T2A Extractor

Extraction structurée de rapports de contrôle T2A (décisions UCR) depuis des PDF natifs et scannés.

Architecture

PDF UCR → [pymupdf/docTR] → texte brut → [regex] → blocs OGC → [VLM Ollama] → JSON → [validation] → Excel/CSV

Pipeline

1. Extraction texte — Détection automatique natif/scanné par page. pymupdf pour le natif, docTR pour l'OCR.
2. Segmentation — Découpage en blocs par Champ et par OGC (individuels et groupés) via regex.
3. Extraction structurée — Chaque bloc est envoyé au VLM local (Ollama) qui retourne un JSON structuré.
4. Validation — Vérification des codes CIM-10/CCAM, cohérence des décisions.
5. Export — Excel formaté (avec coloration des décisions) et CSV optionnel.

Schéma de sortie (11 colonnes)

Colonne	Description
champ	Numéro de champ
num_ogc	Numéro OGC
type_desaccord	DP / DAS / DP+DAS / Actes
codes_etablissement	Codes CIM-10/CCAM de l'établissement
libelle_etablissement	Libellé du codage établissement
codes_controleurs	Codes CIM-10/CCAM des contrôleurs
libelle_controleurs	Libellé du codage contrôleurs
decision_ucr	Favorable / Défavorable (pour l'établissement)
codes_retenus	Codes finalement retenus
ghm_ghs	GHM/GHS si mentionnés
texte_decision	Texte intégral de la décision UCR

Installation

chmod +x setup.sh
./setup.sh

Usage

source .venv/bin/activate
python main.py rapport_ucr.pdf
python main.py rapport_ucr.pdf --csv --verbose
python main.py rapport_ucr.pdf -o /chemin/sortie --csv -v

Prérequis

• Python 3.12+
• Ollama avec un VLM (gemma3:27b-cloud par défaut)
• GPU recommandé pour docTR (fonctionne aussi en CPU)

Configuration

Éditer config.py pour ajuster :

• OLLAMA_MODEL — modèle à utiliser
• OLLAMA_BASE_URL — URL du serveur Ollama
• OCR_DPI — résolution OCR (défaut: 200)
• NATIVE_TEXT_MIN_CHARS — seuil de détection natif/scanné