z230

Medevio/60 ScansProcessing/corrections.json

@@ -1062,5 +1062,9 @@
   {
     "original": "3568c410-090f-49d3-b898-8fef12f05397.pdf",
     "corrected": "8459699809 2026-04-20 Bysmak, Mariia [sono žil DK] [žíly volně průchodné, varikózní dilatace VSM bilat se známkami chlopenní insuficience].pdf"
+  },
+  {
+    "original": "6604011073 2025-12-08 Kramule, Petr [Laboratoř] [stěr/výtěr krk, fyziologická mikrobiota HCD].pdf",
+    "corrected": "6604011073 2025-12-08 Kramule, Petr [Laboratoř] [stěrvýtěr krk, fyziologická mikrobiota HCD].pdf"
   }
 ]

Medevio/60 ScansProcessing/extract_patient_info_novy.py

@@ -197,6 +197,119 @@ def check_duplicates(rc: str, datum: str) -> list[str]:
     return [name for name in _dokumentace_index if name.startswith(prefix)]
 
 
+# ─── EKG zpracování ──────────────────────────────────────────────────────────
+
+_EKG_FLAG = "rotated-by-script"
+
+
+def _is_ekg(pdf_path: Path) -> bool:
+    """Detekuje EKG PDF podle metadat — PDFCreator 2.4.x je specifický pro EKG přístroj."""
+    if pdf_path.suffix.lower() != ".pdf":
+        return False
+    try:
+        import fitz
+        doc = fitz.open(str(pdf_path))
+        meta = doc.metadata
+        doc.close()
+        haystack = " ".join(filter(None, [
+            meta.get("creator", ""), meta.get("producer", "")
+        ])).lower()
+        return "pdfcreator" in haystack
+    except Exception:
+        return False
+
+
+def _ekg_rotate_if_needed(pdf_path: Path):
+    """Otočí první stránku o 90° CW a odstraní případnou druhou stránku."""
+    import fitz
+    doc = fitz.open(str(pdf_path))
+    meta = doc.metadata
+    keywords = meta.get("keywords", "") or ""
+    if _EKG_FLAG in keywords:
+        doc.close()
+        return
+    page = doc[0]
+    page.set_rotation((page.rotation + 90) % 360)
+    if doc.page_count > 1:
+        doc.delete_page(1)
+    meta["keywords"] = (keywords + " " + _EKG_FLAG).strip()
+    doc.set_metadata(meta)
+    tmp = pdf_path.with_suffix(".tmp.pdf")
+    doc.save(tmp, deflate=True)
+    doc.close()
+    os.replace(tmp, pdf_path)
+    print("  [EKG] Stránka otočena o 90°.")
+
+
+def _ekg_ocr(pdf_path: Path) -> str:
+    import fitz
+    import pytesseract
+    from PIL import Image as _PILImage
+    pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
+    doc = fitz.open(str(pdf_path))
+    pix = doc[0].get_pixmap(dpi=300)
+    img = _PILImage.frombytes("RGB", [pix.width, pix.height], pix.samples)
+    doc.close()
+    return pytesseract.image_to_string(img, lang="ces", config="--psm 6")
+
+
+def _ekg_extract_rc(text: str) -> str | None:
+    m = re.search(r"(\d{6})\s*/?\s*(\d{3,4})", text)
+    if not m:
+        return None
+    return m.group(1) + m.group(2).zfill(4)
+
+
+def _ekg_extract_date(text: str) -> str | None:
+    """Vrátí datum ve formátu YYYY-MM-DD nebo None."""
+    m = re.search(r"(\d{1,2})[\.,]\s*(\d{1,2})[\.,]\s*(\d{4})", text)
+    if m:
+        d, mo, y = m.groups()
+        return f"{y}-{mo.zfill(2)}-{d.zfill(2)}"
+    for pat in [r"\b(\d{2})(\d{2})(\d{4})\b", r"\b(\d{2})(\d{1})(\d{4})\b"]:
+        for m in re.finditer(pat, text):
+            d, mo, y = m.groups()
+            if 1 <= int(d) <= 31 and 1 <= int(mo) <= 12 and 1900 <= int(y) <= 2100:
+                return f"{y}-{mo.zfill(2)}-{d.zfill(2)}"
+    return None
+
+
+def extract_info_ekg(pdf_path: Path) -> dict:
+    """EKG větev: rotace in-place, Tesseract OCR, Medicus ověření."""
+    _ekg_rotate_if_needed(pdf_path)
+
+    print("  [EKG] OCR přes Tesseract...")
+    raw_text = _ekg_ocr(pdf_path)
+    print(f"\n--- EKG OCR TEXT ---\n{raw_text}\n--- KONEC ---\n")
+
+    rc_ocr = _ekg_extract_rc(raw_text)
+    date_iso = _ekg_extract_date(raw_text)
+    print(f"  [EKG] RČ: {rc_ocr or 'NENALEZENO'}  |  Datum: {date_iso or 'NENALEZENO'}")
+
+    print(f"  [EKG] Ověřuji v Medicus (RČ: {rc_ocr or '?'})...")
+    verif = verify_patient(rc_ocr or "")
+    rc_final = rc_ocr
+    if verif["status"] == "fuzzy" and verif.get("rc_corrected"):
+        rc_final = verif["rc_corrected"]
+        print(f"  [EKG] RČ opraveno: {rc_ocr} → {rc_final}")
+
+    patient = verif.get("patient")
+    name_part = f"{patient['prijmeni']}, {patient['jmeno']}" if patient else ""
+
+    if rc_final and date_iso:
+        nazev = f"{rc_final} {date_iso}{(' ' + name_part) if name_part else ''} [EKG] [bez hodnocení].pdf"
+    else:
+        nazev = None
+
+    return {
+        "rodne_cislo": rc_final,
+        "datum_zpravy": date_iso,
+        "nazev_souboru": nazev,
+        "_verif": verif,
+        "_rc_ocr": rc_ocr or "",
+    }
+
+
 # ─── Korekce (few-shot příklady) ─────────────────────────────────────────────
 
 def load_corrections() -> list[dict]:
@@ -414,50 +527,64 @@ def _parse_split_filename(name: str) -> tuple[str, str] | None:
 def process_file(pdf_path: Path):
     print(f"\nSoubor: {pdf_path.name}")
 
-    # Spusť načítání indexu dokumentace na pozadí — hotovo za dobu volání Claude
+    # Spusť načítání indexu dokumentace na pozadí — hotovo za dobu volání Claude/OCR
     start_dokumentace_index()
 
-    # 1. Otevři preview originálu
+    is_ekg = _is_ekg(pdf_path)
+    split = None
+
+    if is_ekg:
+        # EKG větev: rotace in-place PŘED preview, pak Tesseract OCR + Medicus
+        print("  [EKG] Detekován EKG soubor (PDFCreator).")
+        info = extract_info_ekg(pdf_path)
+        nazev = info.get("nazev_souboru") or pdf_path.name
+        rc_from_scan = re.sub(r"\D", "", info.get("rodne_cislo") or "")
+        verif = info["_verif"]
+        rc_ocr = info["_rc_ocr"]
+
+    # 1. Otevři preview (pro EKG: soubor je již otočen)
     preview, geom_file = open_preview(pdf_path)
     below_y = read_preview_bottom(geom_file)
 
-    # 2. Zjisti RČ a jméno — buď z názvu (split soubor) nebo přes Claude Vision API
-    split = _parse_split_filename(pdf_path.name)
-    if split:
-        rc_from_scan, name_from_filename = split
-        print(f"  Split soubor — RČ z názvu: {rc_from_scan}, jméno: {name_from_filename}")
-        # Claude stále voláme, ale předáme mu identitu pacienta — ať se soustředí na obsah
-        info = extract_info(pdf_path, known_patient=name_from_filename, known_rc=rc_from_scan)
-        # RC a jméno bereme z názvu souboru, ne z Claudovy odpovědi
-        nazev = info.get("nazev_souboru") or pdf_path.name
-        nazev = re.sub(r"^\d{9,10}\s+", f"{rc_from_scan} ", nazev)  # přepiš RC v názvu naším
-    else:
-        info = extract_info(pdf_path)
-        nazev = info.get("nazev_souboru") or pdf_path.name
-        rc_from_scan = re.sub(r"\D", "", info.get("rodne_cislo") or "")
+    if not is_ekg:
+        # 2. Zjisti RČ a jméno — buď z názvu (split soubor) nebo přes Claude Vision API
+        split = _parse_split_filename(pdf_path.name)
+        if split:
+            rc_from_scan, name_from_filename = split
+            print(f"  Split soubor — RČ z názvu: {rc_from_scan}, jméno: {name_from_filename}")
+            info = extract_info(pdf_path, known_patient=name_from_filename, known_rc=rc_from_scan)
+            nazev = info.get("nazev_souboru") or pdf_path.name
+            nazev = re.sub(r"^\d{9,10}\s+", f"{rc_from_scan} ", nazev)
+        else:
+            info = extract_info(pdf_path)
+            nazev = info.get("nazev_souboru") or pdf_path.name
+            rc_from_scan = re.sub(r"\D", "", info.get("rodne_cislo") or "")
 
-    # 3. Medicus ověření + fuzzy matching RČ
-    print(f"  Ověřuji v Medicus (RČ: {rc_from_scan})...")
-    verif = verify_patient(rc_from_scan)
+        # 3. Medicus ověření + fuzzy matching RČ
+        print(f"  Ověřuji v Medicus (RČ: {rc_from_scan})...")
+        verif = verify_patient(rc_from_scan)
+        rc_ocr = rc_from_scan
 
-    # Oprava RČ při fuzzy matchi (jen pro nesplit soubory — u split máme RC spolehlivé)
-    if not split and verif["status"] == "fuzzy" and verif.get("rc_corrected") and nazev:
-        nazev = nazev.replace(rc_from_scan, verif["rc_corrected"], 1)
-        print(f"  → RČ opraveno: {rc_from_scan} → {verif['rc_corrected']}")
+        # Oprava RČ při fuzzy matchi (jen pro nesplit soubory — u split máme RC spolehlivé)
+        if not split and verif["status"] == "fuzzy" and verif.get("rc_corrected") and nazev:
+            nazev = nazev.replace(rc_from_scan, verif["rc_corrected"], 1)
+            print(f"  → RČ opraveno: {rc_from_scan} → {verif['rc_corrected']}")
 
     # Info řádky pro dialog
     status = verif["status"]
     patient = verif.get("patient")
     info_lines = []
-    if split:
+    if is_ekg:
+        info_lines.append("⚡ EKG soubor — Tesseract OCR")
+    elif split:
         info_lines.append(f"⚡ Split soubor — identita z názvu: {name_from_filename}  |  RČ {rc_from_scan}")
     if status == "ok":
         info_lines.append(f"✓ Medicus: {patient['prijmeni']} {patient['jmeno']}  |  RČ {patient['rodcis']}")
     elif status == "fuzzy":
-        info_lines.append(f"⚠ RČ ze skenu '{rc_from_scan}' → opraveno na {verif['rc_corrected']}")
+        info_lines.append(f"⚠ RČ ze skenu '{rc_ocr}' → opraveno na {verif['rc_corrected']}")
         info_lines.append(f"  Pacient: {patient['prijmeni']} {patient['jmeno']}  |  RČ {patient['rodcis']}")
     elif status == "not_found":
-        info_lines.append(f"✗ RČ '{rc_from_scan}' nenalezeno v Medicus")
+        info_lines.append(f"✗ RČ '{rc_ocr}' nenalezeno v Medicus")
     else:
         info_lines.append("— Medicus nedostupný (offline)")
 
@@ -468,7 +595,7 @@ def process_file(pdf_path: Path):
         info_lines.append(f"⚠ DUPLICITA: {', '.join(duplicity)}")
 
     if not info_lines:
-        info_lines = ["[Claude nevrátil název — uprav ručně]"]
+        info_lines = ["[uprav ručně]"]
     print("  Otevírám dialog pro schválení názvu...")
     final_name = run_rename_dialog(nazev, info_lines, below_y=below_y)