feat: architecture multi-modèles LLM + quality engine + benchmark

- Multi-modèles : 4 rôles LLM (coding=gemma3:27b-cloud, cpam=gemma3:27b-cloud,
  validation=deepseek-v3.2:cloud, qc=gemma3:12b) avec get_model(role)
- Prompts externalisés : 7 templates dans src/prompts/templates.py
- Cache Ollama : modèle stocké par entrée (migration auto ancien format)
- call_ollama() : paramètre role= (priorité: model > role > global)
- Quality engine : veto_engine + decision_engine + rules_router (YAML)
- Benchmark qualité : scripts/benchmark_quality.py (A/B, métriques CIM-10)
- Fix biologie : valeurs qualitatives (troponine négative) non filtrées
- Fix CPAM : gemma3:27b-cloud au lieu de deepseek (JSON tronqué par thinking)
- CPAM max_tokens 4000→6000, viewer admin multi-modèles
- Benchmark 10 dossiers : 100% DAS valides, 10/10 CPAM, 243s/dossier

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

config/bio_rules.yaml

@@ -0,0 +1,34 @@
+version: 2
+
+# Règles biologiques (contradiction bio ⇒ ruled_out)
+# + garde-fou "preuve manquante" (diag d'ionogramme sans valeur extraite ⇒ NEED_INFO)
+#
+# Objectif: éviter des FAIL "bêtes" quand la biologie contredit clairement un diagnostic,
+# et éviter des PASS "trop optimistes" quand on n'a même pas la valeur biologique.
+#
+# Hiérarchie des seuils:
+# - Priorité aux normes du document (ex: [N: 135-145])
+# - Sinon fallback config/reference_ranges.yaml
+# - Si âge inconnu/enfant: safe zones conservatrices (reference_ranges.yaml)
+
+missing_evidence:
+  enabled: true
+  veto: VETO-17
+  severity: LOW
+  score_penalty: 2
+
+rules:
+  hyponatremia:
+    enabled: true
+    codes: ["E87.1"]   # hyponatrémie
+    analyte: sodium
+
+  hyperkalemia:
+    enabled: true
+    codes: ["E87.5"]   # hyperkaliémie
+    analyte: potassium
+
+  hypokalemia:
+    enabled: true
+    codes: ["E87.6"]   # hypokaliémie
+    analyte: potassium