Conhecimento médico e tecnologia, construídos juntos.

Informação hospitalar e clínica fragmentada se torna conjuntos de dados estruturados, pseudonimizados, auditáveis e reprodutíveis.

Para análise, operação, construção de coortes e infraestrutura de pesquisa. As fontes são integradas em modo somente leitura, cada transformação é registrada como linhagem, os modelos de dados seguem o raciocínio clínico e o pipeline termina em revisão humana.

Escopo inicial: enviar um laudo anatomopatológico e receber o texto extraído com fidelidade mais um resultado estruturado limitado.

Um serviço privado de OCR e compreensão de documentos para laudos de patologia, radiologia e laboratório, sumários de alta, encaminhamentos e registros digitalizados ou fotografados. Devolve texto, Markdown, JSON ou PDF pesquisável, com rastreabilidade até o documento original.

Onde o synt_Parse roda segue a regra de aplicabilidade do portfólio: normalização e pseudonimização no local assistencial antes de qualquer saída, e inferência na Synteon só depois dessa etapa, atrás de um gateway autenticado. Documentos de pacientes nunca são enviados a provedores públicos de modelos.

O site público não contém dados de pacientes nem função de upload. A interface hospedada do synt_Parse recebe apenas documentos já normalizados e pseudonimizados no local.

Assessoria e construção de modelos estatísticos e de machine learning sobre dados da própria instituição, com treinamento em datacenter quando aplicável.

O trabalho é conduzido com a instituição, do enunciado do problema à validação: seleção de variáveis, treino, teste em dados retidos, relatório de validação e cartão do modelo. O modelo entregue é versionado e documentado; pode ser servido pelo synt_Runtime e consumido pelo synt_Assist.

Segue a regra de aplicabilidade do portfólio. O treinamento ocorre na infraestrutura da instituição quando ela comporta; em datacenter no Brasil, próprio ou contratado, quando aplicável, mediante contrato de tratamento de dados e sem transferência internacional. Federated learning entre instituições pode substituir a centralização quando fizer sentido.