feat(pipeline): extraction OGC via Qwen2.5-VL-3B

Pipeline modulaire remplaçant le monolithe extract_ogc.py (conservé
en legacy pour comparaison).

Modules :
- ingest.py      : PDF → PNG 300dpi avec cache par SHA256
- ocr_qwen.py    : wrapper singleton Qwen2.5-VL-3B (bfloat16, ~7 Go VRAM)
- ocr_glm.py     : wrapper GLM-OCR 0.9B (alternatif, conservé)
- classify.py    : détection type de page + routing par index standard
                   (ordre des 6 pages OGC → -50% d'appels OCR)
- prompts.py     : JSON schemas par type (recueil, concertation 1/2/2/2,
                   preuves) + mots-clés de classification
- checkboxes.py  : détection Accord/Désaccord par densité de pixels
                   (inner-frac 0.35, 17/17 corrects sur échantillon vérifié ;
                   GLM-OCR et Qwen échouent sur les checkboxes, cf.
                   scratch/test_prompt_crop_v2.py)
- extract.py     : orchestration 1 dossier (ingest → classify → OCR →
                   parse JSON tolérant aux boucles + validation ATIH)
- persist.py     : sauvegarde JSON + metadata (pipeline_version,
                   ocr_model, timestamp)
- cli.py         : `python -m pipeline.cli <pdf|dir>`

Temps mesuré : ~35s/dossier (6 pages) sur RTX 5070.

Qwen2.5-VL-3B retenu après comparaison avec GLM-OCR 0.9B, GOT-OCR2.0,
Surya, PaddleOCR (cf. scratch/). Il extrait correctement dp_libelle,
praticien_conseil et les 4 GHM/GHS là où les autres échouent.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

pipeline/prompts.py

@@ -0,0 +1,108 @@
+"""Prompts GLM-OCR par type de page OGC.
+
+Pour chaque type structuré, on demande un JSON strict. Pour les pages libres
+(concertation 2, éléments de preuve…) on sort du texte brut.
+"""
+
+# Prompt court pour détecter le type de page depuis l'en-tête.
+PROMPT_HEADER = "Text Recognition:"
+
+# --- Page 1 : Fiche médicale de recueil du praticien conseil ---
+# Note : accord_desaccord retiré du prompt — géré par pipeline.checkboxes
+# (densité de pixels) car GLM-OCR ne sait pas lire les checkboxes
+# (cf. test_prompt_crop_v2.py).
+#
+SCHEMA_RECUEIL = """Lis la fiche médicale OGC et renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+Les codes CIM-10 sont au format lettre + 2 à 4 chiffres (ex: K650, T814).
+Les codes CCAM sont au format 4 lettres + 3 chiffres (ex: EBFA012).
+Les codes GHM sont au format 2 chiffres + lettre + 3 chiffres (ex: 11M122).
+Les codes GHS sont des nombres à 3-5 chiffres (ex: 4323).
+Si un champ est illisible, laisse une chaîne vide. Ne devine pas.
+
+{
+  "etablissement": "",
+  "finess": "",
+  "date_debut_controle": "",
+  "n_ogc": "",
+  "n_champ": "",
+  "dates_sejour": "",
+  "sejour_etab": {
+    "age": "", "sexe": "", "duree_sejour": "",
+    "mode_entree": "", "provenance": "",
+    "mode_sortie": "", "destination": ""
+  },
+  "sejour_reco": {
+    "age": "", "sexe": "", "duree_sejour": "",
+    "mode_entree": "", "provenance": "",
+    "mode_sortie": "", "destination": ""
+  },
+  "rum_etab": {"um": "", "igs": "", "duree": "", "dates": ""},
+  "codage_etab": {
+    "dp": "", "dp_libelle": "", "dr": "",
+    "das": [{"code": "", "position": "", "libelle": ""}]
+  },
+  "codage_reco": {
+    "dp": "", "dr": "",
+    "das": [{"code": "", "position": ""}]
+  },
+  "actes_etab": [{"code": "", "position": "", "libelle": ""}],
+  "actes_reco": [{"code": "", "position": ""}],
+  "ghm_etab": "", "ghs_etab": "",
+  "ghm_reco": "", "ghs_reco": "",
+  "recodage_impactant": "",
+  "ghs_injustifie": "",
+  "praticien_conseil": ""
+}"""
+
+# --- Page 5 : Fiche administrative de concertation 2/2 (décision finale) ---
+SCHEMA_CONCERTATION_2 = """Lis la fiche de concertation et renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+Si un champ est illisible, laisse une chaîne vide.
+
+{
+  "ghs_initial": "",
+  "ghs_avant_concertation": "",
+  "ghs_final": "",
+  "decision": "",
+  "date_concertation": "",
+  "praticien_controleur": "",
+  "medecin_dim": ""
+}
+
+Pour "decision", choisis UNIQUEMENT une de ces valeurs selon la case cochée :
+- "maintien_avis_controleur" si "Maintien de l'avis initial" est coché
+- "retour_groupage_dim" si "Retour groupage initial DIM" est coché
+- "autre_groupage" si "Autre groupage" est coché
+- "" si rien n'est coché"""
+
+# --- Page 6 : Fiche administrative de concertation 1/2 (argumentaire) ---
+SCHEMA_CONCERTATION_1 = """Lis la fiche d'argumentaire du médecin contrôleur et renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+
+{
+  "date_concertation": "",
+  "argumentaire": ""
+}
+
+Pour "argumentaire", transcris TOUT le paragraphe sous "ARGUMENTAIRE DU MEDECIN CONTROLEUR" tel quel, sans reformuler."""
+
+# --- Page 4 : Éléments de preuve ---
+SCHEMA_PREUVES = """Lis le tableau des éléments de preuve et renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+Pour chaque ligne, indique si la case "Présent" ou "Photocopié" est cochée (true/false).
+
+{
+  "date": "",
+  "praticien_controleur": "",
+  "medecin_dim": "",
+  "pieces": [
+    {"intitule": "", "present": false, "photocopie": false, "absent_date": "", "date_obtention": ""}
+  ]
+}"""
+
+# Types de page reconnus
+PAGE_TYPES = {
+    "recueil":        {"keywords": ["RECUEIL DU PRATICIEN"],           "prompt": SCHEMA_RECUEIL},
+    "concertation_2": {"keywords": ["CONCERTATION 2/2"],               "prompt": SCHEMA_CONCERTATION_2},
+    "concertation_1": {"keywords": ["CONCERTATION 1/2"],               "prompt": SCHEMA_CONCERTATION_1},
+    "preuves":        {"keywords": ["ELEMENTS DE PREUVE", "PREUVE"],   "prompt": SCHEMA_PREUVES},
+    "concertation_med": {"keywords": ["FICHE MEDICALE DE CONCERTATION"], "prompt": PROMPT_HEADER},
+    "hospitalisation":{"keywords": ["SEJOUR D'HOSPITALISATION", "HOSPITALISATION COMPLETE"], "prompt": PROMPT_HEADER},
+}