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.
# API-Operationen zur Textanalyse
Verwenden Sie Amazon Comprehend Medical, um klinische Dokumente zu untersuchen und mithilfe von vortrainierten NLP-Modellen (Natural Language Processing) verschiedene Erkenntnisse über deren Inhalt zu gewinnen. Sie können Analysen sowohl für einzelne Dateien als auch als Batch-Analyse für mehrere Dateien durchführen, die in einem Amazon Simple Storage Service (S3) -Bucket gespeichert sind.
Mit Amazon Comprehend Medical können Sie Ihre Dokumente wie folgt bearbeiten:
+ [Entitäten erkennen (Version 2)](textanalysis-entitiesv2.md)— Untersuchen Sie unstrukturierten klinischen Text, um Textverweise auf medizinische Informationen wie Gesundheitszustand, Behandlung, Tests und Ergebnisse sowie Medikamente zu finden. Diese Version verwendet ein anderes Modell als die ursprüngliche Detect Entities API, und es gibt einige Änderungen in der Ausgabe.
+ [PHI erkennen](textanalysis-phi.md)— Untersuchen Sie unstrukturierten klinischen Text, um Textverweise auf geschützte Gesundheitsinformationen (PHI) wie Namen und Adressen zu erkennen.
Amazon Comprehend Medical umfasst auch mehrere API-Operationen, mit denen Sie Batch-Textanalysen für klinische Dokumente durchführen können. Weitere Informationen zur Verwendung dieser API-Operationen finden Sie unter. [Batch zur Textanalyse APIs](textanalysis-batchapi.md)
**Topics**
+ [Entitäten erkennen (Version 2)](textanalysis-entitiesv2.md)
+ [PHI erkennen](textanalysis-phi.md)
+ [Batch zur Textanalyse APIs](textanalysis-batchapi.md)
# Entitäten erkennen (Version 2)
Verwenden Sie **DetectEntitiesV2**, um Entitäten in einzelnen Dateien zu erkennen, oder **StartEntitiesDetectionV2Job** für die Batch-Analyse mehrerer Dateien. Sie können Entitäten in den folgenden Kategorien erkennen:
+ `ANATOMY:`Erkennt Verweise auf Körperteile oder Körpersysteme und die Position dieser Teile oder Systeme.
+ `BEHAVIORAL_ENVIRONMENTAL_SOCIAL`: Erkennt die Verhaltensweisen und Bedingungen in der Umgebung, die sich auf die Gesundheit einer Person auswirken. Dazu gehören Tabakkonsum, Alkoholkonsum, Drogenkonsum in der Freizeit, Allergien, Geschlecht und Rasse/ethnische Zugehörigkeit.
+ `MEDICAL_CONDITION:`Erkennt die Anzeichen, Symptome und Diagnosen von Erkrankungen.
+ `MEDICATION:`Erkennt Informationen zu Medikamenten und Dosierung des Patienten.
+ `PROTECTED_HEALTH_INFORMATION:`Erkennt die persönlichen Daten des Patienten.
+ `TEST_TREATMENT_PROCEDURE:`Erkennt die Verfahren, die zur Feststellung eines medizinischen Zustands verwendet werden.
+ `TIME_EXPRESSION:`Erkennt Entitäten, die sich auf die Zeit beziehen, wenn sie einer erkannten Entität zugeordnet sind.
Alle sechs Kategorien werden durch die **DetectEntitiesV2-Operation** erkannt. Für Analysen, die spezifisch für die Erkennung von PHI sind, verwenden Sie **DetectPhi** für einzelne Dateien und **Start PHIDetection Job** für die Batch-Analyse.
Amazon Comprehend Medical erkennt Informationen in den folgenden Klassen:
+ *Entität:* Ein Textverweis auf den Namen relevanter Objekte, z. B. Personen, Behandlungen, Medikamente und Erkrankungen. Beispiel, `ibuprofen`.
+ *Kategorie:* Die generalisierte Gruppierung, zu der eine Entität gehört. Zum Beispiel ist Ibuprofen Teil der Kategorie. `MEDICATION`
+ *Typ:* Der Typ der Entität, die innerhalb einer einzigen Kategorie erkannt wurde. Zum Beispiel gehört Ibuprofen zu dem `GENERIC_NAME` Typ in der `MEDICATION` Kategorie.
+ *Attribut:* Informationen, die sich auf eine Entität beziehen, z. B. die Dosierung eines Medikaments. `200 mg`Ist beispielsweise ein Attribut der Ibuprofen-Entität.
+ *Merkmal:* Etwas, das Amazon Comprehend Medical anhand des Kontextes über eine Entität versteht. Ein Medikament hat zum Beispiel das `NEGATION` Merkmal, dass ein Patient es nicht einnimmt.
+ *Beziehungstyp:* Die Beziehung zwischen einer Entität und einem Attribut.
Amazon Comprehend Medical stellt Ihnen den Standort einer Entität im Eingabetext zur Verfügung. In der Amazon Comprehend Comprehend-Konsole wird Ihnen der Standort grafisch angezeigt. Wenn Sie die API verwenden, wird Ihnen der Standort anhand eines numerischen Offsets angezeigt.
Jede Entität und jedes Attribut enthält eine Bewertung, die angibt, wie sicher Amazon Comprehend Medical in die Genauigkeit der Erkennung ist. Jedes Attribut hat auch eine Beziehungsbewertung. Die Punktzahl gibt das Maß an Vertrauen an, das Amazon Comprehend Medical in die Richtigkeit der Beziehung zwischen dem Attribut und seiner übergeordneten Einheit hat. Identifizieren Sie den geeigneten Konfidenzschwellenwert für Ihren Anwendungsfall. Verwenden Sie Schwellenwerte mit hoher Zuverlässigkeit in Situationen, die eine hohe Genauigkeit erfordern. Filtert Daten heraus, die den Schwellenwert nicht erreichen.
## Kategorie Anatomie
In der `ANATOMY` Kategorie werden Verweise auf die Körperteile oder Körpersysteme sowie die Position dieser Teile oder Systeme erkannt.
### Typen
+ `SYSTEM_ORGAN_SITE`: Körpersysteme, anatomische Stellen oder Regionen und Körperstellen.
### Attribute
+ `DIRECTION`: Richtungsbegriffe. Zum Beispiel links, rechts, medial, lateral, oben, unten, posterior, anterior, distal, proximal, kontralateral, bilateral, ipsilateral, dorsal, ventral usw.
## Kategorie „Verhalten“, „Umwelt“ und „Soziale Gesundheit“
In der `BEHAVIORAL_ENVIRONMENTAL_SOCIAL` Kategorie werden Verweise auf Verhaltensweisen und Umweltbedingungen erkannt, die sich auf die Gesundheit einer Person auswirken.
### Typ
+ `ALCOHOL_CONSUMPTION`: Definiert den Alkoholkonsum des Patienten in Bezug auf Konsumstatus, Häufigkeit, Menge und Dauer.
+ `ALLERGIES`: Definiert die Allergien und Reaktionen des Patienten auf Allergene.
+ `GENDER`: Eine Identifizierung der Merkmale der Geschlechtsidentität.
+ `RACE_ETHNICITY`: Ein sozialpolitisches Konstrukt der Identifikation eines Patienten mit bestimmten Rassen und ethnischen Gruppen.
+ `REC_DRUG_USE`: Definiert den Konsum von Freizeitdrogen durch den Patienten in Bezug auf Status, Häufigkeit, Menge und Dauer.
+ `TOBACCO_USE`: Definiert den Tabakkonsum des Patienten in Bezug auf Konsumstatus, Häufigkeit, Menge und Dauer.Attribute
Die folgenden erkannten Attribute gelten nur für die Typen `ALCOHOL_CONSUMPTION``TOBACCO_USE`, und`REC_DRUG_USE`:
+ `AMOUNT`: Die Menge des konsumierten Alkohols, Tabaks oder Freizeitdrogen.
+ `DURATION`: Wie lange der Alkohol, der Tabak oder die Freizeitdroge konsumiert wurde.
+ `FREQUENCY`: Wie oft der Alkohol, der Tabak oder die Freizeitdroge konsumiert wurde.
### Merkmale
Die folgenden erkannten Merkmale gelten nur für die Typen `ALCOHOL_CONSUMPTION``ALLERGIES`,`TOBACCO_USE`, und`REC_DRUG_USE`:
+ `NEGATION`: Ein Hinweis darauf, dass ein Ergebnis oder eine Aktion negativ ist oder nicht ausgeführt wird.
+ `PAST_HISTORY`: Ein Hinweis darauf, dass der Konsum von Alkohol, Tabak oder Freizeitdrogen aus der Vergangenheit des Patienten stammt (vor der aktuellen Begegnung).
## Kategorie „Erkrankung“
In `MEDICAL_CONDITION` dieser Kategorie werden die Anzeichen, Symptome und Diagnosen von Erkrankungen erkannt. Die Kategorie hat einen Entitätstyp, vier Attribute und vier Merkmale. Einem Typ können ein oder mehrere Merkmale zugeordnet werden. Kontextuelle Informationen über Merkmale und ihre Beziehung zur Diagnose werden erkannt und `DX_NAME` durchgehend zugeordnet. `RELATIONSHIP_EXTRACTION.` Beispielsweise wird aus dem Text „chronische Schmerzen im linken Bein“ „chronisch“ als Attribut erkannt`ACUITY`, „links“ wird als Attribut `DIRECTION` erkannt und „Bein“ wird als Attribut erkannt. `SYSTEM_ORGAN_SITE` Die Beziehungen zwischen den einzelnen Attributen werden zusammen mit einem Konfidenzwert der Entität „Schmerz“ der Erkrankung zugeordnet.
### Typen
+ `DX_NAME`: Alle aufgelisteten Erkrankungen. Der `DX_NAME` Typ umfasst die aktuelle Krankheit, den Grund für den Besuch und die Krankengeschichte.
### Attribute
+ `ACUITY`: Bestimmung des Krankheitsfalls, z. B. chronisch, akut, plötzlich, anhaltend oder schleichend.
+ `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.
+ `QUALITY`: Jeder Begriff, der die Erkrankung beschreibt, z. B. Stadium oder Grad.
### Merkmale
+ `DIAGNOSIS`: Eine Erkrankung, die als Ursache oder Folge der Symptome festgestellt wird. Symptome können anhand von körperlichen Befunden, Labor- oder radiologischen Berichten 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 ein Ergebnis oder eine Aktion negativ ist oder nicht durchgeführt wird.
+ `PERTAINS_TO_FAMILY`: Ein Hinweis darauf, dass eine Erkrankung für die Familie des Patienten relevant ist, nicht für den Patienten.
+ `SIGN`: Ein medizinischer Zustand, den der Arzt gemeldet hat.
+ `SYMPTOM`: Eine Erkrankung, die der Patient gemeldet hat.
## Kategorie Medikamente
In der `MEDICATION` Kategorie werden Informationen zu Medikamenten und Dosierung für den Patienten erfasst. Ein oder mehrere Attribute können für einen Typ gelten.
### Typen
+ `BRAND_NAME`: Der urheberrechtlich geschützte Markenname des Medikaments oder Therapeutikums.
+ `GENERIC_NAME`: Der markenfremde Name, der Name des Inhaltsstoffs oder die Rezepturmischung des Medikaments oder Therapeutikums.
### 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 des Medikaments.
+ `STRENGTH`: Die Stärke des Medikaments.
### 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).
## Kategorie „Geschützte Gesundheitsinformationen“
In der `PROTECTED_HEALTH_INFORMATION` Kategorie werden die persönlichen Daten des Patienten erkannt. Weitere Informationen [PHI erkennen](textanalysis-phi.md) zu dieser Operation finden Sie unter.
### Typen
+ `ADDRESS`: Alle geografischen Unterteilungen einer Adresse einer Einrichtung, einer Einheit oder eines Bezirks innerhalb einer Einrichtung.
+ `AGE`: Alle Altersbestandteile, Altersspannen oder jedes der genannten Altersklassen. Dazu gehören die eines Patienten, von Familienmitgliedern oder anderen. Die Standardeinstellung ist in Jahren angegeben, sofern nicht anders angegeben.
+ `EMAIL`: Beliebige E-Mail-Adresse.
+ `ID`: Sozialversicherungsnummer, Nummer der Krankenakte, Identifikationsnummer der Einrichtung, Nummer der klinischen Studie, Zertifikat- oder Lizenznummer, Fahrzeug- oder Gerätenummer, Behandlungsort oder Anbieter. Dazu gehören auch alle biometrischen Daten des Patienten, wie Größe, Gewicht oder Laborwerte.
+ `NAME`: Alle Namen. In der Regel Namen des Patienten, der Familie oder des Anbieters.
+ `PHONE_OR_FAX`: Beliebige Telefon-, Fax- oder Pager-Nummer. Ausgenommen sind benannte Telefonnummern wie 1-800-QUIT-NOW und 911.
+ `PROFESSION`: Jeder Beruf oder Arbeitgeber, der dem Patienten oder seiner Familie zuzurechnen ist. Der in der Notiz erwähnte Beruf des Klinikers ist nicht enthalten.
## Kategorie Test, Behandlung und Verfahren
In der `TEST_TREATMENT_PROCEDURE` Kategorie werden die Verfahren erfasst, die zur Feststellung eines medizinischen Zustands verwendet werden. Ein oder mehrere Attribute können sich auf eine Entität dieses `TEST_NAME` Typs beziehen.
### Typen
+ `PROCEDURE_NAME`: Interventionen als einmalige Maßnahme, die am Patienten zur Behandlung einer Krankheit oder zur Patientenversorgung durchgeführt wird.
+ `TEST_NAME`: Verfahren, die an einem Patienten zur Diagnose, Messung, Früherkennung oder Bewertung durchgeführt werden und 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, die über einen längeren Zeitraum durchgeführt werden, um eine Krankheit oder Störung zu bekämpfen. Dazu gehören Gruppierungen von Medikamenten wie Virostatika und Impfungen.
### Attribute
+ `TEST_VALUE`: Das Ergebnis eines Tests. Gilt nur für den `TEST_NAME` Entitätstyp.
+ `TEST_UNIT`: Die Maßeinheit, die dem Wert des Tests beiliegen könnte. Gilt nur für den `TEST_NAME` Entitätstyp.
### Eigenschaften
+ `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 (vor der aktuellen Begegnung) stammt.
## Ausdruckskategorie „Zeit“
Die `TIME_EXPRESSION` Kategorie erkennt Entitäten, die sich auf Zeit beziehen. Dazu gehören Entitäten wie Datums- und Uhrzeitangaben 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 „Gestern hat der Patient 200 mg Ibuprofen eingenommen“ `Yesterday` als Entität zurückgegeben, die sich mit `GENERIC_NAME` der `TIME_EXPRESSION` Entität „Ibuprofen“ überschneidet. In „Gestern ist der Patient mit seinem Hund spazieren gegangen“ würde es jedoch nicht als Einheit erkannt werden.
### Typen
+ `TIME_TO_MEDICATION_NAME`: Das Datum, an dem ein Medikament eingenommen wurde. Die für diesen Typ spezifischen Attribute sind `BRAND_NAME` und`GENERIC_NAME`.
+ `TIME_TO_DX_NAME`: Das Datum, an dem eine Krankheit aufgetreten ist. Das Attribut für diesen Typ ist`DX_NAME`.
+ `TIME_TO_TEST_NAME`: Das Datum, an dem ein Test durchgeführt wurde. Das Attribut für diesen Typ ist`TEST_NAME`.
+ `TIME_TO_PROCEDURE_NAME`: Das Datum, an dem ein Verfahren durchgeführt wurde. Das Attribut für diesen Typ ist`PROCEDURE_NAME`.
+ `TIME_TO_TREATMENT_NAME`: Das Datum, an dem eine Behandlung verabreicht wurde. Das Attribut für diesen Typ ist`TREATMENT_NAME`.
### Art der Beziehung
+ Die Beziehung zwischen einer Entität und einem Attribut. Das Anerkannte `Relationship_type` ist das Folgende:
`Overlap`— Das `TIME_EXPRESSION` stimmt mit der erkannten Entität überein.
# 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": []
}
```
# Batch zur Textanalyse APIs
Verwenden Sie Amazon Comprehend Medical, um medizinischen Text zu analysieren, der in einem Amazon S3 S3-Bucket gespeichert ist. Analysieren Sie bis zu 10 GB an Dokumenten in einem Stapel. Sie verwenden die Konsole, um Batch-Analyseaufträge zu erstellen und zu verwalten, oder verwenden Batch, APIs um medizinische Entitäten, einschließlich geschützter Gesundheitsinformationen (PHI), zu erkennen. APIs Sie starten, beenden, listen und beschreiben laufende Batch-Analyseaufträge.
[Preisinformationen für Chargenanalysen und andere Operationen von Amazon Comprehend Medical finden Sie hier.](https://aws.amazon.com/comprehend/medical/pricing/)
## Wichtiger Hinweis
Die Chargenanalyse 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. Für bestimmte Anwendungsfälle sollten die Ergebnisse von entsprechend geschulten menschlichen Gutachtern kontrolliert und überprüft werden. Alle Funktionen von Amazon Comprehend Medical sollten nur in Patientenversorgungsszenarien verwendet werden, nachdem sie von geschultem medizinischem Fachpersonal auf Richtigkeit und fundiertes medizinisches Urteilsvermögen überprüft wurden.
## Durchführung einer Chargenanalyse mit dem APIs
Sie können einen Batch-Analyseauftrag entweder mit der Amazon Comprehend Medical-Konsole oder Amazon Comprehend Medical Batch ausführen. APIs
**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 entweder die Operation StartEntitiesDetection V2Job oder die Operation Start PHIDetection Job. Wenn Sie den Job starten, teilen Sie Amazon Comprehend Medical den Namen des S3-Eingabe-Buckets mit, der die Eingabedateien enthält, und bestimmen Sie den S3-Ausgabe-Bucket, der die Dateien nach der Batch-Analyse schreibt.
1. Überwachen Sie den Fortschritt des Job mithilfe der Konsole oder des DescribeEntitiesDetection V2Job-Vorgangs oder des Describe-Job-Vorgangs. PHIDetection Darüber hinaus können Sie mit ListEntitiesDetection V2Jobs und List PHIDetection Jobs den Status aller Batch-Analyseaufträge, die eine Ontologie verknüpfen, einsehen.
1. Wenn Sie einen laufenden Job beenden müssen, verwenden Sie StopEntitiesDetection V2Job oder Stop PHIDetection Job, 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 den Amazon Comprehend Medical Medical-Batch aufruft, APIs muss über eine Richtlinie verfügen, die Zugriff auf die S3-Buckets gewährt, die die Eingabe- und Ausgabedateien enthalten. Außerdem muss ihm eine Vertrauensbeziehung zugewiesen werden, die es dem Amazon Comprehend Medical Medical-Service ermöglicht, die Rolle zu übernehmen. [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 überschreibt.
Die Ausgabe einer Batch-Operation erzeugt dieselbe Ausgabe wie eine synchrone Operation. Beispiele für die von Amazon Comprehend Medical generierte Ausgabe finden Sie unter. [Entitäten erkennen (Version 2)](textanalysis-entitiesv2.md)
Jeder Batch-Vorgang erzeugt drei Manifestdateien, die Informationen über den Job 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`— Listet Dateien auf, die der Batch-Job nicht verarbeitet hat, einschließlich 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` Innerhalb des Manifestordners befindet sich ein `success` Ordner, der das Erfolgsmanifest enthält. Ebenfalls enthalten ist ein `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" : "EntitiesDetection | PHIDetection",
"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 über unverarbeitete Dateien enthält.
```
{
"Files" : [ {
"Input": "file_name_that_failed",
"ErrorCode": "error code for exception",
"ErrorMessage": "explanation of the error code and suggestions"
},
{ ...}
]
}
```