Automated Information Extraction from Forensic Medical Reports Using OCR and Rule-Based Methods

• Rafael D. Vassena IFES / PCIES
• Mariana D. Peres PCIES
• Brayan M. de Freitas Souza IFES
• Caio L. Simão IFES
• Davi M. Alcˆantara IFES
• Filipe V. Canisky IFES
• Daniel C. Cavalieri IFES
• Evandro C. Lebarch PCIES
• Maria D. Peres UFES
• Daniela M. L. de Paula PCIES
• Hilário T. A. de Oliveira IFES

DOI: https://doi.org/10.5753/eniac.2026.31074

Resumo

A geração de estatísticas para apoiar a formulação de políticas públicas depende da estruturação de dados não estruturados, como laudos periciais. Este trabalho propõe uma abordagem para o processamento de mais de 23 mil laudos do Instituto Médico Legal, combinando Reconhecimento Óptico de Caracteres (OCR) e técnicas de extração de informações. Foi realizada uma avaliação comparativa de motores de OCR com base em 121 laudos anotados manualmente, considerando métricas intrínsecas e extrínsecas. Os resultados indicam que o Surya apresentou o melhor desempenho em qualidade de transcrição, seguido pelo OCRmyPDF e pelo Tesseract, que se destacou pelo menor tempo de processamento. Na avaliação extrínseca, os motores apresentaram acurácia semelhante, enquanto as extrações realizadas a partir das transcrições do Surya apresentaram maior similaridade textual. A abordagem de extração desenvolvida viabilizou a criação de um painel analítico, atualmente utilizado como apoio à administração pública.

Referências

Alebrandt, A., Schmidt, D. H., and Griebler, D. J. (2021). Simplificando a interpretação de laudos de análise de solo com deep learning em nuvem. Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação.

BRASIL (1941). Código de processo penal - decreto-lei nº 3.689, de 3 de outubro de 1941.

BRASIL (1988). Constituição da república federativa do brasil de 1988.

Lin, C.-Y. (2004). ROUGE: A package for automatic evaluation of summaries. In Text Summarization Branches Out, pages 74–81, Barcelona, Spain. Association for Computational Linguistics.

Machado, L., Pinheiro, R., and Furtado, F. (2024). Elucidativa: usando modelos de linguagem para explicar resultados de exames complementares. In Anais Estendidos do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 121–126, Porto Alegre, RS, Brasil. SBC.

Rogger, D. and Schuster, C., editors (2023). The Government Analytics Handbook: Leveraging Data to Strengthen Public Administration. World Bank Group, Washington, DC.

Rosa, M. A. P. d. S., Costa, G. C. d., Vista, R. C., Musci, M., Antolin, M. Q., Antolin, G. D. C., Matta, P. d. S., Vitorio, C. V. A., Pereira, R. d. C., Morais, A. R. d., Almeida, J. P. F. d., and Souza, E. M. d. (2025). Utilizando ferramentas de ocr para ler documentos históricos manuscritos em português: um estudo de caso. Caderno Pedagógico, 22(4):e14144.

Santos, Y. J. A. d. (2024). Avaliação de técnicas de reconhecimento óptico de caracteres (OCR) para análise de dados em português disseminados em plataformas de mídias sociais. Dissertação (mestrado em ciência da computação), Universidade Federal de Viçosa, Viçosa.

Silva, A., Santana, E., Lobato, F., and Junior, A. J. (2024). Avaliação de ferramentas de extração de texto em documentos jurídicos: Uma análise de soluções ocr e baseadas em texto. In Anais da IV Escola Regional de Alto Desempenho Norte 2 e IV Escola Regional de Aprendizado de Máquina e Inteligência Artificial Norte 2, pages 1–4, Porto Alegre, RS, Brasil. SBC.