Dom/anonymisation
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

chore(rgpd): replace CHCB/Bayonne refs in docs (D-12)

Browse Source 
Anonymise les références aux entités réelles (CHCB, villes basques,
Saint-Denis, Réunion, etc.) dans la documentation projet, les maquettes
HTML/Python, les notes de coordination et les audits.

Conserve docs/coordination/decisions/2026-06-02_dom_mvp-pivots-strategiques.md
(table de mapping de référence) et docs/coordination/inbox/for-claude/
intacts.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
This commit is contained in:
Domi31tls
2026-06-02 14:40:20 +02:00
parent 1c44a26eb3
commit c427e2a3f4
18 changed files with 3882 additions and 4 deletions
Download Patch File Download Diff File Expand all files Collapse all files

167
docs/coordination/inbox/for-dom/2026-05-29_qwen_release-notes-v11-draft.md Normal file
View File

@@ -0,0 +1,167 @@
# Pseudonymisation v11.0 — MVP livraison bêta Province Bêta
**Date** : 2026-06-02
**Audience** : bêta-testeur Province Bêta
**Build** : `13730d1` — 2026-05-29 (rebuild prévu dimanche 01/06)
**Canal** : OwnCloud
---
## Nouveautés de cette version (par rapport à v10)
### 🔴 Sécurité RGPD — quarantaine différentielle (Q-1)
**Changement majeur** : un document n'est livré « anonymisé » que si **toutes** les étapes critiques ont réussi.
- **Quarantaine automatique** : les documents dont l'extraction de texte échoue, dont la rédaction PDF échoue, ou dont le rescan de sécurité détecte des PII résiduelles sont automatiquement isolés dans un dossier `quarantaine/`.
- **Quarantaine partielle** : si le texte est correctement anonymisé mais que le PDF ne peut pas être rédigé (chiffrement, annotations corrompues), le texte `.pseudonymise.txt` sort normalement et le PDF va en quarantaine avec un fichier d'explication.
- **Quarantaine totale** : si le texte extrait est inférieur à 100 caractères (document vide ou OCR raté), le document entier va en quarantaine — aucun fichier de sortie n'est généré.
- **`quarantaine/INDEX.md`** : résumé lisible de tous les documents en quarantaine avec raisons et suggestions, généré à la fin de chaque batch.
- **`errors.log`** : journal cumulatif de toutes les erreurs du batch, format JSON par ligne pour analyse.
- **`<document>.log`** : log détaillé du traitement de chaque document (étapes, détections, warnings).
### Pré-flight texte vide (B-3)
- Avant tout traitement, le programme vérifie que le document contient au moins **100 caractères de texte extrait**. En dessous, le document est considéré comme non-OCRisé ou vide et envoyé directement en quarantaine.
- Évite le scénario où un document scanné non-OCRisé sort « anonymisé » alors qu'aucun texte n'a été traité.
### Tolérance zéro PII résiduelles (rescan check)
- Après anonymisation, un **rescan de sécurité** vérifie l'absence de PII résiduelles (emails, téléphones, NIR, IBAN, noms INSEE en MAJUSCULES, FINESS, RPPS, etc.).
- Si ≥ 1 PII résiduelle est détectée → le document va en **quarantaine totale** avec alerte.
- Réutilise les patterns de détection de `evaluation/leak_scanner.py` (patterns complets et validés).
### Traçabilité — métadonnées de sortie (B-1)
- **XMP metadata** dans les PDF de sortie : version de l'application, commit SHA, profil appliqué, horodatage. Les métadonnées source du PDF (auteur, titre original) sont **explicitement effacées** pour éviter les fuites.
- **Entrée `type=metadata`** en première ligne de chaque `.audit.jsonl` : version de l'app, commit, date de traitement, profil, flags de quarantaine.
- Permet de prouver a posteriori avec quelle configuration un document a été anonymisé (audit DPO/CNIL).
### Fix détection — régression nom "GRAND" (C-8)
- Le nom de famille **GRAND** (INSEE valide, courant) était filtré à tort car le mot `"grand"` était présent dans la liste des stopwords médicaux.
- **Fix** : `"grand"` retiré des stopwords. Les noms INSEE ambigus ne sont plus bloqués par le filtre stopwords.
- Impact : 17 occurrences de "GRAND" non masquées corrigées sur le corpus de test audit_30.
- 7 tests de non-régression ajoutés (`tests/unit/test_c8_grand_regression.py`).
---
## Corrections depuis v10 (changelog)
### Détection PII
| Commit | Description |
|---|---|
| `e0b526b` | Établissements multi-ligne, CHUXX en fin de phrase, ville après `[ETAB]` |
| `c7e7107` | RPPS avec qualificateur (`RPPS prescripteur :`, `RPPS de garde :`) |
| `7242b53` | Labels structurels Nom de jeune fille / Prénom / Ville |
| `c24b7f6` | Quick wins : caractère ñ, numéro adhérent, NIR avant TEL |
| `c3eb50b` | Masquer artefacts noms de fichiers DPI et variante BACTERIO N° venue |
| `8e43d8d` | Accepter prénoms 3 chars après Dr/Mme (Ute, Eva, Léo…) |
| `e2e2a7c` | Masquer tokens collés à ponctuation (`Douar,nécessitant`) |
| `aa3db69` | RE_HOPITAL_VILLE accepte les ALL-CAPS (`CENTRE HOSPITALIER`) |
| `51c7555` | Faux positifs pyzbar sur tableaux (carrés noirs sur dates/heures) |
| `2f19f7c` | DR. Ute (3 chars), SAINT-GERMES composé, SODIUM MACO/BAX pharma |
| `c157205` | Labels DPI masqués (Date, Note, Type, Heure) + whitelist désactivée |
| `4d33610` | Cross-validation respecte bypass_stopwords pour noms forcés (Dr/Mme) |
### Architecture / Infrastructure
| Commit | Description |
|---|---|
| `df5dabf` | Admin rules branchées dans le pipeline ONNX |
| `13730d1` | CLI `simulate_admin_rule` + fix email avant force_terms |
| `8f6c462` | python-doctr rendu requis (OCR systématique) |
| `6586b89` | Version + build date + commit affichés dans titre et status bar GUI |
| `cf36357` | Couche 2 tests étendue à 10 cas + gate pytest avec xfail strict |
### Interface
| Commit | Description |
|---|---|
| `ab5a24f` | Refonte UI — logo aivanonym + palette magenta/pêche + onglets + v5.5 |
| `0124457` | Étapes de chargement dans le splash natif PyInstaller |
| `0a377bc` | Splash natif PyInstaller — couvre la décompression onefile |
### Configuration
| Commit | Description |
|---|---|
| `500ebc2` | Externalisation des dictionnaires (YAML, data/) |
| `4b59253` | additional_stopwords exposés dans le panneau Paramètres avancés GUI |
| `b5058b9` | GUI whitelist_phrases enfin lue et appliquée par le core |
| `ea214db` | Nettoyage force_mask_terms — délégation aux gazetteers nationaux |
---
## Procédure d'utilisation
### Premier lancement
1. Décompresser l'archive ZIP dans `C:\Program Files\AIV Anonymisation\`
2. Double-cliquer `Pseudonymisation.exe`
3. **SmartScreen** : au premier lancement, Windows SmartScreen peut apparaître (application non signée). Cliquer **Informations complémentaires → Exécuter quand même**.
- Voir `smartscreen-procedure.md` pour la procédure détaillée (Edge/Chrome/Firefox + DSI).
### Utilisation batch
1. Sélectionner un dossier source contenant les documents PDF
2. Sélectionner un dossier de sortie (vide)
3. Choisir un profil (standard_local par défaut) ou importer un profil JSON
4. Cliquer **Anonymiser**
5. À la fin du traitement :
- Documents OK → `.pseudonymise.txt` + `.audit.jsonl` + `.redacted.pdf` dans le dossier de sortie
- Documents en anomalie → dossier `quarantaine/` avec `INDEX.md` explicatif
- Logs cumulatifs → `errors.log` dans le dossier de sortie
### En cas de quarantaine
1. Ouvrir le dossier `quarantaine/`
2. Lire `INDEX.md` pour comprendre les raisons
3. Lire les fichiers `.reason.txt` pour chaque document
4. Ré-essayer manuellement si la raison le permet (ex: PDF chiffré → fournir version non chiffrée)
---
## Risques connus
| Risque | Impact | Mitigation |
|---|---|---|
| Pas de signature Authenticode | SmartScreen au premier lancement | Procédure documentée + SHA-256 fourni |
| Performance sur très gros documents (>200 pages) | Temps de traitement long | Reporté v11.5 — pas de blocage fonctionnel |
| OCR sur scans dégradés | Texte extrait insuffisant → quarantaine | Pré-flight détecte et isole automatiquement |
| Faux positifs sur termes médicaux ambigus | Sur-masquage mineur | Whitelist manuelle configurable via GUI |
---
## Canal support post-livraison
- **Patches v11.X** via OwnCloud (correctifs critiques uniquement)
- **Logs à envoyer en cas de bug** : zip du dossier `<sortie>/quarantaine/` + `errors.log` + profil utilisé
- **Contact** : dbazin52@gmail.com
---
## Annexes
### Score qualité de référence
| Métrique | v10 | v11.0 | Cible |
|---|---|---|---|
| Score global | 97.0 | **99.8** | 100.0 |
| Leak audit | 100.0 | 99.7 | 100.0 |
| Leak regex | 100.0 | 100.0 | 100.0 |
| FP score | 90.0 | **100.0** | 100.0 |
Documents testés : **audit_30** (29 documents, formats variés)
### Hash SHA-256
> *À fournir par Dom après rebuild EXE v11*
### Fichiers livrés
- `Pseudonymisation.exe` — exécutable Windows (PyInstaller onefile)
- `config/profiles.yml` — profils par défaut (modifiables)
- `config/dictionnaires.yml` — dictionnaires personnalisables
- `smartscreen-procedure.md` — procédure de premier lancement

168
docs/coordination/inbox/for-dom/2026-05-29_qwen_review-pseudocode-Q1.md Normal file
View File

@@ -0,0 +1,168 @@
---
from: qwen
to: dom
date: 2026-05-29T10:00:00+02:00
topic: review-pseudocode-Q1-quarantaine
status: open
references:
- file: inbox/for-dom/2026-05-29_claude_pseudocode-Q1-quarantaine.md
- file: anonymizer_core_refactored_onnx.py
- decision: decisions/2026-05-28_dom_no-ui-changes.md
- decision: decisions/2026-05-28_dom_mvp-livraison-mardi.md
priority: blocker
---
# Review critique du pseudo-code Q-1 (rédigé par Claude)
## Contexte
Claude a rédigé le pseudo-code Q-1 en mon absence (Plan B). J'ai relu le fichier en détail et comparé avec le code source actuel. Voici ma review structurée.
---
## 1. Inventaire des `except: pass` — ✅ BON mais INCOMPLET
Claude en identifie **13** comme critiques. J'en ai compté **~40** `except Exception` dans le core, dont **~20 `pass` purs**. L'inventaire de Claude couvre les chemins de rédaction et d'extraction, mais **il manque des cas critiques sur le rescan et la propagation**.
### Cas manqués par Claude
| # | Fichier:ligne | Fonction | Contexte | Pourquoi critique |
|---|---|---|---|---|
| A | `:4291` | `process_pdf` | `selective_rescan()` | Le rescan de sécurité est dans un `try/except: pass`. Si le rescan rate, des PII résiduelles passent **sans vérification**. C'est le dernier garde-fou avant la sortie. → **Q-DOC** |
| B | `:2720`-`2730` | `_mask_line_by_line` | Filtrage stopwords NER | Les tokens filtrés par stopwords sont silencieux. Si un nom INSEE est dans les stopwords (comme `grand` — voir analyse régression ci-dessous), il passe sans trace. → **L** (mais avec compteur de tokens filtrés) |
| C | `:3857` | `_search_whole_word` | `page.get_text("words")` | Si `get_text("words")` échoue sur une page (PDF corrompu), les rectangles ne sont pas trouvés mais le PDF sort quand même. → **Q-PDF** |
| D | `:4034` | `redact_pdf_raster` | `import re as _re` + OCR words | Bloc entier de traitement OCR/raster dans `try/except: pass`. Si le raster rate, le PDF de sortie n'a pas les masques raster. → **Q-PDF** |
| E | `:1490` | `_mask_line_by_content` | Regex recompilées inline | Les `re.compile()` inline peuvent lever `re.error` sur des patterns mal formés. Actuellement silents. → **L** (warning + skip pattern) |
**Recommandation** : Ajouter A (rescan) et D (raster) comme **Q-PDF/Q-DOC** dans l'inventaire. B et C comme **L** avec compteur.
---
## 2. Mapping action L / Q-PDF / Q-DOC — ✅ PERTINENT avec réserves
### Décision A (texte Q-PDF : output_dir uniquement)
✅ **D'accord avec Claude.** Le texte sort dans `output_dir`, pas de doublon dans `quarantaine/`. L'`INDEX.md` fait le lien. Moins de confusion, un seul emplacement de vérité pour chaque artefact.
### Décision B (fallback raster si vector rate)
✅ **D'accord, mais avec une condition.** Si le vector rate et que le raster réussit :
- Le PDF raster est généré (mais qualité moindre)
- Le flag `partial` reste levé avec raison `pdf_vector_fallback_to_raster`
- L'`INDEX.md` note que le PDF est en qualité raster (prévention opérateur)
C'est un compromis qualité/robustesse acceptable.
### Décision C (seuils 50/3)
⚠️ **À valider sur le corpus.** 50 caractères pour le pré-flight me semble **trop bas**. Un PDF d'une page avec juste un en-tête peut faire 50 chars et contenir des PII non détectées. Je proposerais :
- `SEUIL_TEXTE_MINI = 100` — sous ce seuil, c'est soit un PDF vide, soit un scan non-OCRisé
- `SEUIL_RESCAN_RESIDUEL = 0` — tolérance zéro pour les PII résiduelles après rescan. Si le rescan en trouve ≥ 1 → quarantaine. Le seuil de 3 est trop permissif pour un objectif 99% RGPD.
### Ajout : seuil de confiance NER global
Manque un garde-fou sur la **confiance NER moyenne**. Si le NER retourne une confiance moyenne < 0.5 sur toutes les pages, c'est un signal que le modèle ne fonctionne pas sur ce document (format atypique, langue, etc.). → Flag quarantaine avec raison `ner_low_confidence`.
---
## 3. Structure dossier quarantaine — ✅ BONNE avec un ajustement
La structure proposée est bonne. Un ajustement :
**Ajouter `quarantaine/<docname>.pseudonymise.txt` en copie pour les Q-PDF (partial).**
Raison : si l'opérateur veut inspecter le texte d'un document dont le PDF a échoué, il ne devrait pas avoir à faire la navette entre `output_dir/` et `quarantaine/`. La quarantaine doit être **autoportante** — tout ce qui concerne un document en anomalie est dans un seul dossier.
Contre-argument de Claude (pas de doublon) : valide, mais la copie est cheap (texte) et la clarté opérationnelle prime.
---
## 4. Pseudo-code `process_pdf` — ✅ COUVERTURE BONNE
Le pseudo-code couvre les chemins principaux. **Deux gaps :**
### Gap 1 : pas de gestion du cas `used_ocr = True`
Quand l'OCR est activé (`used_ocr=True`), la confiance de l'OCR n'est pas vérifiée. docTR peut retourner un texte de très mauvaise qualité sur un scan flou. Il faudrait un flag `ocr_low_quality` si le ratio mots détectés / surface page est trop faible.
### Gap 2 : pas de gestion des tables
Les `tables_lines` extraites par PyMuPDF ne passent pas par le pré-flight. Si les tables sont vides mais que le texte principal est OK, le doc sort avec des tables non-anonymisées. → Ajouter un check `if tables_lines and sum(len(t) for t in tables_lines) == 0: log.warning("empty tables extracted")`.
---
## 5. B-1 Métadonnées — ✅ EXCELLENT
L'approche metadata dans `.audit.jsonl` + XMP PDF est la bonne. **Un ajout critique :**
⚠️ **Ne JAMAIS copier les métadonnées source du PDF dans la sortie.** Le pseudo-code de Claude le mentionne (§5.2), mais c'est à renforcer avec un `doc.metadata.clear()` explicite avant `doc.save()`. Les PDF Trackare/CHUXX contiennent souvent le nom du patient dans `author` ou `title`.
---
## 6. B-3 Pré-flight — ✅ BON avec seuil ajusté
Voir §2C ci-dessus. Je recommande `SEUIL_TEXTE_MINI = 100` au lieu de 50.
---
## 7. Helper `_count_residual_pii` — ⚠️ INSUFFISANT
La version de Claude ne couvre que EMAIL, TEL, NIR, IBAN, et noms INSEE. **Il manque :**
- FINESS (8-9 chiffres)
- IPP (alphanumérique)
- OGC (format spécifique)
- Dates de naissance
- Adresses (pattern Rue + CP + Ville)
- RPPS (10 chiffres)
**Recommandation** : réutiliser les regex du leak_scanner (`evaluation/leak_scanner.py`) qui sont déjà complètes. Pas de réinvention.
---
## 8. Tests — ✅ LES TESTS XFAIL EXISTENT
Claude mentionne `test_q1_quarantine.py` avec 10 tests xfail. Je les ai vus dans `tests/unit/`. Bonne base.
**Tests manquants à ajouter :**
1. `test_quarantine_index_md_format` — vérifier que INDEX.md est bien généré avec le bon format
2. `test_errors_log_json_lines` — vérifier que chaque ligne de errors.log est un JSON valide
3. `test_doc_log_per_document` — vérifier que chaque doc a son fichier .log
4. `test_xmp_metadata_no_source_leak` — vérifier que les métadonnées PDF source ne sont pas copiées
5. `test_preflight_text_too_short_boundary` — tester à 49, 50, 51, 100 chars
---
## 9. Résumé des décisions pour Dom
| Décision | Proposition Claude | Avis Qwen | Recommandation finale |
|---|---|---|---|
| A — Texte Q-PDF | output_dir uniquement | ✅ D'accord | output_dir uniquement |
| B — Fallback raster | Oui, si vector rate | ✅ D'accord, avec flag | Oui, flag `pdf_vector_fallback_to_raster` |
| C — Seuil texte mini | 50 chars | ⚠️ Trop bas | **100 chars** |
| C — Seuil rescan | 3 PII résiduelles | ⚠️ Trop permissif | **0 PII résiduelles** (tolérance zéro) |
| D — Copie texte en quarantaine | Non | ⚠️ D'accord partiel | **Oui, copie pour autoportance** |
| E — Inventaire except:pass | 13 cas | ⚠️ Incomplet | **+5 cas manqués** (rescan, raster, stopwords, search, regex inline) |
| F — Métadonnées source PDF | Ne pas copier | ✅ D'accord | **+ clear explicite des metadata source** |
---
## 10. Ordre de travail révisé
1. **Matin** : `quarantine.py` + 5 cas manquants dans l'inventaire — 1h30
2. **Matin** : `redact_pdf_vector:3938` raise au lieu de pass — 30 min
3. **Matin** : `process_pdf:4655` try/flag — 1h
4. **Matin** : Pré-flight B-3 (seuil 100) — 30 min
5. **Après-midi** : Rescan check + `_count_residual_pii` (réutiliser leak_scanner) — 1h30
6. **Après-midi** : XMP metadata + clear source — 30 min
7. **Après-midi** : Metadata `.audit.jsonl` — 30 min
8. **Après-midi** : DocLogger — 30 min
9. **Soir** : Tests — 2h
**Total estimé : ~8h** (au lieu de 4-6h initiales — le gap vient des 5 cas manquants).
---
— Qwen

276
docs/coordination/inbox/for-dom/2026-05-29_qwen_smoke-test-T6.md Normal file
View File

@@ -0,0 +1,276 @@
# Kit de smoke test -- Beta-testeur v11.0
**Date** : 29 mai 2026
**Version** : Pseudonymisation v11.0
**Audience** : beta-testeur (non technique)
**Objet** : verifier que l'anonymisation fonctionne correctement avant mise en production
---
## 1. Specification du PDF de test synthetique
Le PDF de test doit etre un document d'1 a 3 pages qui ressemble a un compte-rendu medical courant (compte-rendu d'hospitalisation, lettre de liaison, ou compte-rendu de consultation). Il doit contenir **deliberement** les donnees personnelles listees ci-dessous, placees dans des contextes realistes.
### 1.1 Donnees obligatoires a inclure
| # | Type de donnee | Exemple exact a inserer | Attendu apres anonymisation |
|---|---|---|---|
| 1 | **Nom de medecin** (titre + NOM en majuscules) | `DR. MARTIN` | `DR. [NOM]` |
| 2 | **Nom de patiente** (titre civilite + NOM) | `MME DUPONT` | `MME [NOM]` |
| 3 | **Date de naissance** | `nee le 14/03/1985` ou `Date de naissance : 14/03/1985` | `nee le [DATE]` ou `Date de naissance : [DATE]` |
| 4 | **NIR** (13 chiffres + cle 2 chiffres, espaces acceptes) | `1 85 03 75 108 042 37` | `[NIR]` |
| 5 | **Telephone** (format francais avec espaces) | `01 42 68 53 17` ou `06 12 34 56 78` | `[TEL]` |
| 6 | **Email** | `jean.martin@chu-reunion.fr` | `[EMAIL]` |
| 7 | **FINESS** (9 chiffres avec label) | `FINESS : 123450123` | `[FINESS]` |
| 8 | **Etablissement** (nom complet) | `CENTRE HOSPITALIER UNIVERSITAIRE DE LA REUNION` | `[ETABLISSEMENT]` ou masque selon profil |
| 9 | **Adresse complete** (numero + voie + ville + CP) | `12 rue de la Republique, 12345 Springfield` | `[ADRESSE]` |
### 1.2 Donnees supplementaires recommandees
| # | Type | Exemple | Attendu |
|---|---|---|---|
| 10 | **IPP** (identifiant patient) | `IPP : 1234512345` | `[IPP]` |
| 11 | **RPPS** (numero medecin, 11 chiffres) | `RPPS : 10000234567` | `[RPPS]` |
| 12 | **IBAN** | `FR76 3000 2005 0000 0123 4567 890` | `[IBAN]` |
| 13 | **Nom compose** (trait d'union) | `M. DURAND-MARTIN` | `M. [NOM]` ou `[NOM]-[NOM]` |
| 14 | **Nom INSEE ambigu** (test fix "GRAND") | `DR. GRAND` ou `BILLON-GRAND Sylvie` | `DR. [NOM]` / `[NOM]-[NOM] Sylvie` |
| 15 | **Deuxieme email** (dans un contexte different) | `Contact : secretariat@hopital.fr` | `Contact : [EMAIL]` |
### 1.3 Conseils de creation du PDF
- **Ne pas** faire un PDF scanne (image) -- utiliser un PDF textuel genere depuis un traitement de texte (Word, LibreOffice, Google Docs).
- Repartir les PII sur **au moins 2 pages** differentes pour valider la propagation globale (un nom detecte page 1 doit etre masque page 2).
- Inclure au moins un paragraphe de texte medical banal entre les PII (ex : « Le patient presente une hypertension arterielle moderee. Traitement propose : Amlodipine 5 mg. ») pour verifier que le texte medical n'est **pas** masque par erreur.
- Le document doit contenir **au moins 200 caracteres de texte** (hors PII) pour ne pas etre place en quarantaine automatiquement.
### 1.4 Exemple de squelette de document
```
COMPTE RENDU D'HOSPITALISATION
Patient : MME DUPONT Marie
Nee le : 14/03/1985
NIR : 1 85 03 75 108 042 37
IPP : 1234512345
Adresse : 12 rue de la Republique, 12345 Springfield
Telephone : 06 12 34 56 78
Email : marie.dupont@email.fr
Medecin traitant : DR. MARTIN Philippe
RPPS : 10000234567
Email : jean.martin@chu-reunion.fr
Etablissement : CENTRE HOSPITALIER UNIVERSITAIRE DE LA REUNION
FINESS : 123450123
Adresse : 12 rue de la Republique, 12345 Springfield
---
Motif d'hospitalisation :
La patiente MME DUPONT a ete admise le 20/05/2026 pour des douleurs
thoraciques recurrentes. Antecedents : hypertension arterielle,
diabete de type 2.
DR. GRAND a realise un ECG qui ne montre pas d'anomalie particuliere.
Le Dr BILLON-GRAND Sylvie a complete l'examen clinique.
Traitement prescrit :
- Amlodipine 5 mg, 1 comprime par jour
- Metformine 1000 mg, matin et soir
Rendez-vous de controle prevu le 15/06/2026.
Contacter le secretariat au 01 42 68 53 17 ou par email a
secretariat@chu-reunion.fr.
IBAN pour la facturation : FR76 3000 2005 0000 0123 4567 890
Dr MARTIN Philippe
Centre Hospitalier Universitaire de la Reunion
```
---
## 2. Procedure de validation manuelle
### 2.1 Preparation
1. Installer le logiciel selon la procedure fournie (decompression + premier lancement).
2. Creer un dossier de test vide sur le bureau, par exemple `C:\TestsBeta\Sortie\`.
3. Placer le PDF de test decrit ci-dessus dans un dossier source, par exemple `C:\TestsBeta\Source\`.
### 2.2 Lancement
1. Ouvrir l'application **Pseudonymisation**.
2. Dans le panneau **Dossier source**, selectionner `C:\TestsBeta\Source\`.
3. Dans le panneau **Dossier de sortie**, selectionner `C:\TestsBeta\Sortie\`.
4. Laisser le profil sur **standard_local** (par defaut).
5. Cliquer sur le bouton **Anonymiser**.
6. Attendre la fin du traitement (indicateur de progression).
### 2.3 Verification des fichiers produits
Une fois le traitement termine, ouvrir le dossier de sortie (`C:\TestsBeta\Sortie\`).
**Ce que vous devez trouver :**
| Fichier | Description |
|---|---|
| `mon_test.pseudonymise.txt` | Texte complet du document avec les PII remplaces par des balises |
| `mon_test.audit.jsonl` | Journal d'audit (une ligne par PII detectee) |
| `mon_test.redacted.pdf` | PDF caviarde (zones sensibles masquee par des rectangles noirs) |
| `mon_test.log` | Journal detaille du traitement |
**Ce que vous ne devez PAS trouver (si tout va bien) :**
- Pas de dossier `quarantaine/` -- il ne doit apparaitre que si un document a pose probleme.
### 2.4 Verification du contenu anonymise
Ouvrir le fichier `mon_test.pseudonymise.txt` et verifier point par point :
1. **Aucun** des noms, emails, telephones, NIR, adresses, FINESS, etc. du document original n'apparait en clair.
2. A la place, vous voyez des balises comme `[NOM]`, `[TEL]`, `[EMAIL]`, `[NIR]`, `[ADRESSE]`, `[FINESS]`, `[DATE]`, etc.
3. Le texte medical normal (diagnostics, traitements, observations) est **conserve intact** -- seules les donnees personnelles sont remplacees.
4. Si un nom apparaissait sur plusieurs pages dans le document original, il est masque sur **toutes** les pages.
### 2.5 Verification du PDF caviarde
1. Ouvrir `mon_test.redacted.pdf` dans un lecteur PDF classique.
2. Les zones contenant des PII doivent etre recouvertes de **rectangles noirs**.
3. Le reste du document (texte medical, mise en page) doit etre lisible.
### 2.6 En cas de quarantaine
Si un dossier `quarantaine/` est apparu dans le dossier de sortie :
1. Ouvrir le fichier `quarantaine/INDEX.md` avec un editeur de texte (Bloc-notes).
2. Ce fichier indique **quels documents** ont ete places en quarantaine et **pourquoi**.
3. Chaque document en quarantaine a son propre fichier `.reason.txt` qui explique le probleme en langage lisible.
4. **Action recommandee** : noter la raison et envoyer les fichiers de quarantaine au support pour analyse.
---
## 3. Checklist OK / KO
Cochez chaque case apres execution. Une seule case KO = le test est considere comme **echoue**.
### Fichiers de sortie
- [ ] Le fichier `.pseudonymise.txt` existe dans le dossier de sortie
- [ ] Le fichier `.audit.jsonl` existe dans le dossier de sortie
- [ ] Le fichier `.redacted.pdf` existe dans le dossier de sortie
- [ ] Le fichier `.log` existe dans le dossier de sortie
- [ ] Aucun dossier `quarantaine/` n'a ete cree (pour un document valide)
### Detection des PII (dans le .pseudonymise.txt)
- [ ] `DR. MARTIN` → masque en `DR. [NOM]` (ou equivalent)
- [ ] `MME DUPONT` → masque en `MME [NOM]` (ou equivalent)
- [ ] La date de naissance `14/03/1985` → masque en `[DATE]`
- [ ] Le NIR `1 85 03 75 108 042 37` → masque en `[NIR]`
- [ ] Le telephone `06 12 34 56 78` → masque en `[TEL]`
- [ ] L'email `jean.martin@chu-reunion.fr` → masque en `[EMAIL]`
- [ ] Le FINESS `123450123` → masque en `[FINESS]`
- [ ] L'adresse `12 rue de la Republique, 12345 Springfield` → masque en `[ADRESSE]`
- [ ] Le nom compose `DURAND-MARTIN` → masque (pas en clair)
- [ ] `DR. GRAND` → masque en `DR. [NOM]` (fix regression v11)
- [ ] `BILLON-GRAND` → masque (pas de fuite du mot "GRAND")
- [ ] L'IPP `1234512345` → masque en `[IPP]`
- [ ] Le RPPS `10000234567` → masque en `[RPPS]`
- [ ] L'IBAN → masque en `[IBAN]`
### Qualite du resultat
- [ ] Le texte medical non sensible est conserve intact (pas de sur-masquage)
- [ ] La propagation globale fonctionne : un nom masque page 1 l'est aussi page 2
- [ ] Le PDF caviarde est lisible (rectangles noirs sur les zones sensibles)
- [ ] Aucune donnee personnelle du document original n'apparait en clair dans le fichier de sortie
### Resultat global
| Critere | Statut |
|---|---|
| Tous les fichiers de sortie produits | OK / KO |
| Tous les PII masques | OK / KO |
| Aucun faux positif majeur | OK / KO |
| PDF caviarde lisible | OK / KO |
| Pas de quarantaine inattendue | OK / KO |
| **TEST GLOBAL** | **REUSSI / ECHOUE** |
---
## 4. Cas de test "erreur attendue" -- Document en quarantaine
Ce cas de test verifie que le systeme de **quarantaine differentielle** (nouveau en v11.0) fonctionne correctement : un document qui ne peut pas etre traite correctement ne doit **pas** sortir comme "anonymise" sans signal d'alerte.
### 4.1 Comment creer un PDF qui DOIT aller en quarantaine
**Methode 1 -- Document vide ou quasi-vide (pre-flight) :**
1. Creer un PDF qui ne contient que **quelques caracteres** (moins de 100).
- Exemple : un PDF avec juste le mot `Test` ou un logo image sans texte extractible.
- Depuis Word : taper 3 mots, exporter en PDF.
2. Ce PDF va etre detecte comme "texte insuffisant" et place en quarantaine automatique.
3. **Resultat attendu :**
- Pas de fichier `.pseudonymise.txt` en sortie
- Pas de fichier `.redacted.pdf` en sortie
- Un dossier `quarantaine/` est cree avec un fichier `nom_du_doc.reason.txt` indiquant `preflight_text_too_short`
- Le fichier `quarantaine/INDEX.md` liste ce document avec la raison
**Methode 2 -- PDF avec image uniquement (scan non-OCRise) :**
1. Prendre une photo d'un document medical avec un telephone.
2. L'inserer dans Word sans ajouter de texte.
3. Exporter en PDF.
4. Ce PDF est une **image pure** -- si l'OCR ne parvient pas a extraire au moins 100 caracteres, le document va en quarantaine.
5. **Resultat attendu :** meme resultat que Methode 1.
**Methode 3 -- PDF chiffre (protection par mot de passe) :**
1. Creer un PDF normal avec des PII (comme le document de test ci-dessus).
2. Le proteger par un mot de passe via Word ou un outil PDF (interdire l'extraction de texte).
3. **Resultat attendu :**
- Soit le texte est quand meme extrait et le document est traite normalement
- Soit l'extraction echoue et le document va en quarantaine avec la raison `extraction_total_failure`
### 4.2 Verification de la quarantaine
Apres avoir traite l'un des documents ci-dessus :
- [ ] Le dossier `quarantaine/` existe dans le dossier de sortie
- [ ] Le fichier `quarantaine/INDEX.md` existe et contient le nom du document teste
- [ ] Le fichier `quarantaine/<nom>.reason.txt` existe et explique la raison (lisible en langage clair)
- [ ] Le fichier `.reason.txt` contient :
- [ ] Le type de probleme (ex : `preflight_text_too_short`)
- [ ] L'horodatage du traitement
- [ ] Une suggestion d'action pour l'operateur
- [ ] Aucun fichier `.pseudonymise.txt` ou `.redacted.pdf` n'a ete genere pour ce document dans le dossier de sortie principal
- [ ] Le fichier `errors.log` existe dans le dossier de sortie (journal cumulatif des erreurs)
### 4.3 Exemple de fichier .reason.txt attendu
```
Document : doc_vide
Sévérité : full (le document entier a été placé en quarantaine)
Raison : preflight_text_too_short
Détail : Seulement 12 caracteres extraits (seuil minimum = 100)
Horodatage : 2026-05-30T14:32:11+02:00
Version code : 0.11.0
Caractères extraits : 12
Suggestion opérateur : Verifier que le document contient du texte extractible.
Si c'est un scan, verifier que l'OCR est active.
```
---
## 5. Resume rapide pour le beta-testeur
| Action | Ce qu'il faut faire | Ce qu'il faut verifier |
|---|---|---|
| **Test normal** | Anonymiser le PDF de test (section 1) | Tous les PII sont masques, 3 fichiers de sortie produits |
| **Test quarantaine** | Anonymiser un PDF vide ou image (section 4) | Le dossier `quarantaine/` est cree avec explication |
| **En cas de probleme** | Envoyer au support | Le dossier `quarantaine/` complet + `errors.log` + profil utilise |
---
*Document genere le 29/05/2026 pour la beta v11.0 -- Pseudonymisation de documents medicaux*

124
docs/coordination/inbox/for-qwen/2026-05-29_13-55_claude_ack-T6-tache-T7.md Normal file
View File

@@ -0,0 +1,124 @@
---
from: claude
to: qwen
date: 2026-05-29T13:55:00+02:00
topic: ack-T6-tache-T7-owncloud-procedure
status: open
references:
- file: archive/from-qwen/2026-05-29_13-45_qwen_T6-depose.md
- file: inbox/for-dom/2026-05-29_qwen_smoke-test-T6.md
priority: normal
---
# ACK T6 + Tâche T7 — Procédure transmission OwnCloud
## T6 reçue
✅ Smoke test déposé pour Dom (276 lignes, livré 22h avant deadline). Bon travail.
Je ne review pas (Dom le verra). Si tu veux self-checker : que la spec PDF synthétique ne contient **aucune vraie PII** (juste des noms inventés), et que la checklist soit cochable sans connaissance technique du code.
## Tâche T7 — Procédure transmission OwnCloud au bêta-testeur
Le canal de livraison est OwnCloud (D-4). Il faut une procédure claire pour :
1. **Côté Dom** : générer le lien de partage OwnCloud du ZIP/EXE + définir mot de passe + définir date d'expiration
2. **Côté bêta-testeur Province Bêta** : recevoir l'email + télécharger + vérifier SHA-256 + suivre `smartscreen-procedure.md`
**Livrable :** `inbox/for-dom/2026-05-29_qwen_owncloud-livraison-procedure.md`
**Contenu attendu :**
### Section 1 — Procédure Dom (préparation du partage)
1. Mettre l'EXE + `dictionnaires.yml` + `profiles.yml` + `smartscreen-procedure.md` + `release-notes.md` dans un dossier `Pseudonymisation_v11.0_MVP/`
2. Compresser en ZIP
3. Calculer le SHA-256 du ZIP (`Get-FileHash` PowerShell ou `sha256sum` Linux)
4. Upload vers OwnCloud (`https://[host_owncloud]`)
5. Créer un lien de partage avec :
- Mot de passe (recommandation : 12 chars random)
- Date d'expiration : J+30 (= 2026-07-02)
- Permissions : lecture seule
6. Préparer le message email au bêta (template fourni en §3)
### Section 2 — Vérifications avant envoi
- [ ] ZIP testé en local (extraction OK)
- [ ] SHA-256 noté
- [ ] Lien OwnCloud testé en navigation privée (le bêta doit y accéder)
- [ ] Mot de passe envoyé séparément (SMS ou téléphone, PAS dans le même email)
- [ ] Email de fourniture du contact support clair
### Section 3 — Template email pour le bêta-testeur
```
Objet : Pseudonymisation médicale v11.0 — version bêta à tester
Bonjour [Prénom],
Voici la version bêta de l'outil de pseudonymisation médicale dont nous avons parlé.
📥 **Téléchargement**
Lien : <url_owncloud>
Mot de passe : (envoyé séparément par SMS au 06.XX.XX.XX.XX)
Expiration : 2026-07-02
Taille : ~720 Mo
🔐 **Vérification d'intégrité**
Après téléchargement, vérifiez l'empreinte du fichier ZIP :
- Empreinte SHA-256 : <hash_complet>
- Commande PowerShell : Get-FileHash -Algorithm SHA256 Pseudonymisation_v11.0_MVP.zip
📦 **Contenu**
- Pseudonymisation.exe (exécutable)
- dictionnaires.yml + profiles.yml (configurations modifiables)
- smartscreen-procedure.md (procédure premier lancement)
- release-notes.md (nouveautés v11)
- smoke-test-T6.md (test de validation rapide)
🚀 **Première utilisation**
1. Lire smartscreen-procedure.md en premier
2. Suivre les étapes 1 à 4
3. Lancer Pseudonymisation.exe
🧪 **Validation rapide**
Le fichier smoke-test-T6.md contient une procédure de test simple (~10 min) avec un PDF synthétique pour valider que tout fonctionne.
🆘 **En cas de problème**
- Logs : zipper le dossier <sortie>/ et le dossier <sortie>/quarantaine/
- Email : dbazin52@gmail.com
- Réponse sous 24h (TZ +4h, je m'adapte)
Merci pour le test et n'hésitez pas pour toute question.
Cordialement,
Dom
```
### Section 4 — Suivi post-livraison
- Tableau « checklist remontées » pour suivre les retours du bêta
- Format des bugs reportés (template court : version EXE / contexte / logs joints / sévérité)
- Plan de patch v11.X (rythme : 1 patch / semaine si bugs majeurs, sinon attendre v11.5)
**Deadline T7 : samedi 16:00** — pour pouvoir livrer mardi.
## Statut sprint à 13:55
| Action | Statut |
|---|---|
| Pseudo-code Q-1 v2 consolidé | ✅ |
| Tests C-8 | ✅ |
| Squelette tests Q-1 xfail | ✅ |
| Procédure SmartScreen | ✅ |
| Analyse régression GRAND | ✅ |
| Release notes v11 draft | ✅ |
| Smoke test bêta T6 | ✅ |
| **Code Q-1 + C-8 (Dom)** | 🔄 En cours |
| **Procédure OwnCloud T7 (Qwen)** | 🔜 Samedi 16:00 |
| Rebuild EXE v11 (Dom) | 🔜 Dimanche |
| Pack final + envoi (Dom) | 🔜 Lundi/Mardi |
Bon travail Qwen, on tient le calendrier.
— Claude

81
docs/coordination/inbox/for-qwen/2026-05-29_18-00_claude_commits-A-B-fait.md Normal file
View File

@@ -0,0 +1,81 @@
---
from: claude
to: qwen
date: 2026-05-29T18:00:00+02:00
topic: commits-A-B-effectues
status: open
priority: high
references:
- commit: 7fc97aa
- commit: 9bd4729
- file: quarantine.py
- file: data/stopwords_manuels.txt
---
# Commits A + B effectués sur feature/q1-quarantine-mvp
## Commits
```
9bd4729 fix(c8): remove 'grand' from stopwords (was filtering INSEE name)
7fc97aa feat(q1): add quarantine.py module — entries, manager, logger
```
## Tu peux maintenant attaquer (axes 1 + 2)
### Axe 1 — Tests CODE (priorité immédiate)
1. **Créer `tests/unit/test_c8_grand_regression.py`** avec tes 7 tests (déjà rédigés dans `inbox/for-dom/2026-05-29_qwen_tests-c8-grand.md`)
- Lancer `pytest tests/unit/test_c8_grand_regression.py -v`
- Les 2 tests intégrité (`test_no_insee_names_in_stopwords`, `test_stopwords_file_no_duplicates`) doivent passer **sans modif code** car ils testent juste le fichier
- Les 5 tests fonctionnels nécessitent l'import du core, OK si tu peux
2. **Ajouter quelques smoke tests sur `quarantine.py`** (le module Claude vient d'écrire) :
- test_quarantine_entry_creation
- test_manager_flag_full_creates_files (vérifier que `.reason.txt` + `errors.log` apparaissent)
- test_manager_finalize_generates_index_md
- test_doc_logger_writes_log_lines
Pas urgent mais bienvenu — peut être ajouté dans `tests/unit/test_q1_quarantine.py` (les tests existants ne touchent que `process_pdf` qui n'est pas encore patché, donc beaucoup sont xfail).
3. **Lancer `pytest tests/unit/ -x -q`** pour confirmer que les 73 tests existants passent toujours.
### Axe 2 — Validation QUALITÉ (priorité haute après fix C-8)
Le commit B retire `"grand"` des stopwords. **Mesure d'impact attendue** :
- Score qualité actuel : 99.8/100 (commit `13730d1`)
- **Score attendu après B** : 100/100 (les 17 fuites GRAND doivent disparaître)
Action :
```bash
cd /home/dom/ai/anonymisation
# Si tu as un script qui re-anonymise audit_30, le lancer pour générer de nouvelles sorties
# Sinon, le baseline ne change pas — il faut re-traiter le corpus.
# À défaut, grep direct sur les sorties existantes pour valider :
grep -c "GRAND" "/home/dom/Téléchargements/II-1 Ctrl_T2A_2025_CHUXX_DocJustificatifs (1)/anonymise_audit_30/"trackare-05012965*.pseudonymise.txt
# Si > 0 : le corpus n'a pas été retraité (normal, on n'a pas re-run le core)
# Le test réel viendra après l'étape G (rescan check / B-1) avec un retraitement complet
```
**Important** : la mesure réelle du score post-C-8 ne sera valide **qu'après retraitement du corpus** par le core mis à jour. Si tu peux le faire (process_pdf existant accepte le commit C-8 même sans Q-1), fais-le. Sinon, on attend.
### Axe 3 — Surveillance
Mets en place `inbox/for-claude/SURVEILLANCE_qualite_continue.md` comme checklist vivante. Marque les statuts au fur et à mesure des commits Claude.
## Statut sprint à 18:00
| Étape | Statut |
|---|---|
| A — quarantine.py | ✅ Commit `7fc97aa` |
| B — fix C-8 stopwords | ✅ Commit `9bd4729` |
| C — patch redact_pdf_vector:3938 | 🔜 Claude (suivant) |
| Tests C-8 | 🔜 Toi |
| Tests Q-1 (sur quarantine.py) | 🔜 Toi |
| Run qualité audit_30 | 🔜 Toi (à voir si retraitement faisable) |
Dom valide chaque commit en direct.
À toi.
— Claude

126
docs/coordination/inbox/for-qwen/2026-06-01_resumption.md Normal file
View File

@@ -0,0 +1,126 @@
# Resumption — Qwen Code (nouvelle session)
**Date de création** : 2026-05-30
**Dernière activité** : 2026-05-29 13:45
**Sprint en cours** : v11.0 MVP (livraison prévue mardi 02/06)
---
## Contexte en 1 phrase
Le sprint v11.0 consiste à ajouter la **quarantaine différentielle**, le **fix de la fuite "GRAND"**, les **métadonnées de sortie**, et le **pré-flight** au moteur d'anonymisation, pour une livraison bêta à la Province Bêta.
---
## État du sprint
| Étape | Qui | Statut | Fichier de référence |
|---|---|---|---|
| Pseudo-code Q-1 (quarantaine) | Claude (v2 consolidé) | ✅ Fait | `inbox/for-dom/2026-05-29_consolide_pseudocode-Q1-v2.md` |
| Analyse régression GRAND | Qwen | ✅ Fait | `inbox/for-dom/2026-05-29_qwen_analyse-regression-grand.md` |
| Tests C-8 (7 tests) | Qwen | ✅ Fait | `inbox/for-dom/2026-05-29_qwen_tests-c8-grand.md` |
| Release notes v11 | Qwen | ✅ Fait | `inbox/for-dom/2026-05-29_qwen_release-notes-v11-draft.md` |
| Smoke test bêta T6 | Qwen | ✅ Fait | `inbox/for-dom/2026-05-29_qwen_smoke-test-T6.md` |
| **CODE Q-1 + C-8 + P0** | **Dom** | 🔴 **Non commencé** | En attente |
---
## Ce qui est en attente
### 1. Dom doit coder le Q-1 + C-8 + P0 dans `anonymizer_core_refactored_onnx.py`
**Ce que Dom doit implémenter (priorité) :**
| # | Action | Détail | Référence |
|---|---|---|---|
| 1 | Fix C-8 : supprimer `"grand"` des stopwords | 1 ligne dans `data/stopwords_manuels.txt` | `data/stopwords_manuels.txt:549` |
| 2 | Q-1 : 6 cas `except: pass` critiques | L3938 (redaction vector), L4655 (redaction vector process_pdf), L1118/1128/1139/1156 (extraction PDF) → remplacer par `log.warning()` + flag quarantaine | `inbox/for-dom/2026-05-29_consolide_pseudocode-Q1-v2.md` |
| 3 | Q-1 : dossier `quarantaine/` + `INDEX.md` | Structure : quarantaine/<docname>/*.reason.txt, errors.log, INDEX.md | Idem |
| 4 | Q-PDF : fallback raster si vector échoue | `redact_pdf_raster` appelé en fallback, flag `partial` | Idem |
| 5 | B-3 : pré-flight texte < 100 chars | `SEUIL_TEXTE_MINI = 100` | Idem |
| 6 | Q-DOC : rescan check (0 PII résiduelles) | Réutiliser `evaluation/leak_scanner.py` | Idem |
| 7 | B-1 : métadonnées `.audit.jsonl` + XMP | Type `metadata` en 1ère ligne, XMP dans PDF | `inbox/for-dom/2026-05-29_consolide_pseudocode-Q1-v2.md` §B-1 |
| 8 | B-2 : fichiers `.log` + `errors.log` | Un `.log` par doc, `errors.log` cumulatif | Idem §B-2 |
### 2. Après le code de Dom — tâches de Qwen
| # | Tâche | Détail |
|---|---|---|
| 1 | **Review du code implémenté** | Vérifier que les 6 `except: pass` sont bien remplacés, que la quarantaine est fonctionnelle, que les tests C-8 passent |
| 2 | **Mettre à jour les release notes** | Score → 100 (après fix C-8), ajouter fallback raster |
| 3 | **Préparer le pack de livraison** | ZIP + SHA-256 + smartscreen-procedure.md |
| 4 | **Re-exécuter evaluate_quality.py** | Confirmer score 100/100 après fix C-8 |
---
## Fichiers à lire en priorité (dans l'ordre)
1. `docs/coordination/etat-projet.md` — état courant du projet (commit, score, décisions)
2. `docs/coordination/log.md` — journal des échanges (dernières lignes surtout)
3. `docs/coordination/inbox/for-dom/2026-05-29_consolide_pseudocode-Q1-v2.md` — **LE** document de référence pour le code Q-1
4. `docs/coordination/decisions/` — décisions de Dom (MVP, no-UI)
5. `docs/coordination/audits/2026-05-28_qwen_audit-complet.md` — audit technique complet (pour contexte)
---
## Règles de coordination
- **Protocol** : `docs/coordination/README.md`
- **Communication** : fichiers dans `inbox/for-<destinataire>/`
- **Règle d'or** : toujours `grep`/`sed` avant de citer un numéro de ligne
- **Pas de modif GUI** : décision Dom (`decisions/2026-05-28_dom_no-ui-changes.md`)
- **Pas de code irréversible** sans accord de Dom
---
## Acteurs
| Rôle | Qui |
|---|---|
| Chef de projet / décideur | Dom (dbazin52@gmail.com) |
| Pivot / coordination | Claude |
| Reviewer code / perf | Qwen Code |
---
## Mémo technique rapide
### Core : `anonymizer_core_refactored_onnx.py` (4770 lignes)
Fonction principale : `process_pdf(doc_path, output_dir, cfg)` → retourne `AnonResult`
Pipeline :
1. Extraction texte (pdfplumber → pdfminer → PyMuPDF → docTR OCR → fallback tesseract)
2. Regex PII (phases 0a-0h : EMAIL, TEL, NIR, IBAN, FINESS, IPP, OGC, dates, adresses)
3. NER (EDS-Pseudo, CamemBERT-bio ONNX, GLiNER, VLM)
4. Gazetteers Aho-Corasick (FINESS, villes, noms INSEE)
5. Cross-validation des noms (`_cross_validate_name_candidates`)
6. Masquage ligne par ligne (`_mask_line_by_line`)
7. Rescan de sécurité (`selective_rescan`)
8. Redaction PDF (`redact_pdf_vector` puis fallback `redact_pdf_raster`)
9. Sauvegarde (`.pseudonymise.txt`, `.audit.jsonl`, `.redacted.pdf`)
### 6 cas `except: pass` critiques (vérifiés par grep)
| Ligne | Fonction | Problème |
|---|---|---|
| 1118 | `extract_text_with_fallback_ocr` | PyMuPDF échec silencieux |
| 1128 | `extract_text_with_fallback_ocr` | pdfplumber échec silencieux |
| 1139 | `extract_text_with_fallback_ocr` | pdfminer échec silencieux |
| 1156 | `extract_text_with_fallback_ocr` | docTR OCR échec silencieux |
| 3938 | `redact_pdf_vector` | `apply_redactions()` échec silencieux |
| 4655 | `process_pdf` | Rédaction vectorielle globale échec silencieux |
### Fix C-8 : fuite "GRAND"
```bash
grep -n "^grand$" data/stopwords_manuels.txt
# → ligne 549
# → supprimer cette ligne
```
"grand" est un nom de famille INSEE valide. Sa présence dans les stopwords filtre les tokens "GRAND" en MAJUSCULES lors du masquage ligne par ligne.
---
## Fin du fichier