本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 使用亚马逊 Comprehend Medical
[Amazon Comprehend](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html) Medical 可以检测并返回非结构化临床文本中的有用信息，例如医生记录、出院摘要、测试结果和病例记录。 AWS 服务 它使用自然语言处理 (NLP) 模型来检测实体。*实体*是指医疗信息的文本引用，例如医疗状况、药物或受保护的健康信息 (PHI)。
**重要**
Amazon Comprehend Medical 并不代替专业的医学意见、诊断或治疗。Amazon Comprehend Medical 提供置信度分数，该分数表明对检测到的实体的准确性的信心。为您的使用案例确定正确的置信度阈值，并在需要高准确度的情况下使用高置信度阈值。对于某些使用案例，结果应由经过适当培训的人力审核人员进行审核和验证。例如，只有经过训练有素的医学专家审查准确性和进行合理的医学判断后，Amazon Comprehend Medical 才能在患者护理场景中使用。
你可以通过、AWS CLI() 或通过 AWS 管理控制台，访问 Amazon Comprehend Med AWS Command Line Interface ical。 AWS SDKs AWS SDKs 它们适用于各种编程语言和平台，例如 Java、Python、Ruby、.NET、iOS 和 Android。您可以使用通过您的客户端应用程序 SDKs 以编程方式访问 Amazon Comprehend Medical。
本节回顾了亚马逊 Comprehend Medical 的主要功能。它还讨论了与大型语言模型 (LLM) 相比，使用此服务的优势。
## 亚马逊 Comprehend Medical 能力
Amazon Comprehend Medical APIs 提供近乎实时的批量推理。它们 APIs 可以通过使用医疗实体识别和识别实体关系来摄取医学文本，为医学自然语言处理任务提供结果。您可以对单个文件进行分析，也可以对存储在亚马逊简单存储服务 (Amazon S3) 存储桶中的多个文件进行批量分析。Amazon Comprehend Medical 提供以下文本分析 API 操作，用于同步实体检测：
+ [检测实体](https://docs.aws.amazon.com/comprehend-medical/latest/dev/textanalysis-entitiesv2.html)-检测一般医学类别，例如解剖学、医疗状况、PHI 类别、程序和时间表达式。
+ [检测 PHI](https://docs.aws.amazon.com/comprehend-medical/latest/dev/textanalysis-phi.html) — 检测特定实体，例如年龄、日期、姓名和类似的个人信息。
Amazon Comprehend Medical 还包括多个 API 操作，您可以使用这些操作对临床文件进行批量文本分析。要详细了解如何使用这些 API 操作，请参阅[批量文本分析 APIs](https://docs.aws.amazon.com/comprehend-medical/latest/dev/textanalysis-batchapi.html)。
使用 Amazon Comprehend Medical 检测临床文本中的实体，并将这些实体与标准化医学本体中的概念关联起来，包括、ICD-10-CM 和 SNOMED CT RxNorm 知识库。您可以对单个文件进行分析，也可以对存储在 Amazon S3 存储桶中的大型文档或多个文件进行批量分析。Amazon Comprehend Medical 提供以下本体链接 API 操作：
+ [Infer ICD10 CM](https://docs.aws.amazon.com/comprehend-medical/latest/dev/ontology-icd10.html) — **Infer ICD10 CM** 操作可检测潜在的疾病，并将其与 2019 年版《国际疾病分类》第 10 修订版《临床修改》（ICD-10-CM）中的代码关联起来。对于检测到的每种潜在医学状况，Amazon Comprehend Medical 都会列出匹配的 ICD-10-CM 代码和描述。结果中列出的医学状况包括置信度分数，该分数表明 Amazon Comprehend Medical 对实体与结果中的概念匹配准确性的信心程度。
+ [InferRxNorm](https://docs.aws.amazon.com/comprehend-medical/latest/dev/ontology-RxNorm.html)— 该**InferRxNorm**手术将患者记录中列出的药物识别为实体。它将实体链接到国家医学图书馆 RxNorm 数据库中的概念标识符 (rxCUI)。每个 RxCUI 都是独一无二的，具有不同的强度和剂量形式。结果中列出的药物包括置信度分数，这表明Amazon Comprehend Medical对与知识库中的概念相匹配的实体的准确性有信心。 RxNormAmazon Comprehend Medical 根据置信CUIs 度分数按降序列出了可能与其检测到的每种药物相匹配的顶级处方药物。
+ [InfersnomedCT](https://docs.aws.amazon.com/comprehend-medical/latest/dev/ontology-linking-snomed.html) — **InfersnomedCT** 操作将可能的医学概念识别为实体，并将其与2021-03年版本的《系统化医学命名法，临床术语》（SNOMEDCT）中的代码联系起来。SNOMED CT 提供了全面的医学概念词汇，包括医学状况和解剖学，以及医学检查、治疗和手术。对于每个匹配的概念 ID，Amazon Comprehend Medical 会返回排名前五的医学概念，每个概念都有置信度分数和情境信息，例如相关特征和属性。然后，当与 SNOMED CT 多层次结构一起使用时，SNOMED CT 概念 IDs 可用于构建患者临床数据，用于医学编码、报告或临床分析。
有关更多信息，请参阅 Amazon Compre [hend Medical APIs 文档中的[文本分析 APIs](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-textanalysis.html)和本体论链接](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html)。
## 亚马逊 Comprehend Medical 的用例
作为一项独立服务，Amazon Comprehend Medical 可能会解决贵组织的使用案例。Amazon Comprehend Medical 可以执行以下任务：
+ 帮助在患者记录中进行医疗编码
+ 检测受保护的健康信息 (PHI) 数据
+ 验证药物，包括剂量、频率和形式等属性
对于大多数医疗机构来说，Amazon Comprehend Medical 的结果是可以理解的。但是，如果您有以下限制，则可能需要考虑其他选择：
+ **不同的实体定义** — 例如，您对药物实体的定义可能会有所不同。`FREQUENCY`对于频率，Amazon Comprehend Medical 会根据需要进行*预测*，但您的组织可能会使用 *pro re nata（PRN）一词*。
+ **大量结果** — 例如，患者笔记通常包含多个症状和关键字，这些症状和关键字映射到多个 ICD-10-CM 代码。但是，有几个关键词不适用于诊断。在这种情况下，提供者必须评估许多 ICD-10-CM 实体及其置信度分数，这需要手动处理时间。
+ **自定义实体或 NLP 任务** — 例如，提供者可能想要提取 PRN 证据，例如按*需服*用。由于无法通过亚马逊 Comprehend Medical 购买，因此需要使用不同的型号。 AI/ML 如果 NLP 任务不在实体识别范围内，例如摘要、问答和情感分析，则需要不同的 AI/ML 解决方案。