@precisa-saude/fhir-pdf

Extração da camada de texto de PDFs de laudo laboratorial, para alimentar a ancoragem do @precisa-saude/fhir-ocr-utils.

npm i @precisa-saude/fhir-pdf

Isto não é OCR

A maior parte dos laudos que os laboratórios brasileiros entregam já vem com camada de texto, e ler essa camada é determinístico, offline e barato. Laudo digitalizado não tem camada nenhuma: aqui ele volta vazio, e a CLI diz isso em vez de devolver silêncio.

Quem precisa de laudo digitalizado roda um OCR por fora e entrega o texto ao fhir-ocr find. O pacote não embute motor de reconhecimento: devolver lixo de OCR que a ancoragem depois trata como texto de verdade é pior do que devolver nada.

CLI

npx -p @precisa-saude/fhir-pdf fhir-pdf text laudo.pdf
npx -p @precisa-saude/fhir-pdf fhir-pdf text laudo.pdf --json   # uma entrada por página

Biblioteca

import { readFile } from 'node:fs/promises';

import { extractPdfText } from '@precisa-saude/fhir-pdf';

const { pages, text } = await extractPdfText(new Uint8Array(await readFile('laudo.pdf')));

No fluxo completo

fhir-pdf  text laudo.pdf > laudo.txt          # camada de texto
fhir-ocr  find laudo.txt                      # quais grandezas a página cita
fhir-ocr  schema                              # o contrato que o modelo precisa devolver
#                                               (o modelo roda onde você quiser)
fhir-ocr  check saida.json --source laudo.txt --convert \
  | fhir-bio convert | fhir-bio validate      # conferido e em FHIR R4

Dependência

pdfjs-dist, da Mozilla. É a exceção explícita à regra de dependência zero do ecossistema, e é o motivo de este pacote existir separado do core e do ocr-utils: os dois continuam sem dependência de runtime além do próprio catálogo.

Aviso médico

Este pacote é uma ferramenta de software e não presta orientação médica. Os dados extraídos precisam de conferência profissional antes de qualquer uso clínico. Nenhum valor devolvido aqui foi interpretado por um profissional de saúde.

Licença

Apache-2.0