0) { for (i = 0; i < cbs.length; i++) { cbs[i](); } } }); return { then: function(cb) { cb && (loaded ? cb() : (cbs.push(cb))); } }; })(); })(); (function() { window.throttle = function(func, wait) { var args, result, thisArg, timeoutId, lastCalled = 0; function trailingCall() { lastCalled = new Date; timeoutId = null; result = func.apply(thisArg, args); } return function() { var now = new Date, remaining = wait - (now - lastCalled); args = arguments; thisArg = this; if (remaining <= 0) { clearTimeout(timeoutId); timeoutId = null; lastCalled = now; result = func.apply(thisArg, args); } else if (!timeoutId) { timeoutId = setTimeout(trailingCall, remaining); } return result; }; }; })(); (function() { var Set = (function() { var add = function(item) { var i, data = this._data; for (i = 0; i < data.length; i++) { if (data[i] === item) { return; } } this.size ++; data.push(item); return data; }; var Set = function(data) { this.size = 0; this._data = []; var i; if (data.length > 0) { for (i = 0; i < data.length; i++) { add.call(this, data[i]); } } }; Set.prototype.add = add; Set.prototype.get = function(index) { return this._data[index]; }; Set.prototype.has = function(item) { var i, data = this._data; for (i = 0; i < data.length; i++) { if (this.get(i) === item) { return true; } } return false; }; Set.prototype.is = function(map) { if (map._data.length !== this._data.length) { return false; } var i, j, flag, tData = this._data, mData = map._data; for (i = 0; i < tData.length; i++) { for (flag = false, j = 0; j < mData.length; j++) { if (tData[i] === mData[j]) { flag = true; break; } } if (!flag) { return false; } } return true; }; Set.prototype.values = function() { return this._data; }; return Set; })(); window.Lazyload = (function(doc) { var queue = {js: [], css: []}, sources = {js: {}, css: {}}, context = this; var createNode = function(name, attrs) { var node = doc.createElement(name), attr; for (attr in attrs) { if (attrs.hasOwnProperty(attr)) { node.setAttribute(attr, attrs[attr]); } } return node; }; var end = function(type, url) { var s, q, qi, cbs, i, j, cur, val, flag; if (type === 'js' || type ==='css') { s = sources[type], q = queue[type]; s[url] = true; for (i = 0; i < q.length; i++) { cur = q[i]; if (cur.urls.has(url)) { qi = cur, val = qi.urls.values(); qi && (cbs = qi.callbacks); for (flag = true, j = 0; j < val.length; j++) { cur = val[j]; if (!s[cur]) { flag = false; } } if (flag && cbs && cbs.length > 0) { for (j = 0; j < cbs.length; j++) { cbs[j].call(context); } qi.load = true; } } } } }; var load = function(type, urls, callback) { var s, q, qi, node, i, cur, _urls = typeof urls === 'string' ? new Set([urls]) : new Set(urls), val, url; if (type === 'js' || type ==='css') { s = sources[type], q = queue[type]; for (i = 0; i < q.length; i++) { cur = q[i]; if (_urls.is(cur.urls)) { qi = cur; break; } } val = _urls.values(); if (qi) { callback && (qi.load || qi.callbacks.push(callback)); callback && (qi.load && callback()); } else { q.push({ urls: _urls, callbacks: callback ? [callback] : [], load: false }); for (i = 0; i < val.length; i++) { node = null, url = val[i]; if (s[url] === undefined) { (type === 'js' ) && (node = createNode('script', { src: url })); (type === 'css') && (node = createNode('link', { rel: 'stylesheet', href: url })); if (node) { node.onload = (function(type, url) { return function() { end(type, url); }; })(type, url); (doc.head || doc.body).appendChild(node); s[url] = false; } } } } } }; return { js: function(url, callback) { load('js', url, callback); }, css: function(url, callback) { load('css', url, callback); } }; })(this.document); })();
Edit on GitHub
  • John Snow Labs
  • Jun 17, 2023

Pipeline to Detect Living Species (w2v_cc_300d)

  • gl
  • ner
  • clinical
  • licensed

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", "gl", "clinical/models")

text = '''Muller de 45 anos, sen antecedentes médicos de interese, que foi remitida á consulta de dermatoloxía de urxencias por lesións faciales de tres semanas de evolución. A paciente non presentaba lesións noutras localizaciones nin outra clínica de interese. No seu centro de saúde prescribíronlle corticoides tópicos ante a sospeita de picaduras de artrópodos e unha semana despois, antivirales orais baixo o diagnóstico de posible infección herpética. As lesións interferían de forma notable na súa vida persoal e profesional xa que traballaba de face ao púbico. Unha semana máis tarde o diagnóstico foi confirmado ao resultar o cultivo positivo a Staphylococcus aureus.'''

result = pipeline.fullAnnotate(text)

import com.johnsnowlabs.nlp.pretrained.PretrainedPipeline

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

val text = "Muller de 45 anos, sen antecedentes médicos de interese, que foi remitida á consulta de dermatoloxía de urxencias por lesións faciales de tres semanas de evolución. A paciente non presentaba lesións noutras localizaciones nin outra clínica de interese. No seu centro de saúde prescribíronlle corticoides tópicos ante a sospeita de picaduras de artrópodos e unha semana despois, antivirales orais baixo o diagnóstico de posible infección herpética. As lesións interferían de forma notable na súa vida persoal e profesional xa que traballaba de face ao púbico. Unha semana máis tarde o diagnóstico foi confirmado ao resultar o cultivo positivo a Staphylococcus aureus."

val result = pipeline.fullAnnotate(text)

from sparknlp.pretrained import PretrainedPipeline

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

text = '''Muller de 45 anos, sen antecedentes médicos de interese, que foi remitida á consulta de dermatoloxía de urxencias por lesións faciales de tres semanas de evolución. A paciente non presentaba lesións noutras localizaciones nin outra clínica de interese. No seu centro de saúde prescribíronlle corticoides tópicos ante a sospeita de picaduras de artrópodos e unha semana despois, antivirales orais baixo o diagnóstico de posible infección herpética. As lesións interferían de forma notable na súa vida persoal e profesional xa que traballaba de face ao púbico. Unha semana máis tarde o diagnóstico foi confirmado ao resultar o cultivo positivo a Staphylococcus aureus.'''

result = pipeline.fullAnnotate(text)

Results

|    | ner_chunks            |   begin |   end | ner_label   |   confidence |
|---:|:----------------------|--------:|------:|:------------|-------------:|
|  0 | Muller                |       0 |     5 | HUMAN       |      0.9998  |
|  1 | paciente              |     167 |   174 | HUMAN       |      0.9985  |
|  2 | artrópodos            |     344 |   353 | SPECIES     |      0.9647  |
|  3 | antivirales           |     378 |   388 | SPECIES     |      0.8854  |
|  4 | herpética             |     437 |   445 | SPECIES     |      0.9592  |
|  5 | púbico                |     551 |   556 | HUMAN       |      0.7293  |
|  6 | Staphylococcus aureus |     644 |   664 | SPECIES     |      0.87005 |

Model Information

Model Name: ner_living_species_pipeline
Type: pipeline
Compatibility: Healthcare NLP 4.4.4+
License: Licensed
Edition: Official
Language: gl
Size: 794.9 MB

Included Models

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