7 errores al extraer capturas de EHR que cuestan a
los equipos clínicos datos irrecuperables

Por qué falla la extracción de capturas de pantalla — y no es solo error del usuario

Cuando necesitas valores de laboratorio de una cohorte de 200 pacientes para un estudio retrospectivo, la HCE rara vez te da una exportación limpia. La mayoría de los coordinadores de investigación clínica (CRCs) y gestores de datos trabajan con lo que tienen: capturas de pantalla de paneles de resultados de laboratorio, tomadas de Epic o Cerner durante una sesión de revisión de historias. La lógica es directa: "Veo el valor de creatinina en esta pantalla. Si lo extraigo, tendré los valores de creatinina para mi análisis".

La lógica es incorrecta. No porque el valor no esté ahí, sino porque extraerlo con precisión requiere resolver varios problemas que una simple captura de pantalla nunca podrá resolver. El Modelo de Gestión de Calidad de Datos de AHIMA, que rige cómo se deben gestionar los datos sanitarios a lo largo de su ciclo de vida —desde la recopilación hasta la aplicación y el almacenamiento— identifica cuatro dimensiones de la calidad de los datos: precisión, integridad, consistencia y oportunidad. Una captura de pantalla de un panel de HCE falla en las tres primeras antes de que la extracción siquiera comience. Los datos están ahí, pero no están estructurados. El rango de referencia está ahí, pero pertenece a un laboratorio, no al laboratorio de al lado. El contexto de la consulta está en la pantalla, pero se desvanece en el momento en que guardas el archivo de imagen.

A continuación, siete errores específicos, del tipo que no son evidentes hasta que has construido un conjunto de datos y descubres, seis meses después, que los números no cuadran. Cada uno tiene una causa raíz más profunda que el síntoma, y cada uno tiene una corrección que cambia el resultado.

Error n.º 1: Asumir que toda captura de pantalla de HCE es legible por máquina

Este es el error que prepara el terreno para todos los demás. Tomas una captura de pantalla del panel metabólico completo de un paciente. En tu pantalla, a la resolución que muestra tu monitor, cada valor es nítido: Glucosa 102, Creatinina 1.3, eGFR 57. Se la pasas a una herramienta de OCR y devuelve "Glucosa 102", "Creatlnlna 1.3", "eGFR S7". Cerca. Pero incorrecto.

La causa no es un motor de OCR malo. Es la brecha de resolución entre lo que tus ojos ven y lo que la herramienta de extracción procesa. La mayoría de las capturas de pantalla de HCE se toman a resolución de pantalla: 96 DPI en un monitor estándar, quizás 150 DPI en una pantalla de alta densidad. El OCR tradicional fue diseñado para documentos escaneados a 300 DPI o más. Cuanto menor es la resolución, más probable es la confusión a nivel de caracteres: "BUN" se convierte en "8UN", "Mg" se convierte en "Mg" (se ve idéntico para la herramienta), y "1.3" en un tamaño de fuente pequeño se vuelve ambiguo entre 1.3, 1.8, 1.9.

Este problema se agrava cuando trabajas con capturas de desplazamiento — esas capturas largas donde te desplazaste por un panel de laboratorio que no cabe en una pantalla y usaste una herramienta de unión para combinar varios fotogramas. La unión introduce ligeros artefactos de alineación en las costuras. Si un valor de laboratorio cae en una costura, la herramienta de extracción ve un carácter roto. El valor es incorrecto o falta por completo, sin una bandera de error que te indique cuál.

La corrección: Antes de comprometerte con la extracción basada en capturas de pantalla, audita tu material de origen. Si estás tomando capturas específicamente para extracción, configura la escala de visualización al 100% y captura a la resolución más alta que admita tu monitor. Si trabajas con capturas tomadas por otra persona — algo común en estudios multi-sitio — prueba la precisión de extracción en una muestra aleatoria de 20 imágenes antes de procesar el lote completo. Si los errores a nivel de caracteres superan el 1%, la calidad de la captura es el cuello de botella, no la herramienta de extracción. En tales casos, la extracción dirigida de campos — donde especificas exactamente qué valores necesitas y la IA los localiza mediante comprensión semántica en lugar de OCR píxel por píxel — maneja la variación de resolución de forma más fiable que el OCR de página completa.

Error #2: Extraerlo Todo en Lugar de lo que Responde a tu Pregunta de Investigación

Necesitas tres valores de cada paciente: creatinina al ingreso, creatinina al alta y troponina máxima. Introduces la captura en una herramienta OCR. Esta lee todo el panel de laboratorio — 28 valores, rangos de referencia, marcas de tiempo de recolección, el nombre del médico solicitante, la nota "Resultado Anterior" — y te entrega un muro de texto. Ahora estás haciendo la misma búsqueda manual en 200 volcados de OCR que intentabas evitar, solo que ahora buscas en un volcado de texto en lugar de una captura de pantalla.

La causa raíz es un desajuste entre el diseño de la herramienta y la tarea. El OCR estándar está diseñado para digitalizar documentos — convertir una imagen de texto en texto. Nunca fue diseñado para responder a la pregunta "¿cuál fue la creatinina al ingreso de este paciente?" Esa pregunta requiere entender qué valor en la página corresponde a qué concepto clínico, e ignorar todo lo demás. Una herramienta OCR que extrae los 28 valores no te ha ahorrado 28 unidades de trabajo. Ha creado 25 unidades de ruido que debes filtrar para encontrar las 3 que necesitas.

Una revisión sistemática en JCO Clinical Cancer Informatics describió una herramienta llamada ExtractEHR que logró más del 98% de sensibilidad para eventos adversos de laboratorio — en comparación con el 0-21% de la abstracción manual. La diferencia no fue un mejor motor OCR. Fue que la herramienta extraía puntos de datos específicos y predefinidos en lugar de volcar todo el contenido de la página. Cuando defines lo que necesitas antes de la extracción — "Creatinina al Ingreso", "Creatinina al Alta", "Troponina Máxima" — inviertes el flujo de trabajo. En lugar de extraer todo y luego buscar, primero buscas (definiendo tus campos) y extraes solo los aciertos.

La corrección: Anota tus variables de investigación exactas antes de extraer nada. No "valores de laboratorio" — campos específicos con definiciones precisas. "Creatinina al Ingreso" significa el primer valor de creatinina dentro de las 24 horas posteriores al ingreso, no la creatinina de cualquier encuentro. Si tu herramienta de extracción crea una fila por paciente con exactamente esas columnas, has resuelto el problema. Si crea un volcado de texto de 28 filas por paciente para que lo analices, no has automatizado nada. Las herramientas que admiten extracción de columnas personalizadas — donde introduces los nombres de los campos que deseas y el modelo encuentra solo esos valores — están diseñadas precisamente para este flujo de trabajo. Tú defines la estructura de salida; la extracción la completa. Para un análisis más profundo de este enfoque, consulta cómo la extracción dirigida de datos clínicos difiere del OCR de propósito general.

Error #3: Ignorar la variación de rangos de referencia y unidades entre laboratorios

Un paciente tiene dos paneles de laboratorio en su conjunto de datos: uno del laboratorio del hospital de admisión y otro de un laboratorio de referencia utilizado por la clínica ambulatoria. El laboratorio del hospital reporta la creatinina en mg/dL con un rango de referencia de 0.7-1.2. El laboratorio de referencia reporta la creatinina en µmol/L con un rango de referencia de 62-106. Su herramienta de extracción captura fielmente ambos números: "1.3" y "115". Ambos están ligeramente elevados en relación con sus respectivos rangos. Si combina estos dos valores en una sola columna de "Creatinina" sin normalizar las unidades, su análisis los tratará como números comparables, y una creatinina de 115 en su hoja de cálculo parecerá insuficiencia renal grave junto a una creatinina de 1.3, cuando en realidad equivale aproximadamente a 1.3 mg/dL convertido.

Este error es especialmente peligroso porque no produce un error evidente. Nada se rompe. Ninguna bandera de valores atípicos se activa (115 es una creatinina plausible para un paciente con lesión renal aguda). El error es estructural: su conjunto de datos ahora contiene valores en dos unidades diferentes, y todos los análisis posteriores —medias, regresiones, curvas de Kaplan-Meier— están silenciosamente contaminados. Un documento técnico de 2015 de los NIH Collaboratory sobre la calidad de los datos de EHR señaló específicamente este problema, indicando que los sistemas EHR de UCI y de todo el hospital registran con frecuencia el mismo elemento clínico en diferentes unidades, y que "las unidades se consideran implícitamente iguales" es una de las suposiciones de extracción de datos más comunes que resultan falsas.

El rango de referencia es un problema aparte. Si el Laboratorio A reporta "H" (Alto) junto a una creatinina de 1.3 porque su límite superior es 1.2, y el Laboratorio B reporta la misma creatinina de 1.3 como normal porque su límite superior es 1.3, la bandera "H" es una propiedad del laboratorio, no del paciente. Extraer valores marcados sin el rango de referencia asociado crea una ilusión de significancia clínica donde no existe —o lo contrario, un valor marcado como normal por el umbral de un laboratorio que en realidad es anormal según las guías estándar.

La corrección: Documente las convenciones de unidades y los rangos de referencia como parte de su protocolo de extracción, no como un paso de limpieza de datos posterior. Para estudios multicéntricos, esto implica crear una tabla de referencia de laboratorio que asigne cada centro de origen a sus unidades y rangos estándar, y luego aplicar la conversión de unidades y la normalización de rangos durante la extracción —no durante el análisis, momento en el cual los valores brutos específicos del laboratorio ya pueden haber sido agregados en estadísticas resumidas que no se pueden desenredar. Algunos flujos de trabajo de extracción le permiten definir Columnas Calculadas —reglas que transforman los valores durante la extracción, como convertir todos los valores de creatinina a una sola unidad— para que el conjunto de datos de salida ya esté normalizado.

Error #4: Perder el contexto de la consulta al extraer valores

La historia clínica electrónica de un solo paciente puede contener creatinina medida al ingreso (elevada por deshidratación), creatinina medida 48 horas después (normalizada tras líquidos) y creatinina medida al alta (estable). Tres valores, mismo paciente, tres significados clínicos distintos. Si tu proceso de extracción captura "Creatinina: 2.1, 1.1, 0.9" sin preservar a qué consulta pertenece cada valor, pierdes la capacidad de distinguir entre un paciente que mejoró y uno que llegó con función renal normal y se deterioró — la trayectoria clínica desaparece.

Este error ocurre porque una captura de pantalla registra lo visible en una pantalla en un momento dado, no la estructura relacional que vincula cada valor de laboratorio con una marca de tiempo de consulta, un médico solicitante y un contexto clínico. La captura del panel de laboratorio muestra "Creatinina 1.3" y debajo "Resultado anterior: Creatinina 1.1 (01/08/2026)". Si tu herramienta de extracción lee estos como dos valores consecutivos en una lista — "1.3, 1.1" — acabas de mezclar un valor actual con un comparador histórico. Tu conjunto de datos ahora indica que este paciente tuvo dos valores de creatinina, cuando solo uno pertenece a la consulta actual. En un estudio que monitorea la función renal a lo largo del tiempo, esto es indistinguible de una segunda medición real.

Esto empeora con informes de radiología y patología, donde un mismo paciente puede tener un estudio de imagen preprocedimiento, un hallazgo intraoperatorio y un seguimiento post-alta — todos en documentos separados con identificadores de consulta distintos. Un proceso de extracción que no preserve los metadatos a nivel de consulta produce una lista plana de valores sin posibilidad de reconstruir la línea de tiempo clínica.

La corrección: Define columnas de metadatos a nivel de consulta como parte de tu plantilla de extracción — NHC del paciente, Fecha de consulta, Hora de recolección de la muestra — y extráelas junto con cada valor de laboratorio. Cada fila en tu salida debe representar exactamente un resultado de laboratorio de una consulta para un paciente. Si un paciente tiene tres valores de creatinina en tres consultas, debes obtener tres filas, cada una con un identificador de consulta único. Esto es lo opuesto al enfoque de "una fila por paciente", y es la única estructura que preserva la trayectoria clínica. Para estudios donde necesitas extraer datos de docenas de consultas por paciente — común en investigación longitudinal — la extracción por lotes con granularidad a nivel de consulta mantiene intacta la estructura relacional.

Error #5: Verificación manual como falsa red de seguridad

Tras extraer valores de laboratorio de 200 capturas de pantalla, haces lo responsable: verificas visualmente los valores extraídos contra las imágenes originales. Revisas el 10% de los registros. La lógica dice que el ojo humano detecta lo que las máquinas pasan por alto. La evidencia dice lo contrario.

La investigación sobre inspección visual humana en diversas disciplinas —desde datos clínicos hasta control de calidad en manufactura— ha documentado tasas de error en la verificación manual que oscilan entre el 16.4% y el 30.0%. Esto significa que un revisor humano que coteja valores de laboratorio extraídos contra capturas de pantalla originales pasa por alto aproximadamente uno de cada cinco errores, y ocasionalmente introduce nuevos errores al leer mal un valor correctamente extraído. El problema se intensifica con el volumen: después de revisar 20 paneles de laboratorio de Epic casi idénticos, tu cerebro deja de registrar la diferencia entre "Na 139" y "Na 139" —ambos parecen correctos porque el patrón es tan familiar, aunque uno podría ser un valor de potasio mal etiquetado en la salida de extracción.

La causa estructural es que la verificación manual le pide a un humano hacer lo que los humanos hacen mal: coincidencia de patrones monótona y de alto volumen sin tolerancia a variaciones en la atención. Un coordinador de investigación clínica que verifica 200 paneles de laboratorio en dos tardes no opera con máxima vigilancia para la segunda hora. La pasada de verificación detecta algunos errores de transposición, pero sistemáticamente omite errores de contexto —un valor colocado en la columna incorrecta, un rango de referencia malinterpretado como valor de resultado— porque no se ven "mal" cuando se verifican de forma aislada. Solo se vuelven visibles cuando intentas usar los datos.

La corrección: Reemplaza la verificación por muestreo con validación estructural. Define reglas que tu salida de extracción debe cumplir: los valores de creatinina deben ser números positivos, la eGFR debe estar entre 1 y 200, las marcas de tiempo de recolección deben estar dentro del rango de fechas del encuentro. Ejecuta estas reglas en el 100% de los registros extraídos, no en una muestra del 10%. Señala las infracciones para revisión humana —pero ahora el humano investiga una anomalía en lugar de comparar monótonamente 200 filas de datos, que es una tarea cognitiva fundamentalmente diferente con una tasa de error mucho menor. Para una perspectiva más amplia sobre por qué la verificación manual de datos falla a escala, la brecha entre verificar y validar es toda la historia.

Error #6: Propagación de errores por copiar y pegar entre conjuntos de datos

Extraes valores de laboratorio a Excel. La Hoja 1 es la extracción maestra. La Hoja 2 es el subconjunto de análisis — copias la columna de creatinina de la Hoja 1. La Hoja 3 es para el análisis de Kaplan-Meier — copias la columna de creatinina de la Hoja 2. Tres meses después, alguien descubre que la creatinina del paciente #47 se ingresó como 13.0 en lugar de 1.30. Está mal en la Hoja 1. Pero, ¿cuáles de las Hojas 2 y 3 también contienen el error? ¿La Hoja 2 se copió antes o después de la corrección en la Hoja 1? Cuando actualizas la Hoja 1, ¿las Hojas 2 y 3 se actualizan automáticamente o conservan los valores antiguos? Si compartiste la Hoja 2 con un colaborador que construyó su propio análisis sobre ella, ¿cómo propagas la corrección?

Esto no es una falla en la extracción de datos — es una falla en la gestión de datos que las herramientas de extracción no previenen pero que los flujos de trabajo de extracción hacen inevitable. El Quick Safety Issue 10 de The Joint Commission sobre errores de copiar y pegar en historias clínicas electrónicas identificó que la propagación por copia y pega es uno de los principales contribuyentes a errores en la documentación clínica, y el ECRI Institute encontró que los errores de documentación constituyen el 72% de las responsabilidades por negligencia relacionadas con historias clínicas electrónicas. La misma dinámica — un error propagándose silenciosamente a través de múltiples archivos derivados — se aplica idénticamente a los datos de investigación extraídos, con el riesgo adicional de que no hay un evento de seguridad del paciente que desencadene el descubrimiento. El error permanece en una hoja de cálculo hasta que un revisor de revista cuestiona un valor atípico improbable, o hasta que el análisis basado en el error se publica y no se puede retractar sin retractar el artículo.

La corrección: Mantén una única fuente de verdad para los datos extraídos. El archivo de extracción maestro es el registro canónico. Todos los archivos de análisis lo referencian — mediante hojas vinculadas, importaciones con scripts o consultas a bases de datos — en lugar de contener sus propias copias. Si se corrige un valor en el maestro, la corrección se propaga automáticamente a todos los análisis. Esto requiere disciplina, no tecnología — pero es una disciplina que se amortiza la primera vez que necesitas corregir un valor y no tienes que auditar seis archivos derivados para encontrar dónde se propagó el error. Para equipos que gestionan revisión de historias clínicas a escala, el costo de no tener una única fuente de verdad se multiplica con cada historia clínica añadida a la revisión.

Error #7: Normalizar la tasa de error — cuando el 5% se vuelve aceptable

Este es el meta-error que vuelve permanentes todos los demás errores. Tras la primera extracción que arroja un 95% de precisión, el equipo lo acepta. 95% está bien. El proceso manual anterior de todos era quizás del 90%. Se construye el conjunto de datos, se ejecuta el análisis, se envía el manuscrito. Un 5% de error en 200 pacientes significa que 10 pacientes tienen al menos un valor de laboratorio incorrecto en el conjunto final. Si esos 10 pacientes están en el brazo de tratamiento de tu análisis, o si son los más graves (cuyos registros son los más complejos y propensos a errores), ese 5% de error no está distribuido aleatoriamente: está sesgado sistemáticamente.

La trampa de la normalización tiene una segunda dimensión: los tipos de errores que sobreviven a la normalización son los peores. Los errores de transposición — un intercambio de dígitos en un valor de laboratorio — producen valores atípicos que activan alertas durante el análisis. Una creatinina imposible de 130 mg/dL se detecta. Pero un valor de laboratorio colocado en la columna de consulta incorrecta, o un rango de referencia extraído como valor de resultado, o una conversión de unidades que nunca se aplicó — estos no producen valores atípicos. Producen valores de apariencia plausible que encajan en los rangos esperados y pasan todas las verificaciones automáticas, precisamente porque son valores clínicos reales que pertenecen al contexto equivocado. Un análisis de reclamaciones de 2020 de The Doctors Company encontró que el porcentaje de reclamaciones que alegaban que los EHR contribuyeron a lesiones de pacientes aumentó del 0.35% en 2010 al 1.62% en 2018. El problema más común relacionado con el usuario fue "información incorrecta" (13%) — datos que parecían correctos pero no lo eran.

La corrección: Establece objetivos de precisión antes de la extracción, no después. Define qué significa "preciso" para tu pregunta de investigación específica — no como un porcentaje global, sino como requisitos a nivel de campo. Los valores de creatinina deben coincidir con la fuente en un margen de 0.1 mg/dL. Las fechas de consulta deben coincidir exactamente, no de forma aproximada. Los rangos de referencia deben verificarse como rangos, no extraerse accidentalmente como resultados. Ejecuta reglas de validación sobre los datos extraídos y calcula tasas de error específicas por campo. Un conjunto de datos que es 95% preciso en general pero 80% preciso en el campo del que depende tu criterio principal de valoración no es un conjunto de datos con un 95% de precisión — es un conjunto de datos no fiable para tu estudio. Vuelve atrás y corrige la extracción específicamente para ese campo.

Lo que realmente funciona: cinco decisiones que cambian el resultado

Cada error anterior tiene su corrección simétrica. Juntos forman un protocolo de extracción que no cuesta nada, pero evita los fallos posteriores que vuelven poco fiables los conjuntos de datos.

1. Define tus campos antes de extraer nada. No "valores de laboratorio", sino variables específicas con definiciones precisas, unidades y rangos esperados. Si necesitas creatinina al ingreso, defínela como "primera creatinina sérica registrada dentro de las 24 horas del ingreso, en mg/dL". La especificidad obliga a la extracción a apuntar, no a volcar.

2. Conserva el contexto del encuentro como columna, no como convención. Cada fila extraída necesita ID del paciente, ID del encuentro y marca de tiempo de la recolección. Sin estas tres columnas, tu conjunto de datos no puede distinguir entre dos valores de creatinina del mismo paciente tomados con 48 horas de diferencia, justo la distinción de la que depende tu análisis.

3. Normaliza las unidades en la extracción, no en el postprocesamiento. Si el laboratorio A informa en mg/dL y el laboratorio B en µmol/L, aplica la conversión durante la extracción. Una columna calculada que transforme todos los valores a una sola unidad antes de ensamblar el conjunto de datos significa que nunca tendrás que preguntarte si una creatinina de 115 es insuficiencia renal grave o solo una unidad diferente.

4. Valida estructuralmente, no con muestreos. Verificaciones basadas en reglas sobre el 100 % de los registros —números positivos donde corresponden, marcas de tiempo dentro de las ventanas del encuentro, eGFR derivado solo de valores de creatinina en la misma fila— detectan más errores que el muestreo humano con una fracción del costo laboral. Reserva la revisión humana para excepciones marcadas, no para verificación rutinaria.

5. Un archivo maestro, cero copias. Cada análisis referencia el conjunto de datos canónico. Las correcciones se propagan automáticamente. Los archivos derivados son scripts, no hojas de cálculo estáticas.

Preguntas frecuentes

¿Puede la IA extraer valores de laboratorio de capturas de pantalla de EHR de forma confiable?

Sí, pero solo si defines lo que quieres que encuentre. Alimentar una captura de pantalla a un motor OCR genérico esperando datos estructurados es el error mencionado en el punto #2. El enfoque confiable es la extracción dirigida: especificas los campos que necesitas (p. ej., "Creatinina al ingreso", "Creatinina al alta") y el modelo localiza esos valores al comprender su significado, no al leer cada carácter de la página secuencialmente. Este enfoque semántico maneja las variaciones de resolución y formato en las que falla el OCR basado en píxeles.

¿Cuál es la causa principal de valores de laboratorio extraídos incorrectamente?

La pérdida de contexto: ya sea el contexto de la unidad/rango de referencia (Error #3) o el contexto de la consulta (Error #4). Un valor casi nunca es "incorrecto" de forma aislada. Es incorrecto porque pertenece a un laboratorio diferente, una consulta diferente o un sistema de unidades diferente al de la columna donde terminó. Corrige el contexto, y la mayoría de los "errores de extracción" resultan ser estructurales, no técnicos.

¿Cómo manejo capturas de pantalla de EHR de múltiples sistemas hospitalarios?

Cada sistema EHR — Epic, Cerner, Meditech — formatea los paneles de laboratorio de manera diferente. Un valor de creatinina puede aparecer bajo "QUÍMICA" en un sistema y bajo "CMP" (Panel Metabólico Completo) en otro. El enfoque de extracción debe ser independiente del formato: localizar valores por su significado clínico en lugar de su posición en la página. Por eso el OCR basado en plantillas (que busca creatinina en coordenadas de píxeles específicas) falla en conjuntos de datos de múltiples sitios, y por qué la extracción semántica (que encuentra "creatinina" donde sea que aparezca en la página) no falla. Antes de extraer, crea un mapeo de campos que defina lo que buscas en términos clínicos ("Creatinina sérica, mg/dL"), no en términos posicionales.

¿Afecta HIPAA a cómo puedo extraer datos de capturas de pantalla de EHR?

Sí, pero de una manera específica relevante para la selección de herramientas. HIPAA exige que la información de salud protegida (PHI) se maneje con salvaguardas administrativas, físicas y técnicas (Regla de Seguridad, 45 CFR Parte 164 Subparte C). Cuando envías capturas de pantalla de EHR a una herramienta de extracción en la nube, estás transmitiendo PHI a un tercero. Esto requiere un Acuerdo de Asociado Comercial (BAA) si la herramienta procesa o almacena las imágenes. Antes de usar cualquier herramienta de extracción para datos clínicos, confirma si ofrece un BAA y si los archivos subidos se conservan después del procesamiento. Las herramientas que procesan y eliminan en lugar de almacenar presentan un riesgo menor desde el punto de vista del cumplimiento normativo. Esto no es un consejo legal; consulta al IRB y al oficial de privacidad de tu institución para tu estudio específico.

¿Qué pasa si mis valores de laboratorio provienen de informes escaneados en papel, no de capturas de pantalla del EHR?

Los informes escaneados añaden una capa adicional de degradación de calidad: artefactos del papel físico, distorsión por el ángulo de escaneo y capas de texto OCR antiguas que pueden estar distorsionadas. Los errores principales siguen aplicándose, pero el problema de resolución (Error #1) se amplifica. Si trabajas con escaneos, un enfoque basado en modelos de visión que lee documentos como lo haría un humano — comprendiendo el contenido semánticamente en lugar de carácter por carácter — maneja mejor los artefactos de escaneo que el OCR tradicional. Pero independientemente de la herramienta, prueba siempre primero con tus peores documentos (impresión tenue, anotaciones manuscritas, páginas inclinadas), no con los más limpios.

Empieza con tu pregunta de investigación. Retrocede hasta los campos que la responden. Extrae solo esos. Los siete errores anteriores son consecuencias derivadas de saltarse este paso.