Quão Precisa é a Extração de Prescrições?
Uma Análise Campo a Campo

Os 5 Segundos Que Você Não Recupera

Um técnico de farmácia digitando a 50 PPM ainda precisa de cerca de 50 segundos para transcrever uma única prescrição em um sistema de gestão de farmácia — e 1 em cada 25 dessas entradas conterá pelo menos um erro.

A narrativa padrão de eficiência em torno da extração de prescrições por IA é mais ou menos assim: a entrada manual de dados é lenta, a IA é rápida, portanto, adote a IA. É uma equação limpa, e não está errada — a economia de tempo é real. Mas a segunda metade desse argumento — o que acontece com a precisão — é onde a maioria das discussões com fornecedores para em um único ponto percentual e segue em frente.

Uma revisão sistemática de 2024, abrangendo 62 estudos publicada no Research in Social and Administrative Pharmacy, encontrou uma prevalência global agrupada de erros de dispensação em farmácias de 1,6%, com estudos individuais relatando taxas de até 11,53%, dependendo da metodologia de detecção (Um et al., 2024). Em um estudo observacional nacional de referência, Flynn et al. estimaram que 51,5 milhões de erros de dispensação ocorrem entre os 3 bilhões de prescrições dispensadas anualmente nos Estados Unidos — aproximadamente quatro erros por dia em uma farmácia típica (Flynn et al., 2003). A iniciativa Medication Without Harm da Organização Mundial da Saúde (OMS) relata que danos relacionados a medicamentos afetam cerca de 1 em cada 20 pacientes globalmente. E a tela de entrada de dados — onde um técnico ou farmacêutico lê uma prescrição e a digita no PMS — é onde uma parcela significativa desses erros se origina, antes mesmo de um comprimido sair do frasco.

A verdadeira questão não é "quão rápido a IA consegue extrair uma prescrição?" É "em quais campos a extração falha e o que acontece quando isso ocorre?" Uma análise campo a campo revela que a precisão não é distribuída uniformemente — alguns campos possuem camadas de validação integradas que capturam erros antes que eles cheguem ao paciente; outros não têm nenhuma.

A Qualidade da Entrada Define o Piso de Precisão

Antes que qualquer modelo de IA toque em uma prescrição, a condição física do documento já determinou o limite superior da precisão alcançável — e nenhum modelo consegue recuperar informações que não foram capturadas na imagem.

As prescrições chegam às farmácias por três canais principais, cada um com seu próprio perfil de degradação:

Um estudo de 2024 usando PaddleOCR em prescrições reais descobriu que, enquanto prescrições impressas alcançavam ~95% de precisão na extração de texto, as manuscritas caíam para ~85% — uma diferença de 10 pontos que persiste mesmo com etapas de pré-processamento como redução de ruído e binarização. Um estudo separado sobre OCR de prescrições aprimorado por RNA relatou uma Taxa de Precisão de Prescrições (PAR — a porcentagem de prescrições em que todos os campos críticos foram reconhecidos corretamente) de 85,7% para um sistema melhorado, ante 78,0% para o OCR de base (Gudi, 2025). Este é o problema do piso de precisão: se seu volume de fax recebido é alto, mesmo o melhor modelo parte de uma linha de base mais baixa.

A conclusão prática não é evitar a extração por IA para prescrições recebidas por fax — é projetar seu fluxo de verificação com base na qualidade de entrada que você realmente recebe, e não no cenário ideal. Uma farmácia que processa 80% de prescrições eletrônicas e 20% de prescrições por fax precisa de um design de ponto de verificação diferente daquela que processa a proporção inversa.

O Problema dos Nomes de Medicamentos: Quando a Semelhança Não é Suficiente

Desde 1975, o ISMP (Institute for Safe Medication Practices) mantém uma Lista de Nomes de Medicamentos Confundíveis — um catálogo de pares de medicamentos cujos nomes são tão semelhantes na aparência ou pronúncia que causam erros reais de dispensação. Para sistemas de extração, essa lista é a diferença entre "correspondência aproximada" e "medicamento errado".

Estima-se que pares de nomes de medicamentos LASA (Look-Alike, Sound-Alike) sejam responsáveis por até 25% de todos os erros de medicação, e a lista não é pequena — o catálogo atual do ISMP contém centenas de entradas entre pares marca-marca, marca-genérico e genérico-genérico (Lista de Nomes de Medicamentos Confundíveis do ISMP). As consequências são tão concretas que nomes de medicamentos foram alterados para evitar confusão: Losec tornou-se Prilosec após repetidos enganos com Lasix; Brintellix foi renomeado para Trintellix para evitar confusão com Brilinta; Celebrex foi originalmente lançado como Celebra antes que surgissem preocupações sobre confusão com Celexa.

Para um técnico de farmácia humano, a defesa contra erros LASA é o treinamento, o uso de letras maiúsculas diferenciadoras (escrever hidrOXIzina e hidrALAZINA com maiúsculas e minúsculas para distingui-las visualmente) e duplas verificações independentes. Para um sistema de extração de IA, o desafio é diferente, mas não menos sério: um sistema baseado em OCR enxerga padrões de caracteres, não nomes de medicamentos. Para um mecanismo de OCR, "metformina" e "metronidazol" compartilham 5 dos seus primeiros 7 caracteres — uma correspondência parcial de alta confiança que um sistema ingênuo poderia aceitar. Um mecanismo de extração semântica, por outro lado, entende que está lendo uma prescrição de uma consulta de atenção primária para um paciente diabético e pondera a probabilidade em direção à metformina. Ele traz contexto para o problema de reconhecimento de caracteres.

Um risco relacionado que recebe menos atenção: a validação cruzada entre NDC e nome do medicamento é uma segunda linha de defesa que a maioria das ferramentas de extração não oferece. Se um sistema extrai "lisinopril 10mg", mas o NDC na mesma linha decodifica para atorvastatina, um pipeline de extração bem projetado sinaliza a inconsistência antes que os dados cheguem ao PMS. Esse tipo de validação intradocumento — verificar se os campos extraídos são internamente consistentes — transforma a extração de uma tarefa de OCR de passagem única em uma verificação de precisão em camadas.

NDC: A Armadilha dos 10 Dígitos

Um único NDC pode ter até três representações válidas, dependendo de onde é usado — e a conversão entre elas é o tipo de tarefa mecânica que humanos erram consistentemente e a IA erra de forma imprevisível.

O National Drug Code é um identificador de 10 dígitos em três segmentos: Código do Fabricante (4 ou 5 dígitos), Código do Produto (3 ou 4 dígitos) e Código da Embalagem (1 ou 2 dígitos). O FDA atribui NDCs em três formatos possíveis — 4-4-2, 5-3-2 ou 5-4-1 — o que significa que o NDC do mesmo medicamento pode aparecer na embalagem como 0002-7597-01 (4-4-2) ou 60574-4114-1 (5-4-1). No entanto, as transações cobertas pela HIPAA exigem um NDC de 11 dígitos no formato fixo 5-4-2, obtido adicionando um zero à esquerda no segmento curto — e o zero vai para uma posição diferente dependendo de qual dos três formatos originais o NDC utiliza (Guia de Formato NDC da FDA).

Essa conversão — de 10 para 11 dígitos — é uma fonte persistente de rejeição de cobranças. O próprio FDA reconheceu em sua proposta de regra de 2023 sobre a revisão do formato NDC que "o sistema de saúde e os pagadores atualmente convertem NDCs de 10 dígitos para NDCs de 11 dígitos, o que aumenta os custos de saúde e pode ser um fator de erros de medicação" (FDA, 2023). O problema se agrava: em março de 2026, o FDA finalizou uma regra que transiciona todos os NDCs para um formato uniforme de 12 dígitos (6-4-2) até 7 de março de 2033, com um período de transição de três anos até março de 2036. Durante essa janela, o PMS de uma farmácia pode receber NDCs de 10, 11 e 12 dígitos simultaneamente — três formatos diferentes para o mesmo identificador de produto.

Para um sistema de extração, o desafio de precisão do NDC tem duas camadas: extrair os dígitos corretos da imagem e saber qual formato os dígitos extraídos representam. A primeira camada é um problema de OCR (aquele dígito é 0 ou 8? o hífen está presente ou é um borrão?). A segunda camada é um problema de conhecimento de domínio: se o sistema extrai 9 dígitos de um campo rotulado como "NDC", isso é um formato 5-3-1 com um zero inicial faltando, ou um formato 5-4-0 com um zero terminal faltando? A resposta determina se os dados fluem para seu PMS como um identificador válido ou uma cobrança rejeitada.

Dosagem, DEA e a Cadeia de Dados Regulatórios

Erros no nome do medicamento e no NDC são problemas de qualidade de dados; erros de dosagem e número DEA são problemas de conformidade regulatória. Essa diferença é importante ao avaliar quais erros de extração seu fluxo de trabalho pode tolerar.

Erros de dosagem na extração geralmente se enquadram em três categorias: confusão de unidades (mcg extraído como mg — um erro de dosagem de 1.000×), deslocamento de ponto decimal (0,5mg → 5mg) e confusão entre concentração e quantidade (comprimido de 10mg vs. quantidade de 10 comprimidos). O ISMP mantém uma lista de abreviações e designações de dose propensas a erros, especificamente para lidar com esses modos de falha na entrada manual — mas, para a extração por IA, o problema é mais sutil. Um modelo de visão que lê "Levotiroxina 0,025 mg" pode transcrever corretamente os caracteres, mas colocá-los na coluna de saída errada, atribuindo a concentração ao campo de quantidade. O erro não está na leitura — está na atribuição do campo, que exige entender o que cada parte do texto significa, e não apenas o que diz.

Números DEA possuem uma validação estrutural incorporada ao formato: um número DEA válido consiste em duas letras seguidas de sete dígitos, onde a segunda letra é a primeira letra do sobrenome do prescritor e o sétimo dígito é um dígito verificador calculado a partir dos seis primeiros. Isso significa que um sistema de extração pode executar uma validação de formato imediatamente — se a string extraída não corresponder ao algoritmo de verificação DEA, ela foi lida incorretamente ou é inválida. A implicação prática: a extração do número DEA tem uma taxa de precisão verificável — você pode medir exatamente com que frequência o sistema produz uma string que passa no dígito verificador e sinalizar tudo o que não passa para revisão manual. Nenhum outro campo de prescrição oferece esse nível de verificação integrada.

Requisitos de dados do PMP estadual adicionam outra camada: programas de monitoramento de prescrições em 37 estados exigem que os prescritores consultem o registro do PMP antes de prescrever substâncias controladas (Lista II–IV), e a precisão dos dados do PMP depende inteiramente do que as farmácias e dispensadores relatam (NASCSA, 2024, recursos PMP). Cada dispensador é responsável pela integridade dos dados submetidos — "a garantia de que os dados do PMP são precisos e completos é responsabilidade de" cada farmácia dispensadora (Departamento de Saúde do Estado de Washington). Um erro de extração que chega ao registro do PMP cria uma discrepância permanente no histórico de substâncias controladas de um paciente, potencialmente gerando falsos alertas em consultas futuras ao PMP.

A tabela revela uma assimetria: erros de NDC e DEA são os mais difíceis de detectar a jusante e os mais fáceis de prevenir no momento da extração — pois ambos possuem regras estruturais de validação que um sistema de extração bem projetado pode aplicar antes que os dados entrem no seu PMS. Campos sem validação integrada (nome do medicamento, instruções SIG) exigem uma estratégia diferente: verificação humana o mais próximo possível do ponto de extração, antes que os dados se propaguem.

Projetando um Fluxo de Extração Focado em Precisão

O sistema de extração mais preciso em uma farmácia não é aquele com o maior percentual absoluto — é aquele cujos padrões de erro se alinham com a capacidade do seu fluxo de verificação de detectá-los.

Um fluxo de trabalho prático para extração de prescrições não busca zero erros na etapa de extração. Ele busca padrões de erro que sejam previsíveis, verificáveis e detectados antes que se propaguem. Veja como isso se aplica campo a campo:

Este fluxo de trabalho transforma a precisão de um percentual único do fornecedor em um parâmetro operacional que você controla. Em vez de perguntar "quão precisa é esta ferramenta?", você pergunta "quais campos meu fluxo de verificação precisa revisar e em qual taxa?" — e a resposta depende da sua combinação de entradas, das camadas de validação integradas do seu PMS e de quais campos têm consequências de conformidade no seu estado.

Perguntas Frequentes

Qual é a precisão da IA na leitura de prescrições manuscritas?

A precisão da extração de prescrições manuscritas normalmente varia de 82% a 88% para extração em nível de campo, em comparação com 95–99% para prescrições impressas ou eletrônicas. A variação depende fortemente da legibilidade da caligrafia, da resolução da imagem e se a prescrição contém instruções SIG em múltiplas linhas. Uma prescrição com nome do medicamento em letra de forma clara e NDC bem escrito será extraída de forma muito mais confiável do que uma com instruções SIG em cursivo abrangendo quatro linhas. Esta é uma limitação real — nenhum sistema de extração atual atinge mais de 90% de precisão em toda a gama de caligrafia médica vista na prática.

A extração por IA reduz erros de medicação em comparação com a entrada manual de dados?

Sim — mas não por ser perfeitamente precisa. A vantagem é que os erros da extração por IA seguem padrões previsíveis (confusão de caracteres em campos de baixa resolução, erros de atribuição de campo em layouts complexos), enquanto os erros de entrada manual de dados são aleatórios e mais difíceis de detectar sistematicamente. Uma farmácia que projeta seu fluxo de verificação para mirar especificamente os modos de falha conhecidos da IA — verificação da contagem de dígitos do NDC, validação do checksum do DEA, sinalização de nomes de medicamentos LASA — pode alcançar uma taxa de erro líquida menor do que a entrada exclusivamente humana, mesmo que a precisão bruta da IA em alguns campos esteja na casa dos 80%.

A extração por IA consegue lidar automaticamente com a conversão do formato do NDC?

Um sistema de extração pode detectar quantos dígitos ele lê e sinalizar NDCs que não correspondem aos formatos esperados, mas a conversão completa de 10 para 11 dígitos exige saber o formato original atribuído pela FDA (4-4-2, 5-3-2 ou 5-4-1) — informação que não está visível no rótulo da receita. A abordagem mais segura é usar a extração para capturar os dígitos e deixar que seu PMS ou um compêndio de dados de medicamentos (que conhece o formato original de cada NDC) faça a conversão. O trabalho do sistema de extração é informar: "Li 9 dígitos onde esperava 10 ou 11" — e não adivinhar onde colocar o zero.

Quais campos da receita são mais importantes verificar após a extração?

O NDC e o nome do medicamento devem ser suas principais prioridades de verificação — erros de NDC são invisíveis para pacientes e para a verificação downstream, e erros no nome do medicamento apresentam o maior risco à segurança do paciente. Os números DEA vêm em seguida: são verificáveis via checksum, mas se propagam para os bancos de dados estaduais do PMP, onde os erros são difíceis de corrigir. A verificação da dosagem é mais importante para medicamentos de índice terapêutico estreito (varfarina, levotiroxina, digoxina), onde pequenos erros de dosagem têm consequências clínicas desproporcionais. A quantidade e o número de renovações, embora importantes, são os itens com maior probabilidade de serem detectados por etapas existentes do fluxo de trabalho da farmácia, como DUR e aconselhamento ao paciente.

Essa abordagem é compatível com sistemas de gestão de farmácia e redes de prescrição eletrônica?

A maioria das ferramentas de extração por IA gera a saída primeiro em CSV ou Excel — não diretamente no seu PMS. Isso significa que o resultado da extração serve como uma etapa de pré-verificação: você revisa os dados estruturados em uma planilha, faz correções onde sinalizado e, em seguida, importa ou insere manualmente os dados verificados no seu PMS. A integração direta com o PMS existe em plataformas empresariais de automação de farmácia (Asepha, Nodens Health), mas para a maioria das farmácias independentes e redes, o fluxo de extração-para-planilha-para-PMS é o caminho prático, com a etapa da planilha funcionando como seu ponto de verificação em lote.