Pipeline to Detect Living Species (w2v_cc_300d)

Description

This pretrained pipeline is built on the top of ner_living_species model.

Predicted Entities

Copy S3 URI

How to use

from sparknlp.pretrained import PretrainedPipeline

pipeline = PretrainedPipeline("ner_living_species_pipeline", "ca", "clinical/models")

text = '''Dona de 47 anys al·lèrgica al iode, fumadora social, intervinguda de varices, dues cesàries i un abscés gluti. Sense altres antecedents mèdics d'interès ni tractament habitual. Viu amb el seu marit i tres fills, treballa com a professora. En el moment de la nostra valoració en la planta de Cirurgia General, la pacient presenta TA 69/40 mm Hg, freqüència cardíaca 120 lpm, taquipnea en repòs, pal·lidesa mucocutánea, mala perfusió distal i afligeix nàusees. L'abdomen és tou, no presenta peritonismo i el dèbit del drenatge abdominal roman sense canvis. Les serologies de Coxiella burnetii, Bartonella henselae, Borrelia burgdorferi, Entamoeba histolytica, Toxoplasma gondii, citomegalovirus, virus de Epstein Barr, virus varicel·la zoster i parvovirus B19 van ser negatives. No obstant això, es va detectar test de rosa de Bengala positiu per a Brucella, el test de Coombs i les aglutinacions també van ser positives amb un títol 1/40.'''

result = pipeline.fullAnnotate(text)
import com.johnsnowlabs.nlp.pretrained.PretrainedPipeline

val pipeline = new PretrainedPipeline("ner_living_species_pipeline", "ca", "clinical/models")

val text = "Dona de 47 anys al·lèrgica al iode, fumadora social, intervinguda de varices, dues cesàries i un abscés gluti. Sense altres antecedents mèdics d'interès ni tractament habitual. Viu amb el seu marit i tres fills, treballa com a professora. En el moment de la nostra valoració en la planta de Cirurgia General, la pacient presenta TA 69/40 mm Hg, freqüència cardíaca 120 lpm, taquipnea en repòs, pal·lidesa mucocutánea, mala perfusió distal i afligeix nàusees. L'abdomen és tou, no presenta peritonismo i el dèbit del drenatge abdominal roman sense canvis. Les serologies de Coxiella burnetii, Bartonella henselae, Borrelia burgdorferi, Entamoeba histolytica, Toxoplasma gondii, citomegalovirus, virus de Epstein Barr, virus varicel·la zoster i parvovirus B19 van ser negatives. No obstant això, es va detectar test de rosa de Bengala positiu per a Brucella, el test de Coombs i les aglutinacions també van ser positives amb un títol 1/40."

val result = pipeline.fullAnnotate(text)

Results

    | ner_chunks              |   begin |   end | ner_label   |   confidence |
|---:|:------------------------|--------:|------:|:------------|-------------:|
|  0 | Dona                    |       0 |     3 | HUMAN       |     1        |
|  1 | marit                   |     192 |   196 | HUMAN       |     0.9867   |
|  2 | fills                   |     205 |   209 | HUMAN       |     0.9822   |
|  3 | professora              |     227 |   236 | HUMAN       |     0.9987   |
|  4 | pacient                 |     312 |   318 | HUMAN       |     0.9986   |
|  5 | Coxiella burnetii       |     573 |   589 | SPECIES     |     0.96365  |
|  6 | Bartonella henselae     |     592 |   610 | SPECIES     |     0.92445  |
|  7 | Borrelia burgdorferi    |     613 |   632 | SPECIES     |     0.91515  |
|  8 | Entamoeba histolytica   |     635 |   655 | SPECIES     |     0.87195  |
|  9 | Toxoplasma gondii       |     658 |   674 | SPECIES     |     0.8935   |
| 10 | citomegalovirus         |     677 |   691 | SPECIES     |     0.9227   |
| 11 | virus de Epstein Barr   |     694 |   714 | SPECIES     |     0.730375 |
| 12 | virus varicel·la zoster |     717 |   739 | SPECIES     |     0.778333 |
| 13 | parvovirus B19          |     743 |   756 | SPECIES     |     0.9138   |
| 14 | Brucella                |     847 |   854 | SPECIES     |     0.9483   |

Model Information

Model Name: ner_living_species_pipeline
Type: pipeline
Compatibility: Healthcare NLP 4.4.4+
License: Licensed
Edition: Official
Language: ca
Size: 1.2 GB

Included Models

  • DocumentAssembler
  • SentenceDetectorDLModel
  • TokenizerModel
  • WordEmbeddingsModel
  • MedicalNerModel
  • NerConverterInternalModel