Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Ontologi menghubungkan
Gunakan Amazon Comprehend Medical untuk mendeteksi entitas dalam teks klinis dan menghubungkan entitas tersebut dengan konsep dalam ontologi medis standar, termasuk RxNorm basis pengetahuan, ICD-10-CM, dan SNOMED CT. Anda dapat melakukan analisis baik pada file tunggal atau sebagai analisis batch pada dokumen besar atau beberapa file yang disimpan dalam Amazon Simple Storage Service (S3).
# Penautan ICD-10-CM
Gunakan Infer ICD10 CM untuk mendeteksi kemungkinan kondisi medis sebagai entitas dan menautkannya ke kode dari [Klasifikasi Penyakit Internasional, Revisi ke-10, Modifikasi Klinis (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)) versi 2026. ICD-10-CM disediakan oleh Pusat Pengendalian dan Pencegahan Penyakit AS (CDC).
Ketika kondisi medis terdeteksi, `InferICD10CM` kembalikan kode dan deskripsi ICD-10-CM yang cocok. Kondisi yang terdeteksi tercantum dalam urutan kepercayaan menurun. Skor menunjukkan kepercayaan pada keakuratan entitas yang cocok dengan konsep yang ditemukan dalam teks. Informasi terkait seperti riwayat keluarga, tanda, gejala, dan negasi diakui sebagai sifat. Informasi tambahan seperti penunjukan anatomi dan ketajaman terdaftar sebagai atribut.
Infer ICD10 CM sangat cocok untuk skenario berikut:
+ Membantu pengkodean medis profesional dari catatan pasien
+ Studi klinis dan uji coba
+ Integrasi dengan sistem perangkat lunak medis
+ Deteksi dan diagnosis dini
+ Manajemen kesehatan penduduk
## Kategori ICD-10-CM
**Infer ICD10 CM** mendeteksi entitas dalam kategori. `MEDICAL_CONDITION` Informasi terkait tambahan juga terdeteksi dan dihubungkan sebagai atribut atau sifat.
## Jenis ICD-10-CM
**Infer ICD10 CM** mendeteksi entitas dari jenis `DX_NAME` dan. `TIME_EXPRESSION`
## Ciri-ciri ICD-10-CM
**Infer ICD10 CM** mendeteksi informasi kontekstual berikut sebagai sifat:
+ `DIAGNOSIS`: Identifikasi kondisi medis yang ditentukan oleh evaluasi gejala.
+ `HYPOTHETICAL`: Indikasi bahwa suatu kondisi medis dinyatakan sebagai hipotesis.
+ `LOW_CONFIDENCE`: Indikasi bahwa suatu kondisi medis dinyatakan memiliki ketidakpastian yang tinggi. Ini tidak terkait langsung dengan skor kepercayaan yang diberikan.
+ `NEGATION`: Indikasi bahwa kondisi medis tidak ada.
+ `PERTAINS_TO_FAMILY`: Indikasi bahwa suatu kondisi medis relevan dengan keluarga pasien, bukan pasien.
+ `SIGN`: Kondisi medis yang dilaporkan oleh dokter.
+ `SYMPTOM`: Kondisi medis yang dilaporkan oleh pasien.
## Atribut ICD-10-CM
**Infer ICD10 CM** mendeteksi informasi kontekstual berikut sebagai atribut:
+ `DIRECTION`: Istilah terarah. Misalnya, kiri, kanan, medial, lateral, atas, bawah, posterior, anterior, distal, proksimal, kontralateral, bilateral, ipsilateral, dorsal, atau ventral.
+ `SYSTEM_ORGAN_SITE`: Lokasi anatomi.
+ `ACUITY:`Penentuan contoh penyakit, seperti kronis, akut, tiba-tiba, persisten, atau bertahap. Ini hanya berlaku untuk `MEDICAL_CONDITION` jenisnya.
+ `QUALITY`Setiap istilah deskriptif dari kondisi medis, seperti tahap atau kelas.
## Kategori ekspresi waktu
`TIME_EXPRESSION`Kategori mendeteksi entitas yang terkait dengan waktu. Ini termasuk entitas seperti tanggal, dan ekspresi waktu seperti “tiga hari yang lalu,” “hari ini,” “saat ini,” “hari masuk,” “bulan lalu,” atau “16 hari.” Hasil dalam kategori ini hanya dikembalikan jika dikaitkan dengan entitas. Misalnya, ungkapan, “Kemarin, pasien didiagnosis dengan influenza” akan kembali `Yesterday` sebagai `TIME_EXPRESSION` entitas yang tumpang tindih dengan `DX_NAME` entitas, “influenza.” Namun, “kemarin” tidak akan diakui sebagai entitas dalam ungkapan, “kemarin, pasien berjalan dengan anjingnya.”
## Tipe
Jenis yang diakui `TIME_EXPRESSION` adalah`TIME_TO_DX_NAME`: tanggal terjadinya kondisi medis. Atribut untuk tipe ini adalah`DX_NAME`.
## Jenis hubungan
`RELATIONSHIP_TYPE`Ini mengacu pada hubungan antara entitas dan atribut. Yang diakui `RELATIONSHIP_TYPE` adalah `OVERLAP` — `TIME_EXPRESSION` kesepakatan dengan entitas yang terdeteksi.
## Contoh masukan dan respons
**catatan**
Untuk sintaks input dan respons API tertentu, lihat [Menyimpulkan ICD10 CM di Referensi](https://docs.aws.amazon.com/comprehend-medical/latest/api/API_InferICD10CM.html) *Amazon Comprehend Medical* API.
Contoh teks masukan berikut menunjukkan bagaimana `InferICD10CM` operasi bekerja. Untuk melihat semua teks input, gulir ke atas tombol **Salin**.
```
"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."
```
`InferICD10CM`Operasi mengembalikan output berikut dalam format JSON (disingkat singkatnya).
```
{
"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`juga mengenali ketika suatu entitas dinegasikan dalam teks. Misalnya, jika pasien tidak mengalami gejala, baik gejala maupun negasi diidentifikasi sebagai sifat dan terdaftar dengan skor kepercayaan. Berdasarkan masukan untuk contoh sebelumnya, gejala `Nausea` akan dicantumkan di bawah `NEGATION` karena pasien tidak mengalami mual.
```
{
"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 menghubungkan
Gunakan **InferRxNorm**operasi untuk mengidentifikasi obat yang tercantum dalam catatan pasien sebagai entitas. Operasi ini juga menghubungkan entitas tersebut ke pengidentifikasi konsep (RxCui) dari [ RxNorm database dari Perpustakaan Kedokteran Nasional](https://www.nlm.nih.gov/research/umls/rxnorm/docs/rxnormfiles.html ). Sumber untuk setiap RxCui adalah RxNorm 2022-11-07 dan Rilis. RxTerms Setiap RxCui unik untuk kekuatan dan bentuk dosis yang berbeda. Amazon Comprehend Medical mencantumkan CUIs Rx yang berpotensi cocok untuk setiap obat yang dideteksi dalam urutan menurun berdasarkan skor kepercayaan. Gunakan kode RxCui untuk analisis hilir yang tidak mungkin dilakukan dengan teks tidak terstruktur. Informasi terkait seperti kekuatan, frekuensi, dosis, bentuk dosis, dan rute pemberian terdaftar sebagai atribut dalam format JSON.
Anda dapat menggunakan **InferRxNorm**untuk skenario berikut:
+ Skrining untuk obat yang telah diminum pasien.
+ Mencegah reaksi negatif yang berpotensi antara obat yang baru diresepkan dan obat yang sedang dikonsumsi pasien.
+ Skrining untuk dimasukkan dalam uji klinis berdasarkan riwayat obat menggunakan RxCui.
+ Memeriksa apakah dosis dan frekuensi obat sesuai.
+ Skrining untuk penggunaan, indikasi, dan efek samping obat.
+ Mengelola kesehatan penduduk.
## Pemberitahuan penting
**InferRxNorm**Operasi Amazon Comprehend Medical bukanlah pengganti saran medis profesional, diagnosis, atau perawatan. Identifikasi ambang kepercayaan yang tepat untuk kasus penggunaan Anda, dan gunakan ambang kepercayaan tinggi dalam situasi yang membutuhkan akurasi tinggi. Hanya gunakan operasi Amazon Comprehend Medical dalam *skenario* perawatan pasien setelah meninjau keakuratan dan menerima penilaian yang baik oleh profesional medis terlatih.
## RxNorm kategori
**InferRxNorm**mendeteksi entitas dalam `MEDICATION` kategori. Ini juga mendeteksi informasi terkait tambahan yang ditautkan sebagai atribut atau sifat.
## RxNorm jenis
Jenis-jenis entitas dalam `Medication` kategori tersebut adalah
+ `BRAND_NAME`: Nama merek obat atau agen terapeutik yang dilindungi hak cipta.
+ `GENERIC_NAME`: Nama non-merek, nama bahan, atau campuran formula obat atau agen terapeutik.
## RxNorm atribut
+ `DOSAGE`: Jumlah obat yang dipesan.
+ `DURATION`: Berapa lama obat harus diberikan.
+ `FORM`: Bentuk obatnya.
+ `FREQUENCY`: Seberapa sering memberikan obat.
+ `RATE`: Tingkat pemberian obat (terutama untuk infus obat atau IVs).
+ `ROUTE_OR_MODE`: Metode pemberian obat.
+ `STRENGTH`: Kekuatan obat.
## RxNorm sifat
+ `NEGATION`: Setiap indikasi bahwa pasien *tidak* minum obat.
+ `PAST_HISTORY`: Indikasi bahwa obat yang terdeteksi berasal dari masa lalu pasien (sebelum pertemuan saat ini).
## Contoh masukan dan respons
**catatan**
Untuk sintaks input dan respons API tertentu, lihat [InferRxNorm](https://docs.aws.amazon.com/comprehend-medical/latest/api/API_InferRxNorm.html)di Referensi API *Amazon Comprehend Medical*.
Contoh teks masukan berikut menunjukkan bagaimana `InferRxNorm` operasi bekerja. Untuk melihat semua teks input, gulir ke atas tombol **Salin**.
```
"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"
```
`InferRxNorm`Operasi mengembalikan output berikut dalam format JSON:
```
{
"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"
}
```
Menggunakan teks input berikut, `InferRxNorm` operasi mengenali sifat negasi juga.
```
'patient is not on warfarin'
```
`InferRxNorm`Operasi mengembalikan output berikut dalam format JSON:
```
{
"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"
}
```
# Menghubungkan CT SNOMED
Gunakan **InfersNomeDCT** untuk mendeteksi entitas medis dan menghubungkannya dengan konsep dari versi 2022-03 dari Nomenklatur Kedokteran Sistematisasi, Istilah Klinis (SNOMED CT). SNOMED CT memberi Anda kosakata konsep medis yang komprehensif, termasuk kondisi medis dan anatomi, tes medis, perawatan, dan prosedur. Untuk mempelajari lebih lanjut tentang SNOMED CT, kunjungi [SNOMED](https://www.snomed.org/value-of-snomedct) CT.
Untuk setiap entitas medis yang terdeteksi, Amazon Comprehend Medical mencantumkan lima IDs konsep dan deskripsi CT SNOMED teratas yang terkait dengan konsep medis, bersama dengan skor kepercayaan untuk menunjukkan kepercayaan model dalam prediksinya. Konsep CT SNOMED IDs terdaftar dalam urutan kepercayaan menurun bersama dengan skor kepercayaan. Konsep CT SNOMED kemudian IDs dapat digunakan untuk menyusun data klinis pasien untuk pengkodean medis, pelaporan, atau analitik klinis saat Anda menggunakannya dengan hierarki poli-SNOMED CT.
**InfersNoMEDCT** tersedia untuk pelanggan di AS. [Untuk informasi tentang SNOMED CT di negara lain, dan informasi tentang lisensi SNOMED CT, lihat SNOMED CT.](https://www.snomed.org/value-of-snomedct)
**InfersNoMEDCT** sangat cocok untuk skenario berikut:
+ Bantuan untuk pengkodean medis profesional dalam catatan pasien
+ Studi klinis dan uji coba
+ Manajemen kesehatan penduduk
**InfersNomeDCT** mendeteksi entitas dalam kategori berikut. Informasi kontekstual tambahan juga terdeteksi dan dihubungkan sebagai atribut atau sifat.
+ `MEDICAL_CONDITION`: Tanda, gejala, dan diagnosis kondisi medis.
+ `ANATOMY`: Bagian-bagian tubuh atau sistem tubuh dan lokasi bagian atau sistem tersebut.
+ `TEST_TREATMENT_PROCEDURE`: Prosedur yang digunakan untuk menentukan kondisi medis.
## Kategori anatomi
`ANATOMY`Kategori ini mendeteksi referensi ke bagian-bagian tubuh atau sistem tubuh dan lokasi bagian atau sistem tersebut.
### Atribut
Atribut berikut terdeteksi untuk `ANATOMY` kategori:
+ `DIRECTION`: Istilah terarah. Misalnya, kiri, kanan, medial, lateral, atas, bawah, posterior, anterior, distal, proksimal, kontralateral, bilateral, ipsilateral, dorsal, atau ventral.
+ `SYSTEM_ORGAN_SITE`: Sistem tubuh, lokasi atau daerah anatomi, dan situs tubuh.
## Kategori kondisi medis
`MEDICAL_CONDITION`Kategori ini mendeteksi tanda, gejala, dan diagnosis kondisi medis.
### Tipe
Untuk kategori **MEDICAL\$1CONDITION**, jenis berikut terdeteksi:
+ `DX_NAME:`Identifikasi kondisi medis yang ditentukan oleh evaluasi gejala.
### Atribut
Atribut berikut terdeteksi untuk `MEDICAL_CONDITION` kategori:
+ `ACUITY:`Penentuan contoh penyakit, seperti kronis, akut, tiba-tiba, persisten, atau bertahap.
+ `QUALITY:`Setiap istilah deskriptif dari kondisi medis, seperti tahap atau kelas.
+ `DIRECTION`: Istilah terarah. Misalnya, kiri, kanan medial, lateral, atas, bawah, posterior, anterior, distal, proksimal, kontralateral, bilateral, ipsilateral, dorsal, atau ventral.
+ `SYSTEM_ORGAN_SITE`: Sistem tubuh, lokasi atau daerah anatomi, dan situs tubuh.
### Sifat-sifat
Ciri-ciri berikut terdeteksi untuk `MEDICAL_CONDITION` kategori:
+ `DIAGNOSIS`: Kondisi medis yang ditentukan sebagai penyebab atau akibat dari gejala. Gejala dapat ditemukan melalui temuan fisik, laporan laboratorium atau radiologis, atau cara lain.
+ `HYPOTHETICAL`: Indikasi bahwa suatu kondisi medis dinyatakan sebagai hipotesis.
+ `LOW_CONFIDENCE`: Indikasi bahwa suatu kondisi medis dinyatakan memiliki ketidakpastian yang tinggi. Ini tidak terkait langsung dengan skor kepercayaan yang diberikan.
+ `NEGATION`: Indikasi bahwa kondisi medis tidak ada.
+ `PERTAINS_TO_FAMILY`: Indikasi bahwa suatu kondisi medis relevan dengan keluarga pasien, bukan pasien.
+ `SIGN`: Kondisi medis yang dilaporkan oleh dokter.
+ `SYMPTON`: Kondisi medis yang dilaporkan oleh pasien.
## Kategori tes, perawatan, dan prosedur
`TEST_TREATMENT_PROCEDURE`Kategori mendeteksi prosedur yang digunakan untuk menentukan kondisi medis.
### Tipe
Untuk kategori **TEST\$1TREATMENT\$1PROCEDURE**, jenis berikut terdeteksi:
+ `PROCEDURE_NAME:`Intervensi dilakukan pada pasien untuk mengobati kondisi medis atau untuk memberikan perawatan pasien.
+ `TEST_NAME:`Prosedur yang dilakukan pada pasien untuk diagnosis, pengukuran, skrining, atau peringkat yang mungkin memiliki nilai yang dihasilkan. Ini termasuk prosedur, proses, evaluasi, atau penilaian apa pun untuk menentukan diagnosis, untuk mengesampingkan atau menemukan suatu kondisi, atau untuk mengukur atau menilai pasien.
+ `TREATMENT_NAME:`Intervensi dilakukan untuk memerangi penyakit atau gangguan. Ini termasuk obat-obatan, seperti antivirus dan vaksinasi.
### Atribut
Untuk kategori **TEST\$1TREATMENT\$1PROCEDURE**, atribut berikut terdeteksi:
+ `TEST_NAME:`Tes diagnostik dilakukan.
+ `TEST_VALUE:`Hasil numerik dari tes diagnostik.
+ `TEST_UNIT:`Unit yang terkait dengan `TEST_VALUE:` hasil.
+ `PROCEDURE_NAME:`Nama operasi atau prosedur medis yang dilakukan.
+ `TREATMENT_NAME:`Nama pengobatan yang diberikan kepada pasien.
### Sifat-sifat
+ `FUTURE`Indikasi bahwa tes, perawatan, atau prosedur mengacu pada tindakan atau peristiwa yang akan terjadi setelah subjek catatan.
+ `HYPOTHETICAL`Indikasi bahwa tes, pengobatan, atau prosedur dinyatakan sebagai hipotesis
+ `NEGATION`: Indikasi bahwa hasil atau tindakan negatif atau tidak dilakukan.
+ `PAST_HISTORY`Indikasi bahwa tes, perawatan, atau prosedur berasal dari masa lalu pasien (sebelum pertemuan saat ini).
## Detail CT SNOMED
Termasuk dalam respons JSON adalah detail CT SNOMED, yang mencakup informasi berikut:
+ `EDITION:`Hanya edisi AS yang didukung.
+ `VERSIONDATE: `Cap tanggal versi SNOMED CT yang digunakan.
+ `LANGUAGE:`Analisis bahasa Inggris (US-EN) didukung.
## Contoh masukan dan respons
**catatan**
*Untuk sintaks input dan respons API tertentu, lihat [InfersNomeDCT](https://docs.aws.amazon.com/comprehend-medical/latest/api/API_InferSNOMEDCT.html) di Referensi API Amazon Comprehend Medical.*
Contoh teks masukan berikut menunjukkan bagaimana `InferSNOMEDCT` operasi bekerja. Untuk melihat semua teks input, gulir ke atas tombol **Salin**.
```
"HEENT : Boggy inferior turbinates, No oropharyngeal lesion"
```
`InferSNOMEDCT`Operasi mengembalikan output berikut dalam format JSON.
```
{
"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"
}
```
# Ontologi yang menghubungkan analisis batch
Gunakan Amazon Comprehend Medical untuk mendeteksi entitas dalam teks klinis yang disimpan dalam bucket Amazon Simple Storage Service (Amazon S3) Simple Storage Service (Amazon S3) dan untuk menautkan entitas tersebut ke ontologi standar. Anda dapat menggunakan ontologi yang menghubungkan analisis batch untuk menganalisis koleksi dokumen atau dokumen tunggal dengan hingga 20.000 karakter. Dengan menggunakan konsol atau ontologi yang menautkan operasi API batch, Anda dapat melakukan operasi untuk memulai, menghentikan, membuat daftar, dan menjelaskan pekerjaan analisis batch yang sedang berlangsung.
[Untuk informasi harga untuk analisis batch dan operasi Amazon Comprehend Medical lainnya, lihat Amazon Comprehend Medical Pricing.](https://aws.amazon.com/comprehend/medical/pricing/)
## Melakukan analisis batch
Anda dapat menjalankan pekerjaan analisis batch menggunakan konsol Amazon Comprehend Medical atau operasi API batch Amazon Comprehend Medical.
### Melakukan analisis batch menggunakan operasi API
**Prasyarat**
Saat Anda menggunakan Amazon Comprehend Medical API, buat kebijakan AWS Identity Access and Management (IAM) dan lampirkan ke peran IAM. Untuk mempelajari lebih lanjut tentang peran IAM dan kebijakan kepercayaan, lihat Kebijakan [dan Izin IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies.html).
1. Unggah data Anda ke dalam bucket S3.
1. Untuk memulai pekerjaan analisis baru, gunakan Start Job, ****Start ICD10 CMInference SNOMEDCTInference Job****, atau **StartRxNormInferenceJob**operasionalnya. Berikan nama bucket Amazon S3 yang berisi file input dan nama bucket Amazon S3 tempat Anda ingin mengirim file output.
1. Pantau kemajuan pekerjaan dengan menggunakan **Description ICD10 CMInference Job**, **Describe SNOMEDCTInference Job**, atau **DescribeRxNormInferenceJob**operasi. Selain itu, Anda dapat menggunakan **Daftar ICD10 CMInference Pekerjaan**, **Daftar SNOMEDCTInference Pekerjaan**, dan **ListRxNormInferenceJobs**untuk melihat status semua ontologi yang menghubungkan pekerjaan analisis batch.
1. Jika Anda perlu menghentikan pekerjaan yang sedang berlangsung, gunakan **Stop ICD10 CMInference Job**, **Stop SNOMEDCTInference Job**, atau **StopRxNormInferenceJob**untuk menghentikan analisis.
1. Untuk melihat hasil pekerjaan analisis Anda, lihat bucket S3 keluaran yang Anda konfigurasikan saat memulai pekerjaan.
### Melakukan analisis batch menggunakan konsol
****
1. Unggah data Anda ke dalam bucket S3.
1. Untuk memulai pekerjaan analisis baru, pilih jenis analisis yang akan Anda lakukan. Kemudian, berikan nama bucket S3 yang berisi file input dan nama bucket S3 tempat Anda ingin mengirim file output.
1. Pantau status pekerjaan Anda saat sedang berlangsung. Dari konsol, Anda dapat melihat semua operasi analisis batch dan statusnya, termasuk kapan analisis dimulai dan berakhir.
1. Untuk melihat hasil pekerjaan analisis Anda, lihat bucket keluaran S3 yang Anda konfigurasikan saat memulai pekerjaan.
## Kebijakan IAM untuk operasi batch
Peran IAM yang memanggil operasi API batch Amazon Comprehend Medical harus memiliki kebijakan yang memberikan akses ke bucket S3 yang berisi file input dan output. Peran IAM juga harus diberi hubungan kepercayaan sehingga layanan Amazon Comprehend Medical dapat mengambil peran tersebut. Untuk mempelajari lebih lanjut tentang peran IAM dan kebijakan kepercayaan, lihat Peran [IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html).
Peran harus memiliki kebijakan berikut:
------
#### [ 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"
}
]
}
```
------
Peran tersebut harus memiliki hubungan kepercayaan berikut. Disarankan agar Anda menggunakan kunci `aws:SourceAccount ` dan `aws:SourceArn` kondisi untuk mencegah masalah keamanan wakil yang membingungkan. Untuk mempelajari lebih lanjut tentang masalah wakil yang bingung dan cara melindungi AWS akun Anda, lihat [Masalah wakil yang bingung](https://docs.aws.amazon.com/IAM/latest/UserGuide/confused-deputy.html) dalam dokumentasi IAM.
------
#### [ 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:*"
}
}
}
]
}
```
------
## File keluaran analisis Batch
Amazon Comprehend Medical membuat satu file output untuk setiap file input dalam batch. File memiliki ekstensi`.out`. Amazon Comprehend Medical pertama-tama membuat direktori di bucket output S3 menggunakan *AwsAccountId* *JobType* - *JobId* - sebagai namanya, dan kemudian menulis semua file output untuk batch ke direktori ini. Amazon Comprehend Medical membuat direktori baru ini sehingga output dari satu pekerjaan tidak menimpa output dari pekerjaan lain.
Operasi batch menghasilkan output yang sama dengan operasi sinkron.
Setiap operasi batch menghasilkan tiga file manifes berikut yang berisi informasi tentang pekerjaan:
+ `Manifest`— Meringkas pekerjaan. Memberikan informasi tentang parameter yang digunakan untuk pekerjaan, ukuran total pekerjaan, dan jumlah file yang diproses.
+ `Success`— Memberikan informasi tentang file yang berhasil diproses. Termasuk nama file input dan output dan ukuran file input.
+ `Unprocessed`— Daftar file yang pekerjaan batch tidak diproses dengan kode kesalahan dan pesan kesalahan per file.
Amazon Comprehend Medical menulis file ke direktori output yang Anda tentukan untuk pekerjaan batch. File manifes ringkasan akan ditulis ke folder output, bersama dengan folder berjudul`Manifest_AccountId-Operation-JobId`. Di dalam folder manifes adalah `success` folder, yang berisi manifes sukses, dan `failed` folder, yang berisi manifes file yang belum diproses. Bagian berikut menunjukkan struktur file manifes.
### File manifes Batch
Berikut ini adalah struktur JSON dari file manifes batch.
```
{"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"
}
}
```
### File manifes sukses
Berikut ini adalah struktur JSON dari file yang berisi informasi tentang file yang berhasil diproses.
```
{
"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
}]
}
```
### File manifes yang belum diproses
Berikut ini adalah struktur JSON dari file manifes yang berisi informasi tentang file yang belum diproses.
```
{
"Files" : [ {
"Input": "file_name_that_failed",
"ErrorCode": "error code for exception",
"ErrorMessage": "explanation of the error code and suggestions"
},
{ ...}
]
}
```