CPF, CNS, CRM e CEP: os identificadores brasileiros que o NER genérico não detecta

Por que o NER genérico não basta

Um modelo de entidades aprende como nomes e lugares aparecem no seu texto de treinamento. Ele não tem noção do que é um CNS ou um número de prontuário: são só dígitos. Em um sumário de alta eles costumam aparecer ao lado de rótulos como "CPF:", "Cartão SUS:" ou "Prontuário:", que é exatamente o contexto que uma regra pode usar.

Os identificadores a considerar

O contexto importa tanto quanto o formato

• Sobrenomes se repetem: "Jorge Rocha Pereira (filho)" compartilha sobrenome com a paciente. Um bom sistema associa cada sobrenome real a um sobrenome falso consistente, para que a relação sobreviva à síntese.
• Bairro e CEP identificam muito: reduzir o CEP aos cinco primeiros dígitos e trocar o bairro diminui o risco.
• Cada sistema de prontuário (Tasy, MV, Pixeon e outros) exporta PDFs com cabeçalhos diferentes; vale ter um modelo de regras por formato.

Como validar a detecção

Monte um pequeno conjunto anotado a partir das suas próprias fontes e meça o recall por tipo de identificador, não uma nota global. Um modelo que encontra 99% dos nomes e 60% dos CNS não está pronto. Em Como fazer um POC de anonimização: 100 a 200 documentos reais e recall por entidade descrevemos o processo. O marco legal está em Pseudonimizar vs. anonimizar: o que dizem a LGPD, a HIPAA, o GDPR e a lei colombiana.

Teste

O portal do Velo roda um detector de demonstração para prontuários brasileiros no seu navegador: cole uma nota com CPF, CNS ou CEP e veja como ela é tokenizada, sintetizada ou mascarada. O produto combina modelos NER clínicos com essas regras, on-premise.

Este artigo é informação geral, não aconselhamento jurídico.