Externalize dictionaries and add anonymization review corpus

config/dictionnaires.default.yml

@@ -0,0 +1,59 @@
+# Template versionné des règles d'anonymisation.
+# Ce fichier décrit les valeurs par défaut complètes de l'application.
+# La surcharge locale chargée par défaut est config/dictionnaires.yml.
+version: 1
+encoding: utf-8
+normalization: NFKC
+whitelist:
+  sections_titres:
+  - DIM
+  - GHM
+  - GHS
+  - RUM
+  - COMPTE
+  - RENDU
+  - DIAGNOSTIC
+  noms_maj_excepts:
+  - Médecin DIM
+  - Praticien conseil
+  org_gpe_keep: false
+blacklist:
+  # Sigles et libellés propres à l'établissement non couverts par les gazetteers
+  # nationaux (FINESS / INSEE / BDPM). Évitez d'ajouter ici des noms d'hôpitaux,
+  # villes, codes postaux ou numéros FINESS — ils sont déjà détectés automatiquement.
+  force_mask_terms:
+  - CHCB
+  - 'Dates du séjour :'
+  - CONCERTATION
+  - LABORATOIRE de BIOLOGIE MEDICALE
+  force_mask_regex:
+  - '13\s*,?\s*Avenue\s+de\s+l.Interne\s+J\.?\s*LOEB\s+BP\s*\d+'
+kv_labels_preserve:
+- FINESS
+- IPP
+- N° OGC
+- Etablissement
+regex_overrides:
+- name: OGC_court
+  pattern: \b(?:N°\s*)?OGC\s*[:\-]?\s*([A-Za-z0-9\-]{1,3})\b
+  placeholder: '[OGC]'
+  flags:
+  - IGNORECASE
+whitelist_phrases:
+  - "classification internationale"
+  - "prise en charge"
+  - "bas de contention"
+  - "date de naissance"
+  - "lieu de naissance"
+  - "ville de résidence"
+  - "date de sortie"
+  - "date d'admission"
+  - "code postal"
+additional_stopwords: []
+additional_villes_blacklist: []
+additional_dpi_labels: []
+additional_companion_blacklist: []
+flags:
+  case_insensitive: true
+  unicode_word_boundaries: true
+  regex_engine: python

config/dictionnaires.yml

@@ -1,83 +1,11 @@
-version: 1
-encoding: utf-8
-normalization: NFKC
-whitelist:
-  sections_titres:
-  - DIM
-  - GHM
-  - GHS
-  - RUM
-  - COMPTE
-  - RENDU
-  - DIAGNOSTIC
-  noms_maj_excepts:
-  - Médecin DIM
-  - Praticien conseil
-  org_gpe_keep: false
-blacklist:
-  # Sigles et libellés propres à l'établissement non couverts par les gazetteers
-  # nationaux (FINESS / INSEE / BDPM). Évitez d'ajouter ici des noms d'hôpitaux,
-  # villes, codes postaux ou numéros FINESS — ils sont déjà détectés automatiquement.
-  force_mask_terms:
-  - CHCB                                # Sigle local non référencé FINESS
-  - 'Dates du séjour :'                 # Libellé administratif (politique masquage)
-  - CONCERTATION                        # Mention de RCP (politique métier)
-  - LABORATOIRE de BIOLOGIE MEDICALE    # Libellé administratif générique
-  force_mask_regex:
-  # Adresse précise du CHCB — couverte par l'AC FINESS adresses mais on garde
-  # la regex en filet de sécurité (encodages PDF, espaces non standards).
-  - '13\s*,?\s*Avenue\s+de\s+l.Interne\s+J\.?\s*LOEB\s+BP\s*\d+'
-kv_labels_preserve:
-- FINESS
-- IPP
-- N° OGC
-- Etablissement
-regex_overrides:
-- name: OGC_court
-  pattern: \b(?:N°\s*)?OGC\s*[:\-]?\s*([A-Za-z0-9\-]{1,3})\b
-  placeholder: '[OGC]'
-  flags:
-  - IGNORECASE
-# Phrases à ne JAMAIS anonymiser (faux positifs récurrents)
-# Ajouter ici les expressions qui sont masquées à tort.
-# La correspondance est insensible à la casse.
-whitelist_phrases:
-  - "classification internationale"
-  - "prise en charge"
-  - "bas de contention"
-  - "date de naissance"
-  - "lieu de naissance"
-  - "ville de résidence"
-  - "date de sortie"
-  - "date d'admission"
-  - "code postal"
-# Mots supplémentaires à ne jamais masquer comme noms de personnes
-# (complète les 9000+ stop-words intégrés)
-additional_stopwords: []
-# Exemple :
-#   - "votre_mot"
-
-# Villes supplémentaires à ne jamais matcher comme lieux
-# (complète les 115+ villes blacklistées intégrées)
-additional_villes_blacklist: []
-# Exemple :
-#   - "VOTRE_VILLE"
-
-# Labels DPI supplémentaires à ne jamais masquer comme noms
-# (complète data/dpi_labels_blacklist.txt)
-# Utiliser pour : titres de colonnes, en-têtes de sections, libellés de champs
-additional_dpi_labels: []
-# Exemple :
-#   - "Service"
-#   - "Statut"
-
-# Termes en MAJUSCULES à ne jamais propager comme noms compagnons
-# (complète data/companion_blacklist.txt — spécialités, labos pharma, mots ambigus)
-additional_companion_blacklist: []
-# Exemple :
-#   - "VOTRE_SPECIALITE"
-
-flags:
-  case_insensitive: true
-  unicode_word_boundaries: true
-  regex_engine: python
+# Surcharge locale chargée par défaut par l'application.
+# Source de vérité des valeurs par défaut : config/dictionnaires.default.yml
+# Ce fichier ne doit contenir que les écarts spécifiques à l'environnement courant.
+#
+# Exemples :
+# blacklist:
+#   force_mask_terms:
+#   - VOTRE_SIGLE
+# additional_stopwords:
+# - votre_terme
+{}