feat: sanitisation déterministe des codes CIM-10 hors périmètre CPAM

Le LLM (deepseek) propose systématiquement des codes alternatifs (D62,
T81.0, T80, R39.2) malgré l'interdiction dans le prompt. Ces codes
déclenchaient des warnings CRITIQUE → Tier C automatique.

Solution conforme au principe "LLM propose, moteur de règles dispose" :
- _sanitize_unauthorized_codes() supprime les codes hors whitelist du
  texte de la réponse AVANT toute validation
- Nettoyage propre : "D62 — libellé" → "libellé", "(D62)" → ""
- _build_whitelist_prefixes() factorisé en helper partagé
- Sanitisation appliquée après génération ET après correction
- 9 tests unitaires couvrant tous les cas (parenthèses, tirets, multiple)

Résultat live : 0 warning CRITIQUE "code hors périmètre" sur 3 dossiers
(vs 6 warnings CRITIQUE avant). Le seul CRITIQUE restant est le score
adversarial bas, qui reflète des limites de raisonnement du modèle.

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
dom
2026-02-20 15:18:42 +01:00
parent 8e0ed1220d
commit 1844d1be7e
3 changed files with 285 additions and 38 deletions

View File

@@ -110,6 +110,145 @@ def _validate_references(parsed: dict, sources: list[dict]) -> list[str]:
# Regex pour capturer les codes CIM-10 (ex: K81.0, E87, Z45.80)
_CIM10_CODE_RE = re.compile(r"\b([A-Z]\d{2}\.?\d{0,2})\b")
# Champs textuels de la réponse LLM à scanner pour les codes CIM-10
_TEXT_FIELDS = (
"analyse_contestation",
"contre_arguments_medicaux",
"contre_arguments_asymetrie",
"contre_arguments_reglementaires",
"conclusion",
)
def _build_whitelist_prefixes(
dossier: DossierMedical,
controle: ControleCPAM,
) -> set[str]:
"""Construit la whitelist de préfixes CIM-10 autorisés (3 chars).
Sources : DP + DAS du dossier, dp_ucr + da_ucr + dr_ucr du contrôle.
"""
prefixes: set[str] = set()
def _add(raw: str) -> None:
raw = raw.strip()
if not raw:
return
norm = normalize_code(raw)
if norm and len(norm) >= 3:
prefixes.add(norm[:3])
if dossier.diagnostic_principal and dossier.diagnostic_principal.cim10_suggestion:
_add(dossier.diagnostic_principal.cim10_suggestion)
for das in dossier.diagnostics_associes:
if das.cim10_suggestion:
_add(das.cim10_suggestion)
for field in (controle.dp_ucr, controle.da_ucr, controle.dr_ucr):
if not field:
continue
for raw in re.split(r"[,;\s]+", field.strip()):
_add(raw)
return prefixes
# Patterns pour supprimer proprement un code hors périmètre et ses artefacts :
# "D62 — libellé" → "libellé"
# "(D62)" → ""
# "D62" → ""
_SANITIZE_PATTERNS = [
# "CODE — libellé" ou "CODE - libellé"
re.compile(r"\b[A-Z]\d{2}\.?\d{0,2}\s*[—–\-]\s*"),
# "(CODE)" avec espaces optionnels
re.compile(r"\(\s*[A-Z]\d{2}\.?\d{0,2}\s*\)"),
# "CODE" seul
_CIM10_CODE_RE,
]
def _sanitize_unauthorized_codes(
parsed: dict,
dossier: DossierMedical,
controle: ControleCPAM,
) -> list[str]:
"""Supprime les codes CIM-10 hors périmètre des champs textuels de la réponse.
Modifie `parsed` in-place. Applique le principe « LLM propose, moteur de
règles dispose » : le texte garde le sens médical mais les codes inventés
sont retirés pour éviter les warnings CRITIQUE.
Returns:
Liste des codes supprimés (pour logging).
"""
whitelist = _build_whitelist_prefixes(dossier, controle)
if not whitelist:
return []
removed: list[str] = []
def _is_authorized(code_str: str) -> bool:
norm = normalize_code(code_str)
return bool(norm and len(norm) >= 3 and norm[:3] in whitelist)
def _replace_code(match: re.Match) -> str:
"""Callback de remplacement : garde le code si autorisé, supprime sinon."""
code = _CIM10_CODE_RE.search(match.group(0))
if not code:
return match.group(0)
if _is_authorized(code.group(0)):
return match.group(0)
if code.group(0) not in removed:
removed.append(code.group(0))
return ""
# Sanitiser les champs textuels
for key in _TEXT_FIELDS:
val = parsed.get(key)
if not val or not isinstance(val, str):
continue
new_val = val
for pattern in _SANITIZE_PATTERNS:
new_val = pattern.sub(
lambda m, _p=pattern: _replace_code(m),
new_val,
)
# Nettoyage artefacts : doubles espaces, parenthèses vides
new_val = re.sub(r"\(\s*\)", "", new_val)
new_val = re.sub(r" +", " ", new_val)
new_val = new_val.strip()
if new_val != val:
parsed[key] = new_val
# Sanitiser aussi les preuves_dossier.valeur
preuves = parsed.get("preuves_dossier")
if preuves and isinstance(preuves, list):
for p in preuves:
if not isinstance(p, dict):
continue
v = p.get("valeur", "")
if not v or not isinstance(v, str):
continue
new_v = v
for pattern in _SANITIZE_PATTERNS:
new_v = pattern.sub(
lambda m, _p=pattern: _replace_code(m),
new_v,
)
new_v = re.sub(r"\(\s*\)", "", new_v)
new_v = re.sub(r" +", " ", new_v).strip()
if new_v != v:
p["valeur"] = new_v
if removed:
for code in removed:
norm = normalize_code(code)
is_valid, label = validate_code(norm)
label_str = f" ({label})" if is_valid and label else ""
logger.info("Sanitize : code %s%s hors périmètre supprimé du texte", code, label_str)
return removed
def _validate_codes_in_response(
parsed: dict,
@@ -125,43 +264,13 @@ def _validate_codes_in_response(
Returns:
Liste de warnings pour les codes hors périmètre.
"""
# 1. Construire la whitelist (préfixes 3 chars)
whitelist_prefixes: set[str] = set()
def _add_code(raw: str) -> None:
raw = raw.strip()
if not raw:
return
norm = normalize_code(raw)
if norm and len(norm) >= 3:
whitelist_prefixes.add(norm[:3])
# Codes du dossier
if dossier.diagnostic_principal and dossier.diagnostic_principal.cim10_suggestion:
_add_code(dossier.diagnostic_principal.cim10_suggestion)
for das in dossier.diagnostics_associes:
if das.cim10_suggestion:
_add_code(das.cim10_suggestion)
# Codes de l'UCR
for field in (controle.dp_ucr, controle.da_ucr, controle.dr_ucr):
if not field:
continue
for raw in re.split(r"[,;\s]+", field.strip()):
_add_code(raw)
whitelist_prefixes = _build_whitelist_prefixes(dossier, controle)
if not whitelist_prefixes:
return []
# 2. Extraire les codes CIM-10 de la réponse LLM (hors citations RAG)
# 2. Extraire les codes CIM-10 de la réponse LLM
text_fields = []
for key in (
"analyse_contestation",
"contre_arguments_medicaux",
"contre_arguments_asymetrie",
"contre_arguments_reglementaires",
"conclusion",
):
for key in _TEXT_FIELDS:
val = parsed.get(key)
if val and isinstance(val, str):
text_fields.append(val)