
},
{
"Description": "sulfuryl fluoride",
"Code": "2289224",
"Score": Float
},
{
"Description": "acidulated phosphate fluoride",
"Code": "236",
"Score": Float
}
]
}
],
"ModelVersion": "3.3.0.20221107"
}
```
Mit dem folgenden Eingabetext erkennt die `InferRxNorm` Operation auch das Negationsmerkmal.
```
'patient is not on warfarin'
```
Die `InferRxNorm` Operation gibt die folgende Ausgabe im JSON-Format zurück:
```
{
"Entities": [
{
"Id": 1,
"Text": "warfarin",
"Category": "MEDICATION",
"Type": "GENERIC_NAME",
"Score": Float,
"BeginOffset": 18,
"EndOffset": 26,
"Attributes": [],
"Traits": [
{
"Name": "NEGATION",
"Score": Float
}
],
"RxNormConcepts": [
{
"Description": "warfarin",
"Code": "11289",
"Score": Float
},
{
"Description": "warfarin sodium 2 MG Oral Tablet",
"Code": "855302",
"Score": Float
},
{
"Description": "warfarin sodium 10 MG Oral Tablet",
"Code": "855296",
"Score": Float
},
{
"Description": "warfarin sodium 2 MG Oral Tablet [Coumadin]",
"Code": "855304",
"Score": Float
},
{
"Description": "warfarin sodium 10 MG Oral Tablet [Jantoven]",
"Code": "855300",
"Score": Float
}
]
}
],
"ModelVersion": "3.3.0.20221107"
}
```
# SNOMED CT-Verknüpfung
Verwenden Sie **InfersnoMedCT, um medizinische Entitäten zu erkennen und sie mit Konzepten aus der Version 2002/03 der Systematized Nomenclature of Medicine, Clinical Terms (SNOMED CT**) zu verknüpfen. SNOMED CT bietet Ihnen ein umfassendes Vokabular medizinischer Konzepte, einschließlich Erkrankungen und Anatomie, medizinischer Tests, Behandlungen und Verfahren. Um mehr über SNOMED CT zu erfahren, besuchen Sie [SNOMED](https://www.snomed.org/value-of-snomedct) CT.
Für jede erkannte medizinische Entität listet Amazon Comprehend Medical die fünf wichtigsten SNOMED-CT-Konzepte IDs und Beschreibungen im Zusammenhang mit dem medizinischen Konzept sowie einen Konfidenzwert auf, der die Zuverlässigkeit des Modells in seine Vorhersage angibt. Das SNOMED-CT-Konzept IDs wird zusammen mit den Konfidenzwerten in absteigender Reihenfolge der Konfidenzwerte aufgeführt. Das SNOMED-CT-Konzept IDs kann dann verwendet werden, um klinische Patientendaten für die medizinische Kodierung, Berichterstattung oder klinische Analysen zu strukturieren, wenn Sie sie zusammen mit der SNOMED-CT-Polyhierarchie verwenden.
**InfersnoMedCT ist für Kunden** in den USA verfügbar. [Informationen zu SNOMED CT in anderen Ländern und Informationen zur SNOMED CT-Lizenzierung finden Sie unter SNOMED CT.](https://www.snomed.org/value-of-snomedct)
**InfersnoMedCT eignet** sich gut für die folgenden Szenarien:
+ Unterstützung bei der professionellen medizinischen Kodierung in Patientenakten
+ Klinische Studien und Studien
+ Gesundheitsmanagement der Bevölkerung
**InfersnoMedCT** erkennt Entitäten in den folgenden Kategorien. Zusätzliche Kontextinformationen werden ebenfalls erkannt und als Attribute oder Merkmale verknüpft.
+ `MEDICAL_CONDITION`: Die Anzeichen, Symptome und Diagnosen von Erkrankungen.
+ `ANATOMY`: Die Körperteile oder Körpersysteme und die Lage dieser Teile oder Systeme.
+ `TEST_TREATMENT_PROCEDURE`: Die Verfahren, die zur Feststellung eines medizinischen Zustands verwendet werden.
## Kategorie Anatomie
In der `ANATOMY` Kategorie werden Verweise auf Körperteile oder Körpersysteme sowie deren Lage erkannt.
### Attribute
Die folgenden Attribute wurden für die `ANATOMY` Kategorie erkannt:
+ `DIRECTION`: Richtungsbezogene Begriffe. Zum Beispiel links, rechts, medial, lateral, oben, unten, posterior, anterior, distal, proximal, kontralateral, bilateral, ipsilateral, dorsal oder ventral.
+ `SYSTEM_ORGAN_SITE`: Körpersysteme, anatomische Stellen oder Regionen und Körperstellen.
## Kategorie „Erkrankung“
In `MEDICAL_CONDITION` dieser Kategorie werden die Anzeichen, Symptome und Diagnosen von Erkrankungen erkannt.
### Typ
Für die Kategorie **MEDICAL\$1CONDITION** wurde der folgende Typ erkannt:
+ `DX_NAME:`Eine Identifizierung eines medizinischen Zustands, der anhand der Auswertung der Symptome festgestellt wird.
### Attribute
Die folgenden Attribute wurden für die `MEDICAL_CONDITION` Kategorie erkannt:
+ `ACUITY:`Bestimmung des Krankheitsfalls, z. B. chronisch, akut, plötzlich, anhaltend oder schleichend.
+ `QUALITY:`Jeder Begriff, der die Krankheit beschreibt, wie Stadium oder Grad.
+ `DIRECTION`: Richtungsbezogene Begriffe. Zum Beispiel links, rechts medial, lateral, oben, unten, posterior, anterior, distal, proximal, kontralateral, bilateral, ipsilateral, dorsal oder ventral.
+ `SYSTEM_ORGAN_SITE`: Körpersysteme, anatomische Stellen oder Regionen und Körperstellen.
### Merkmale
Die folgenden Merkmale wurden für die `MEDICAL_CONDITION` Kategorie erkannt:
+ `DIAGNOSIS`: Ein medizinischer Zustand, der als Ursache oder Folge der Symptome festgestellt wird. Symptome können durch körperliche Befunde, Labor- oder radiologische Berichte oder auf andere Weise festgestellt werden.
+ `HYPOTHETICAL`: Ein Hinweis darauf, dass eine Krankheit als Hypothese ausgedrückt wird.
+ `LOW_CONFIDENCE`: Ein Hinweis darauf, dass bei einer Erkrankung eine hohe Unsicherheit besteht. Dies steht nicht in direktem Zusammenhang mit den angegebenen Konfidenzwerten.
+ `NEGATION`: Ein Hinweis darauf, dass keine Krankheit vorliegt.
+ `PERTAINS_TO_FAMILY`: Ein Hinweis darauf, dass eine Erkrankung für die Familie des Patienten relevant ist, nicht für den Patienten.
+ `SIGN`: Eine Krankheit, die vom Arzt gemeldet wird.
+ `SYMPTON`: Eine Krankheit, die vom Patienten gemeldet wird.
## Kategorie Test, Behandlung und Verfahren
In der `TEST_TREATMENT_PROCEDURE` Kategorie werden die Verfahren erfasst, die zur Feststellung eines medizinischen Zustands verwendet werden.
### Typ
Für die Kategorie **TEST\$1TREATMENT\$1PROCEDURE** werden die folgenden Typen erkannt:
+ `PROCEDURE_NAME:`Eingriffe, die am Patienten zur Behandlung einer Krankheit oder zur Patientenversorgung durchgeführt werden.
+ `TEST_NAME:`Verfahren, die an einem Patienten zur Diagnose, Messung, Früherkennung oder Bewertung durchgeführt werden, die einen Nutzen haben könnten. Dazu gehören alle Verfahren, Verfahren, Beurteilungen oder Bewertungen zur Feststellung einer Diagnose, zum Ausschluss oder zur Feststellung einer Erkrankung oder zur Skalierung oder Bewertung eines Patienten.
+ `TREATMENT_NAME:`Interventionen zur Bekämpfung einer Krankheit oder Störung. Dazu gehören Medikamente wie Virostatika und Impfungen.
### Attribute
Für die Kategorie **TEST\$1TREATMENT\$1PROCEDURE** wurden die folgenden Attribute erkannt:
+ `TEST_NAME:`Der Diagnosetest wurde durchgeführt.
+ `TEST_VALUE:`Die numerischen Ergebnisse eines Diagnosetests.
+ `TEST_UNIT:`Die mit einem `TEST_VALUE:` Ergebnis verknüpften Einheiten.
+ `PROCEDURE_NAME:`Der Name einer durchgeführten Operation oder eines medizinischen Eingriffs.
+ `TREATMENT_NAME:`Der Name einer Behandlung, die einem Patienten verabreicht wurde.
### Merkmale
+ `FUTURE`: Ein Hinweis darauf, dass sich ein Test, eine Behandlung oder ein Verfahren auf eine Handlung oder ein Ereignis bezieht, das nach dem Betreff der Anmerkungen eintreten wird.
+ `HYPOTHETICAL`: Ein Hinweis darauf, dass ein Test, eine Behandlung oder ein Verfahren als Hypothese ausgedrückt wird
+ `NEGATION`: Ein Hinweis darauf, dass ein Ergebnis oder eine Maßnahme negativ ist oder nicht durchgeführt wird.
+ `PAST_HISTORY`: Ein Hinweis darauf, dass ein Test, eine Behandlung oder ein Verfahren aus der Vergangenheit des Patienten stammt (vor der aktuellen Begegnung).
## Einzelheiten zum SNOMED CT
In der JSON-Antwort sind die SNOMED-CT-Details enthalten, die die folgenden Informationen enthalten:
+ `EDITION:`Nur die US-Version wird unterstützt.
+ `VERSIONDATE: `Der Datumsstempel der verwendeten SNOMED CT-Version.
+ `LANGUAGE:`Analysen in englischer Sprache (US-EN) werden unterstützt.
## Beispiele für Eingabe und Antwort
**Anmerkung**
Informationen zur spezifischen API-Eingabe- und Antwortsyntax finden Sie unter [InfersnoMedCT](https://docs.aws.amazon.com/comprehend-medical/latest/api/API_InferSNOMEDCT.html) in der *Amazon Comprehend* Medical API-Referenz.
Der folgende Beispieleingabetext zeigt, wie der Vorgang funktioniert. `InferSNOMEDCT` Scrollen Sie über die Schaltfläche **Kopieren**, um den gesamten Eingabetext anzuzeigen.
```
"HEENT : Boggy inferior turbinates, No oropharyngeal lesion"
```
Der `InferSNOMEDCT` Vorgang gibt die folgende Ausgabe im JSON-Format zurück.
```
{
"Entities": [
{
"Category": "ANATOMY",
"BeginOffset": 0,
"EndOffset": 5,
"Text": "HEENT",
"Traits": [],
"SNOMEDCTConcepts": [
{
"Code": "69536005",
"Score": Float,
"Description": "Head structure (body structure)"
},
{
"Code": "429031000124106",
"Score": Float,
"Description": "Review of systems, head, ear, eyes, nose and throat (procedure)"
},
{
"Code": "385383008",
"Score": Float,
"Description": "Ear, nose and throat structure (body structure)"
},
{
"Code": "64237003",
"Score": Float,
"Description": "Structure of left half of head (body structure)"
},
{
"Code": "113028003",
"Score": Float,
"Description": "Ear, nose and throat examination (procedure)"
}
],
"Score": Float,
"Attributes": [],
"Type": "SYSTEM_ORGAN_SITE",
"Id": 0
},
{
"Category": "MEDICAL_CONDITION",
"BeginOffset": 8,
"EndOffset": 33,
"Text": "Boggy inferior turbinates",
"Traits": [
{
"Score": Float,
"Name": "SIGN"
}
],
"SNOMEDCTConcepts": [
{
"Code": "254477009",
"Score": Float,
"Description": "Tumor of inferior turbinate (disorder)"
},
{
"Code": "260762006",
"Score": Float,
"Description": "Choroidal invasion status (attribute)"
},
{
"Code": "2455009",
"Score": Float,
"Description": "Revision of lumbosubarachnoid shunt (procedure)"
},
{
"Code": "19883003",
"Score": Float,
"Description": "Atrophy of nasal turbinates (disorder)"
},
{
"Code": "256723009",
"Score": Float,
"Description": "Inferior turbinate flap (substance)"
}
],
"Score": Float,
"Attributes": [
{
"Category": "ANATOMY",
"RelationshipScore": Float,
"EndOffset": 5,
"Text": "HEENT",
"Traits": [],
"SNOMEDCTConcepts": [
{
"Code": "69536005",
"Score": Float,
"Description": "Head structure (body structure)"
},
{
"Code": "429031000124106",
"Score": Float,
"Description": "Review of systems, head, ear, eyes, nose and throat (procedure)"
},
{
"Code": "385383008",
"Score": Float,
"Description": "Ear, nose and throat structure (body structure)"
},
{
"Code": "64237003",
"Score": Float,
"Description": "Structure of left half of head (body structure)"
},
{
"Code": "113028003",
"Score": Float,
"Description": "Ear, nose and throat examination (procedure)"
}
],
"Score": Float,
"RelationshipType": "SYSTEM_ORGAN_SITE",
"Type": "SYSTEM_ORGAN_SITE",
"Id": 0,
"BeginOffset": 0
}
],
"Type": "DX_NAME",
"Id": 1
},
{
"Category": "ANATOMY",
"BeginOffset": 23,
"EndOffset": 33,
"Text": "turbinates",
"Traits": [],
"SNOMEDCTConcepts": [
{
"Code": "310607007",
"Score": Float,
"Description": "Sarcoidosis of inferior turbinates (disorder)"
},
{
"Code": "80153006",
"Score": Float,
"Description": "Segmented neutrophil (cell)"
},
{
"Code": "46607005",
"Score": Float,
"Description": "Nasal turbinate structure (body structure)"
},
{
"Code": "6553002",
"Score": Float,
"Description": "Inferior nasal turbinate structure (body structure)"
},
{
"Code": "254477009",
"Score": Float,
"Description": "Tumor of inferior turbinate (disorder)"
}
],
"Score": Float,
"Attributes": [],
"Type": "SYSTEM_ORGAN_SITE",
"Id": 3
},
{
"Category": "ANATOMY",
"BeginOffset": 39,
"EndOffset": 52,
"Text": "oropharyngeal",
"Traits": [],
"SNOMEDCTConcepts": [
{
"Code": "31389004",
"Score": Float,
"Description": "Oropharyngeal structure (body structure)"
},
{
"Code": "33431000119109",
"Score": Float,
"Description": "Lesion of oropharynx (disorder)"
},
{
"Code": "263376008",
"Score": Float,
"Description": "Entire oropharynx (body structure)"
},
{
"Code": "716151000",
"Score": Float,
"Description": "Structure of oropharynx and/or hypopharynx and/or larynx (body structure)"
},
{
"Code": "764786007",
"Score": Float,
"Description": "Oropharyngeal (intended site)"
}
],
"Score": Float,
"Attributes": [],
"Type": "SYSTEM_ORGAN_SITE",
"Id": 5
},
{
"Category": "MEDICAL_CONDITION",
"BeginOffset": 39,
"EndOffset": 59,
"Text": "oropharyngeal lesion",
"Traits": [
{
"Score": Float,
"Name": "SIGN"
}
],
"SNOMEDCTConcepts": [
{
"Code": "31389004",
"Score": Float,
"Description": "Oropharyngeal structure (body structure)"
},
{
"Code": "33431000119109",
"Score": Float,
"Description": "Lesion of oropharynx (disorder)"
},
{
"Code": "764786007",
"Score": Float,
"Description": "Oropharyngeal (intended site)"
},
{
"Code": "418664002",
"Score": Float,
"Description": "Oropharyngeal route (qualifier value)"
},
{
"Code": "110162001",
"Score": Float,
"Description": "Abrasion of oropharynx (disorder)"
}
],
"Score": Float,
"Attributes": [
{
"Category": "ANATOMY",
"RelationshipScore": Float,
"EndOffset": 5,
"Text": "HEENT",
"Traits": [],
"SNOMEDCTConcepts": [
{
"Code": "69536005",
"Score": Float,
"Description": "Head structure (body structure)"
},
{
"Code": "429031000124106",
"Score": Float,
"Description": "Review of systems, head, ear, eyes, nose and throat (procedure)"
},
{
"Code": "385383008",
"Score": Float,
"Description": "Ear, nose and throat structure (body structure)"
},
{
"Code": "64237003",
"Score": Float,
"Description": "Structure of left half of head (body structure)"
},
{
"Code": "113028003",
"Score": Float,
"Description": "Ear, nose and throat examination (procedure)"
}
],
"Score": Float,
"RelationshipType": "SYSTEM_ORGAN_SITE",
"Type": "SYSTEM_ORGAN_SITE",
"Id": 0,
"BeginOffset": 0
}
],
"Type": "DX_NAME",
"Id": 4
}
],
"SNOMEDCTDetails": {
"Edition": "US",
"VersionDate": "20200901",
"Language": "en"
},
"Characters": {
"OriginalTextCharacters": 59
},
"ModelVersion": "3.3.0.20220301"
}
```
# Ontologie, Verknüpfung, Batch-Analyse
Verwenden Sie Amazon Comprehend Medical, um Entitäten in klinischem Text zu erkennen, der in einem Amazon Simple Storage Service (Amazon S3) -Bucket gespeichert ist, und um diese Entitäten mit standardisierten Ontologien zu verknüpfen. Sie können die Batch-Analyse zur Verknüpfung von Ontologien verwenden, um entweder eine Sammlung von Dokumenten oder ein einzelnes Dokument mit bis zu 20.000 Zeichen zu analysieren. Mithilfe der Konsole oder der Batch-API-Operationen zur Ontologie-Verknüpfung können Sie Operationen zum Starten, Stoppen, Auflisten und Beschreiben laufender Batch-Analyseaufträge ausführen.
Preisinformationen für Chargenanalysen und andere Abläufe von Amazon Comprehend Medical finden Sie unter [Amazon Comprehend](https://aws.amazon.com/comprehend/medical/pricing/) Medical Pricing.
## Durchführung einer Chargenanalyse
Sie können einen Batch-Analyseauftrag entweder mit der Amazon Comprehend Medical-Konsole oder den Batch-API-Vorgängen von Amazon Comprehend Medical ausführen.
### Durchführung einer Batch-Analyse mithilfe der API-Operationen
**Voraussetzungen**
Wenn Sie die Amazon Comprehend Medical API verwenden, erstellen Sie eine AWS Identity Access and Management (IAM) -Richtlinie und fügen Sie sie einer IAM-Rolle hinzu. [Weitere Informationen zu IAM-Rollen und Vertrauensrichtlinien finden Sie unter IAM-Richtlinien und -Berechtigungen.](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies.html)
1. Laden Sie Ihre Daten in einen S3-Bucket hoch.
1. Um einen neuen Analysejob zu starten, verwenden **Sie Start ICD10 CMInference Job**, **Start SNOMEDCTInference Job** oder die **StartRxNormInferenceJob**Operationen. Geben Sie den Namen des Amazon S3 S3-Buckets an, der die Eingabedateien enthält, und den Namen des Amazon S3 S3-Buckets, an den Sie die Ausgabedateien senden möchten.
1. Überwachen Sie den Status des Jobs mithilfe von **ICD10CMInferenceDescribe Job**, **Describe SNOMEDCTInference Job** oder **DescribeRxNormInferenceJob**Operationen. Darüber hinaus können Sie die Optionen **ICD10CMInferenceJobs auflisten und SNOMEDCTInference Jobs** **auflisten** verwenden, **ListRxNormInferenceJobs**um den Status aller mit Ontologie verknüpften Batch-Analyse-Jobs zu sehen.
1. Wenn Sie einen laufenden Job beenden müssen, verwenden Sie **ICD10CMInferenceJob beenden, SNOMEDCTInference Job** **beenden** oder **StopRxNormInferenceJob**um die Analyse zu beenden.
1. Die Ergebnisse Ihres Analysejobs finden Sie im S3-Ausgabe-Bucket, den Sie beim Start des Jobs konfiguriert haben.
### Durchführen einer Batch-Analyse mithilfe der Konsole
****
1. Laden Sie Ihre Daten in einen S3-Bucket hoch.
1. Um einen neuen Analysejob zu starten, wählen Sie die Art der Analyse aus, die Sie durchführen möchten. Geben Sie dann den Namen des S3-Buckets an, der die Eingabedateien enthält, und den Namen des S3-Buckets, an den Sie die Ausgabedateien senden möchten.
1. Überwachen Sie den Status Ihres Jobs, solange er noch läuft. Von der Konsole aus können Sie alle Batch-Analysevorgänge und ihren Status einsehen, einschließlich wann die Analyse gestartet und beendet wurde.
1. Die Ergebnisse Ihres Analysejobs finden Sie im S3-Ausgabe-Bucket, den Sie beim Start des Jobs konfiguriert haben.
## IAM-Richtlinien für Batch-Operationen
Die IAM-Rolle, die die Batch-API-Operationen von Amazon Comprehend Medical aufruft, muss über eine Richtlinie verfügen, die Zugriff auf die S3-Buckets gewährt, die die Eingabe- und Ausgabedateien enthalten. Der IAM-Rolle muss außerdem eine Vertrauensbeziehung zugewiesen werden, damit der Amazon Comprehend Medical Medical-Service diese Rolle übernehmen kann. [Weitere Informationen zu IAM-Rollen und Vertrauensrichtlinien finden Sie unter IAM-Rollen.](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html)
Für die Rolle muss die folgende Richtlinie gelten:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": [
"s3:GetObject"
],
"Resource": [
"arn:aws:s3:::input-bucket/*"
],
"Effect": "Allow"
},
{
"Action": [
"s3:ListBucket"
],
"Resource": [
"arn:aws:s3:::input-bucket",
"arn:aws:s3:::output-bucket"
],
"Effect": "Allow"
},
{
"Action": [
"s3:PutObject"
],
"Resource": [
"arn:aws:s3:::output-bucket/*"
],
"Effect": "Allow"
}
]
}
```
------
Die Rolle muss die folgende Vertrauensbeziehung haben. Es wird empfohlen, die Tasten `aws:SourceAccount ` und `aws:SourceArn` Condition zu verwenden, um das Sicherheitsproblem Confused Deputy zu vermeiden. Weitere Informationen über das Problem mit dem verwirrten Stellvertreter und darüber, wie Sie Ihr AWS Konto schützen können, finden Sie in [der IAM-Dokumentation unter Das Problem mit dem verwirrten Stellvertreter](https://docs.aws.amazon.com/IAM/latest/UserGuide/confused-deputy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement":[
{
"Effect":"Allow",
"Principal":{
"Service":[
"comprehendmedical.amazonaws.com"
]
},
"Action":"sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "account_id"
},
"ArnLike": {
"aws:SourceArn": "arn:aws:comprehendmedical:us-east-1:account_id:*"
}
}
}
]
}
```
------
## Ausgabedateien für die Batch-Analyse
Amazon Comprehend Medical erstellt eine Ausgabedatei für jede Eingabedatei im Stapel. Die Datei hat die Erweiterung. `.out` Amazon Comprehend Medical erstellt zunächst ein Verzeichnis im S3-Ausgabe-Bucket mit dem Namen *AwsAccountId* *JobType* - - *JobId* und schreibt dann alle Ausgabedateien für den Batch in dieses Verzeichnis. Amazon Comprehend Medical erstellt dieses neue Verzeichnis, sodass die Ausgabe eines Jobs nicht die Ausgabe eines anderen Jobs überschreibt.
Ein Batch-Vorgang erzeugt dieselbe Ausgabe wie ein synchroner Vorgang.
Jeder Batchvorgang erzeugt die folgenden drei Manifestdateien, die Informationen über den Auftrag enthalten:
+ `Manifest`— Fasst den Job zusammen. Stellt Informationen über die für den Job verwendeten Parameter, die Gesamtgröße des Jobs und die Anzahl der verarbeiteten Dateien bereit.
+ `Success`— Stellt Informationen zu den Dateien bereit, die erfolgreich verarbeitet wurden. Beinhaltet den Namen der Eingabe- und Ausgabedatei sowie die Größe der Eingabedatei.
+ `Unprocessed`— Führt Dateien auf, die der Batch-Job nicht verarbeitet hat, mit Fehlercodes und Fehlermeldungen pro Datei.
Amazon Comprehend Medical schreibt die Dateien in das Ausgabeverzeichnis, das Sie für den Batch-Job angegeben haben. Die Übersichtsmanifestdatei wird zusammen mit einem Ordner mit dem Titel in den Ausgabeordner geschrieben. `Manifest_AccountId-Operation-JobId` Im Manifestordner befinden sich der `success` Ordner, der das Erfolgsmanifest enthält, und der `failed` Ordner, der das unverarbeitete Dateimanifest enthält. Die folgenden Abschnitte zeigen die Struktur der Manifestdateien.
### Batch-Manifestdatei
Im Folgenden ist die JSON-Struktur der Batch-Manifestdatei dargestellt.
```
{"Summary" :
{"Status" : "COMPLETED | FAILED | PARTIAL_SUCCESS | STOPPED",
"JobType" : "ICD10CMInference | RxNormInference | SNOMEDCTInference",
"InputDataConfiguration" : {
"Bucket" : "input bucket",
"Path" : "path to files/account ID-job type-job ID"
}, "OutputDataConfiguration" : {
"Bucket" : "output bucket",
"Path" : "path to files"
},
"InputFileCount" : number of files in input bucket,
"TotalMeteredCharacters" : total characters processed from all files,
"UnprocessedFilesCount" : number of files not processed,
"SuccessFilesCount" : total number of files processed,
"TotalDurationSeconds" : time required for processing,
"SuccessfulFilesListLocation" : "path to file",
"UnprocessedFilesListLocation" : "path to file",
"FailedJobErrorMessage": "error message or if not applicable,
The status of the job is completed"
}
}
```
### Manifest-Datei für den Erfolg
Im Folgenden finden Sie die JSON-Struktur der Datei, die Informationen über erfolgreich verarbeitete Dateien enthält.
```
{
"Files": [{
"Input": "input path/input file name",
"Output": "output path/output file name",
"InputSize": size in bytes of input file
},
{
"Input": "input path/input file name",
"Output": "output path/output file name",
"InputSize": size in bytes of input file
}]
}
```
### Unverarbeitete Manifestdatei
Im Folgenden finden Sie die JSON-Struktur der Manifestdatei, die Informationen zu unverarbeiteten Dateien enthält.
```
{
"Files" : [ {
"Input": "file_name_that_failed",
"ErrorCode": "error code for exception",
"ErrorMessage": "explanation of the error code and suggestions"
},
{ ...}
]
}
```