version à 86%

PLAN_EXTRACTION.md

@@ -0,0 +1,124 @@
+# Plan extraction OGC → Excel
+
+## Contexte
+Extraction des fiches OGC (Organismes de Gestion du Contrôle) scanées.
+Chaque PDF = 1 dossier patient, ~6 pages.
+
+## Modèles utilisés
+- **Vision** : `qwen3-vl:2b` via Ollama (identifie le type de page + extrait les champs)
+- **Texte** : `qwen3:4b` (optionnel, structuration secondaire si besoin)
+
+## Architecture
+```
+PDF → pdf2image (images par page)
+         ↓
+      Pour chaque page :
+         → qwen3-vl:2b : identifier le type de page
+         → Si "Séjour d'hospitalisation complète" : SKIP
+         → Sinon : extraction structurée JSON via qwen3-vl:2b
+         ↓
+      Assemblage des champs par dossier
+         ↓
+      Sortie Excel (openpyxl / pandas)
+```
+
+## Types de pages
+
+| Titre détecté | Action |
+|---|---|
+| FICHE MEDICALE DE RECUEIL DU PRATICIEN CONSEIL | Extraire (page principale) |
+| FICHE MEDICALE DE CONCERTATION | Skip (vide ou manuscrit léger) |
+| Séjour d'hospitalisation complète | **SKIP** (gros manuscrit) |
+| Eléments de preuve tracés au dossier | Extraire |
+| FICHE ADMINISTRATIVE DE CONCERTATION 2/2 | Extraire |
+| FICHE ADMINISTRATIVE DE CONCERTATION 1/2 | Extraire |
+
+## Champs à extraire
+
+### En-tête (commun)
+- N° OGC, Etablissement, FINESS, Date début contrôle
+- N° Champ, Libellé champ de contrôle
+- Dossier manquant, Date début séjour, Date fin séjour
+
+### Page 1 — Données du séjour (Etablissement + Recodage)
+- Age (ans), Age (jours), Sexe
+- Poids d'entrée, Durée de séjour
+- Mode d'entrée, Provenance, Mode de sortie, Destination
+- Nb séances, Nb RUM, Nb j EXH, Type EXB, Nb j EXB
+
+### Page 1 — Données du RUM (Etablissement + Recodage)
+- N° RUM, Lits dédiés SP, UM, IGS II
+- Durée RUM (date_debut / date_fin)
+- Nature suppl., Nb suppl.
+
+### Page 1 — Codages (listes)
+- DP_etab_code, DP_etab_libelle
+- DR_etab_code, DR_etab_libelle
+- DAS_etab : liste de {code, rang, libelle}
+- Actes_etab : liste de {code, rang, libelle}
+- DP_recodage, DR_recodage
+- DAS_recodage : liste de {code, rang}
+- Actes_recodage : liste de {code, rang}
+
+### Page 1 — GHM/GHS + décision
+- GHM_etab, GHS_etab, GHM_recodage, GHS_recodage
+- Recodage_impactant_facturation (0/1)
+- GHS_injustifie (0/1)
+- SE_coche (1/2/3/4), ATU, FFM, FSD
+- Accord_Desaccord (accord/désaccord)
+- Nom_praticien_conseil
+
+### Page Eléments de preuve (tableau 17 lignes)
+Pour chaque type de document :
+- present (oui/non), photocopie (nombre), absent_date_1ere_demande, date_obtention
+- Date_elements_preuve
+- Medecin_controleur_signataire, Medecin_DIM_signataire
+
+### Page Fiche Administrative 2/2
+- GHS_initial, GHS_avant_concertation, GHS_final_apres_concertation
+- Decision_finale (maintien_avis_controleur / retour_groupage_DIM / autre_groupage)
+- Avis_DIM_final (accord/désaccord)
+- Date_concertation
+- Nom_medecin_responsable_controle, Nom_medecin_DIM
+
+### Page Fiche Administrative 1/2
+- Date_concertation_1_2
+- Argumentaire_medecin_controleur (texte long imprimé)
+
+## Structure Excel de sortie
+
+### Onglet 1 : "Données principales"
+1 ligne par OGC, colonnes = tous les champs scalaires
+
+### Onglet 2 : "Diagnostics"
+1 ligne par code diagnostique (DP/DR/DAS), avec colonne N°OGC
+
+### Onglet 3 : "Actes"
+1 ligne par acte, avec colonne N°OGC
+
+### Onglet 4 : "Eléments de preuve"
+1 ligne par type de document × N°OGC
+
+## Fichiers
+- `extraction.py` : script principal
+- `scanOgc/` : dossier des PDFs source
+- `output/` : dossier de sortie Excel
+
+## Pour relancer
+```bash
+cd "/Users/oussi/Documents/Documents - MacBook Pro de oussi/EttaSante/T2A/ScanOGC/testExtraction2"
+python3 extraction.py
+```
+
+## Dépendances
+```bash
+pip install pdf2image pillow pandas openpyxl requests
+# Ollama doit tourner : ollama serve
+# Modèle requis : qwen3-vl:2b
+```
+
+## Notes importantes
+- L'ordre des pages varie selon les fichiers → identification par titre, pas par numéro
+- Page manuscrite identifiée par le titre "Séjour d'hospitalisation complète"
+- qwen3-vl:2b : paramètre `think` désactivé pour JSON pur (plus rapide)
+- Timeout Ollama : 120s par page (pages denses)