Description
This pretrained pipeline is built on the top of ner_living_species model.
Predicted Entities
How to use
from sparknlp.pretrained import PretrainedPipeline
pipeline = PretrainedPipeline("ner_living_species_pipeline", "fr", "clinical/models")
text = '''Femme de 47 ans allergique à l'iode, fumeuse sociale, opérée pour des varices, deux césariennes et un abcès fessier. Vit avec son mari et ses trois enfants, travaille comme enseignante. Initialement, le patient a eu une bonne évolution, mais au 2ème jour postopératoire, il a commencé à montrer une instabilité hémodynamique. Les sérologies pour Coxiella burnetii, Bartonella henselae, Borrelia burgdorferi, Entamoeba histolytica, Toxoplasma gondii, herpès simplex virus 1 et 2, cytomégalovirus, virus d'Epstein Barr, virus de la varicelle et du zona et parvovirus B19 étaient négatives. Cependant, un test au rose Bengale positif pour Brucella, le test de Coombs et les agglutinations étaient également positifs avec un titre de 1/40.'''
result = pipeline.fullAnnotate(text)
import com.johnsnowlabs.nlp.pretrained.PretrainedPipeline
val pipeline = new PretrainedPipeline("ner_living_species_pipeline", "fr", "clinical/models")
val text = "Femme de 47 ans allergique à l'iode, fumeuse sociale, opérée pour des varices, deux césariennes et un abcès fessier. Vit avec son mari et ses trois enfants, travaille comme enseignante. Initialement, le patient a eu une bonne évolution, mais au 2ème jour postopératoire, il a commencé à montrer une instabilité hémodynamique. Les sérologies pour Coxiella burnetii, Bartonella henselae, Borrelia burgdorferi, Entamoeba histolytica, Toxoplasma gondii, herpès simplex virus 1 et 2, cytomégalovirus, virus d'Epstein Barr, virus de la varicelle et du zona et parvovirus B19 étaient négatives. Cependant, un test au rose Bengale positif pour Brucella, le test de Coombs et les agglutinations étaient également positifs avec un titre de 1/40."
val result = pipeline.fullAnnotate(text)
from sparknlp.pretrained import PretrainedPipeline
pipeline = PretrainedPipeline("ner_living_species_pipeline", "fr", "clinical/models")
text = '''Femme de 47 ans allergique à l'iode, fumeuse sociale, opérée pour des varices, deux césariennes et un abcès fessier. Vit avec son mari et ses trois enfants, travaille comme enseignante. Initialement, le patient a eu une bonne évolution, mais au 2ème jour postopératoire, il a commencé à montrer une instabilité hémodynamique. Les sérologies pour Coxiella burnetii, Bartonella henselae, Borrelia burgdorferi, Entamoeba histolytica, Toxoplasma gondii, herpès simplex virus 1 et 2, cytomégalovirus, virus d'Epstein Barr, virus de la varicelle et du zona et parvovirus B19 étaient négatives. Cependant, un test au rose Bengale positif pour Brucella, le test de Coombs et les agglutinations étaient également positifs avec un titre de 1/40.'''
result = pipeline.fullAnnotate(text)
Results
| | ner_chunks | begin | end | ner_label | confidence |
|---:|:---------------------------------|--------:|------:|:------------|-------------:|
| 0 | Femme | 0 | 4 | HUMAN | 1 |
| 1 | mari | 130 | 133 | HUMAN | 0.982 |
| 2 | enfants | 148 | 154 | HUMAN | 0.9863 |
| 3 | patient | 203 | 209 | HUMAN | 0.9989 |
| 4 | Coxiella burnetii | 346 | 362 | SPECIES | 0.9309 |
| 5 | Bartonella henselae | 365 | 383 | SPECIES | 0.99275 |
| 6 | Borrelia burgdorferi | 386 | 405 | SPECIES | 0.98795 |
| 7 | Entamoeba histolytica | 408 | 428 | SPECIES | 0.98455 |
| 8 | Toxoplasma gondii | 431 | 447 | SPECIES | 0.9736 |
| 9 | cytomégalovirus | 479 | 493 | SPECIES | 0.9979 |
| 10 | virus d'Epstein Barr | 496 | 515 | SPECIES | 0.788667 |
| 11 | virus de la varicelle et du zona | 518 | 549 | SPECIES | 0.788543 |
| 12 | parvovirus B19 | 554 | 567 | SPECIES | 0.9341 |
| 13 | Brucella | 636 | 643 | SPECIES | 0.9993 |
Model Information
| Model Name: | ner_living_species_pipeline |
| Type: | pipeline |
| Compatibility: | Healthcare NLP 4.4.4+ |
| License: | Licensed |
| Edition: | Official |
| Language: | fr |
| Size: | 1.3 GB |
Included Models
- DocumentAssembler
- SentenceDetectorDLModel
- TokenizerModel
- WordEmbeddingsModel
- MedicalNerModel
- NerConverterInternalModel