A interpretação de laudos de ressonância magnética cardíaca (RMC) envolve a análise de informações complexas em formato não estruturado. O Reconhecimento de Entidades Nomeadas (REN) permite identificar e classificar automaticamente elementos específicos em textos clínicos. Este estudo apresenta o desenvolvimento e avaliação de um modelo de REN aplicado a laudos de RMC, visando otimizar a estruturação de dados e apoiar decisões clínicas.
Desenvolvemos um modelo de REN utilizando a biblioteca spaCy com arquitetura personalizada para o domínio cardiológico. O conjunto de dados foi composto por laudos de RMC anotados manualmente por especialistas. Implementamos técnicas de pré-processamento textual e balanceamento de classes por meio de aumento de dados. Os dados foram divididos em conjuntos de treinamento (80%) e validação (20%), sendo o treinamento realizado em ambiente de processamento acelerado por GPU. A avaliação utilizou métricas de precisão, recall e F1-score para cada entidade.
O modelo demonstrou desempenho excepcional na identificação automática de entidades clínicas relevantes. Os padrões de realce tardio foram reconhecidos com alta confiabilidade (precisão=0,97; recall=0,96; F1=0,97), enquanto a extensão do realce alcançou métricas perfeitas (precisão=1,00; recall=1,00; F1=1,00). A identificação da localização anatômica obteve resultados consistentes (precisão=0,94; recall=0,93; F1=0,94), e a avaliação do potencial de recuperação miocárdica foi reconhecida com excelência (precisão=0,99; recall=1,00; F1=1,00). A capacidade do modelo de extrair e relacionar estas entidades permitiu a estruturação automatizada de informações críticas para avaliação prognóstica.
O modelo de REN desenvolvido representa uma ferramenta robusta para análise automatizada de laudos de RMC, demonstrando capacidade de extrair com alta precisão parâmetros críticos como padrões de realce tardio, extensão, localização e viabilidade miocárdica. A implementação desta tecnologia possibilita a criação de bancos de dados estruturados para pesquisa, análise de qualidade assistencial e suporte à decisão clínica. Futuros desenvolvimentos incluem a expansão do modelo para reconhecimento de parâmetros funcionais adicionais e validação em ambiente multicêntrico.
