Files

Domi31tls e0b526b2c7 fix(detect): établissements multi-ligne, CHCB en fin de phrase, ville après [ETAB] (#3 #4 #5 )

Trois fixes qui font passer 009_multi_etablissements en vert et
ferment la liste des fuites identifiées par la couche 2.

#3 — `Centre Hospitalier Universitaire de Bordeaux` coupé sur deux lignes
Nouveau pattern `RE_ETAB_LINEBREAK` (strict) en pré-passe sur la page
entière, juste avant le découpage en lignes. Match `<TYPE>\n<suite>`
avec :
- TYPE limité (Centre Hospitalier, Hôpital, Clinique, Polyclinique,
  CHU, CHRU, CHS) ;
- un seul `\n` autorisé entre TYPE et suite ;
- la suite démarre obligatoirement par un connecteur typique
  (Universitaire, de, d', du, des, la, le, les) puis UN nom propre.
Évite le FP `CENTRE HOSPITALIER COTE BASQUE\nService d'anesthésie`
(le `\n` n'est pas immédiat après le type, donc pas de match).

#4 — `CHCB` en fin de phrase suivi de ` ;`
`_kv_value_only_mask` splittait `transféré au CHCB pour la rééducation ;`
sur le `;` du `SPLITTER` (`\s*[:|;\t]\s*`), produisant une value vide.
La key contenait CHCB mais n'était passée qu'à `_mask_critical_in_key`
qui ne couvre pas les force_terms admin_rules.
Fix : fallback sur `_mask_line_by_regex(line)` (qui appelle
`_apply_overrides` → force_terms) si la value est vide ou la key
dépasse 5 mots (heuristique narrative).

#5 — `Biarritz` non masqué après `[ETABLISSEMENT] à Biarritz`
`_mask_ville_gazetteers` skippait par sécurité toute ville détectée
juste après un placeholder établissement précédé de `de/du/d'/à`. Le
`à` était inclus pour éviter les FP, mais c'est la préposition de
LOCALISATION par excellence : `Clinique Aguilera à Biarritz` perd
Biarritz à tort. Restreint le skip à `de/du/d'` (qui sont des parties
de nom d'établissement type `CHU de Bordeaux`). `à` reste actif.

Couche 2 entièrement verte : 73 passed, 0 xfailed (avant : 72 + 1
xfailed). KNOWN_FAILURES vidé. La gate pytest est désormais le
contrat de non-régression sur 10 documents complets.

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

2026-04-28 11:32:45 +02:00

3.0 KiB

Raw Blame History

Revue 009 — compte rendu multi-établissements

Famille documentaire : consultation neurologique impliquant trois établissements distincts cités dans le narratif (CHCB, CHU de Bordeaux, Clinique Aguilera). Document typique du parcours de soin patient passant d'un établissement à l'autre.

Patterns testés :

établissement principal en entête (CHCB) ;
établissement secondaire en narratif (Centre Hospitalier Universitaire de Bordeaux, CHU de Bordeaux) — variantes longue et courte du même établissement ;
établissement privé en narratif (Clinique Aguilera) — pas dans les gazetteers FINESS publics par défaut, doit être détecté contextuellement via le mot-clé Clinique ;
prénoms basques rares (Iban, Xabi, Maïté, Beñat) sur trois noms de médecins différents — risque de FN si gazetteer prénoms incomplet ;
nom composé avec accent (Maïté) ;
code CIM G56.8 cité littéralement — préservation obligatoire.

Points critiques :

aucun token nominal de patient (SALABERRY Iban) ni des trois médecins (ELISSALDE Xabi, LARRALDE Maïté, ITHURRIAGUE Beñat) ne doit fuiter ;
les villes Bordeaux, Biarritz, Bayonne et le nom d'établissement Aguilera doivent toutes disparaître ;
le sigle CHCB doit être masqué (force_term) ;
le terme CHU de Bordeaux doit être masqué — y compris la version courte qui ne contient pas explicitement Centre Hospitalier ;
terminologie médicale dense doit rester intacte : neuropathie périphérique, réflexes ostéotendineux, rééducation fonctionnelle, EMG, IRM médullaire.

Écarts résolus dans la session 2026-04-28 :

Centre Hospitalier Universitaire de Bordeaux coupé sur deux lignes : pré-passe RE_ETAB_LINEBREAK ajoutée dans la phase 1 — fusionne strictement les coupures <TYPE>\n<connecteur+nom> (avec un seul nom propre maximum derrière) sans grignoter la ligne suivante non liée. Couvre aussi CHU\nde Bordeaux.
CHCB non masqué en fin de phrase suivi de ; : le SPLITTER (\s*[:|;\t]\s*) splittait la ligne narrative sur le ; final, produisant une "value" vide. La key (qui contenait CHCB) n'était pas passée à _mask_line_by_regex (donc pas aux force_terms). Fix dans _kv_value_only_mask : si la value est vide ou la key dépasse 5 mots, fallback sur _mask_line_by_regex(line) complet.
Biarritz non masqué après [ETABLISSEMENT] à Biarritz : le garde-fou _mask_ville_gazetteers skippait toute ville après un placeholder établissement précédé de de/du/d'/à. Restreint à de/du/d' (parties de nom d'établissement) — à reste actif pour les vraies localisations.
Beñat partiellement masqué : déjà résolu via l'extension Ñ/ñ dans les classes de caractères (commit c24b7f6).

Variantes établissement gérées :

forme longue Centre Hospitalier Universitaire de Bordeaux ;
forme sigle CHU de Bordeaux ;
coupures de ligne sur les deux ;
établissement privé Clinique Aguilera détecté via RE_HOPITAL_VILLE.

3.0 KiB Raw Blame History

Revue 009 — compte rendu multi-établissements

3.0 KiB

Raw Blame History