Brazilian-PHI: Benchmarking Checksum-Validated Recognizers for CPF, CRM, CNS, CNPJ, RG, CEP, and Phone in Portuguese Clinical Text
Este artigo apresenta o Brazilian-PHI, o primeiro benchmark para detecção de sete tipos de informações de saúde pessoais brasileiras em textos clínicos, demonstrando que reconhecedores customizados do Presidio com validação de checksum superam significativamente as ferramentas padrão e os grandes modelos de linguagem em precisão, latência e conformidade com os requisitos da LGPD.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Na era digital da saúde, o prontuário médico de um paciente é mais do que apenas uma história de doença e recuperação; é uma densa tapeçaria de detalhes pessoais que devem ser protegidos por lei. No Brasil, uma regulamentação específica conhecida como Lei Geral de Proteção de Dados trata as informações de saúde como uma categoria particularmente sensível, exigindo que qualquer sistema de computador que manipule essas notas deve primeiro remover qualquer coisa que possa identificar uma pessoa específica. Esse processo, chamado desidentificação, é o guardião que permite que a inteligência artificial aprenda com os dados médicos sem violar a privacidade. No entanto, a tarefa está longe de ser simples. As notas médicas brasileiras contêm um conjunto único de códigos de identificação — números para registros fiscais, licenças médicas, cartões de saúde e registros de empresas — que seguem formatos estritos e complexos. Diferente de nomes ou endereços simples, muitos desses códigos incluem verificações matemáticas, de forma muito semelhante a um selo de segurança, que provam que o número é real e não apenas uma sequência aleatória de dígitos. Se um sistema de computador perder esses códigos ou confundir um número inofensivo com um privado, as consequências podem ser severas, variando de multas massivas à perda da confiança do paciente.
Um pesquisador chamado Igor Eduardo propôs-se a resolver uma lacuna específica nesta área: não havia um teste padrão para verificar o quão bem diferentes ferramentas de computador conseguiam encontrar esses sete códigos de identificação brasileiros específicos dentro de textos médicos. Embora existissem ferramentas para o inglês ou espanhol, elas frequentemente falhavam quando confrontadas com a estrutura única dos dados brasileiros. Para testar isso, o pesquisador criou uma grande coleção de 500 notas médicas falsas. Essas notas foram cuidadosamente elaboradas para parecerem reais, contendo os sete tipos de códigos de identificação misturados com centenas de outros números que parecem semelhantes, mas são inofensivos, como dosagens de medicamentos ou códigos de instalações hospitalares. O objetivo era ver qual método conseguiria encontrar os códigos privados reais sem se confundir com os números inofensivos. O estudo comparou três abordagens diferentes: uma ferramenta de software padrão, pronta para uso, um modelo de inteligência artificial poderoso que aprende com vastas quantidades de texto, e uma versão personalizada do software que foi especificamente ensinada a reconhecer os formatos brasileiros e a realizar as verificações matemáticas nos números.
Os resultados revelaram uma divisão clara entre como diferentes tecnologias lidam com dados estruturados. O software personalizado, que foi programado para procurar as formas específicas dos códigos brasileiros e verificar seus selos matemáticos, teve um desempenho perfeito. Ele encontrou cada instância dos sete tipos de identificação nas notas de teste e não cometeu erros, ignorando corretamente todos os números inofensivos que pareciam similares. Em contraste, o software padrão, não modificado, falhou em encontrar a maioria desses códigos porque simplesmente não sabia o que procurar, alcançando uma taxa de sucesso muito baixa. O modelo de inteligência artificial, embora impressionante em sua capacidade de compreender a linguagem, teve dificuldades com as regras estritas desses números. Ele encontrou a maioria dos códigos, mas cometeu alguns erros, confundindo alguns códigos de instalações inofensivos com números de identificação privados. Crucialmente, a IA não conseguiu realizar a verificação matemática que prova que um número é válido; ela só podia adivinhar com base em padrões, razão pela qual ocasionalmente cometia erros que o software personalizado evitou inteiramente.
Talvez a descoberta mais marcante não tenha sido apenas sobre precisão, mas sobre velocidade. O software personalizado processou cada nota médica em menos de dez microssegundos, um intervalo de tempo tão curto que é quase instantâneo. O modelo de inteligência artificial, no entanto, levou mais de oitocentos milissegundos para processar a mesma nota. Isso significa que a ferramenta personalizada foi aproximadamente oitenta mil vezes mais rápida que a IA. Para colocar essa diferença em perspectiva, se a IA fosse uma pessoa lendo uma página em voz alta, a ferramenta personalizada seria uma máquina que poderia ler a biblioteca inteira no tempo que essa pessoa leva para ler uma única frase. Essa enorme diferença de velocidade sugere que, para o trabalho específico de limpar números privados de prontuários médicos, confiar na IA lenta e cara é impraticável para uso em larga escala. O estudo conclui que a melhor abordagem é uma híbrida: usar ferramentas baseadas em regras e rápidas para capturar os códigos matemáticos estritos, e reservar a poderosa e flexível IA para encontrar detalhes mais complexos e não estruturados, como nomes e endereços. Essa combinação oferece a velocidade e a confiabilidade necessárias para proteger a privacidade do paciente, permitindo ao mesmo tempo que a tecnologia avançada melhore a saúde.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.