# وحدة أمراض الشرايين التاجية (القلب) — الوثيقة المرجعية النهائية الشاملة **تاريخ الإعداد:** 2026-09-29 **الحالة:** توثيق لما هو **منشور فعلياً** في `Heart_Disease_Project` (الفرع `spacy-integration`، آخر تعديل ذي صلة بالقلب: `f96cd62`)، مبني على قراءة كاملة لريبو البحث `omnidiag_experiments/heart/` وريبو الإنتاج `Heart_Disease_Project/`. > **ملاحظة منهجية مهمة قبل أي شيء:** يوجد رقمان لكل مقياس أداء في هذا الملف: رقم **النموذج المؤرشف القديم** (XGBoost، `heart_full_tuned.pkl`، عتبة 0.3695) ورقم **النموذج المشحون فعلياً اليوم** (Spline-GLM، `heart_l3_glm_stack.pkl`، بلا عتبة). كثير من الالتباس الذي عانى منه يحيى بين الريبوهين مصدره أن ملفات `evaluation_evidence/heart/*.json` (باستثناء ملف الأهمية) **لم تُعَد كتابتها بعد التحول إلى GLM في Phase 8** وما زالت تصف النموذج القديم. هذا موضّح بالتفصيل في القسم 8 وفي كل جدول أرقام أدناه. --- ## 1. نظرة عامة ### ماذا تتنبأ الوحدة بالضبط؟ الوحدة تقدّر احتمال وجود **تضيّق أكثر من 50% في أي وعاء تاجي رئيسي** (كما يظهر في القسطرة القلبية)، لدى مريض **أُحيل فعلاً للقسطرة من قِبل طبيب**. التصنيف الثنائي المصدر: `HeartDisease = 1[num > 0]` حيث `num` هو رمز شدة المرض في بيانات UCI (0–4). النتيجة المعروضة ليست احتمالاً مقارَناً بعتبة، بل **قرار من ثلاث حالات**: - `referral` — إحالة / تأكيد إضافي. - `no_referral` — لا إحالة. - `uncertain` — غير مؤكد، **ويُعامَل كإحالة في كل مكان بالنظام** (`prediction = 1`, `decision_is_referral = true`). يرافق كل قرار احتمال معاير بفاصل `[p_lower, p_upper]` (طبقة Venn-Abers)، لا رقم واحد. ### السكان المستهدف **كل مريض في بيانات التدريب قرر طبيب إحالته للقسطرة.** هذا يحدد بدقة ما تعِد به الوحدة: **مساعدة الطبيب بعد قرار الإحالة، وليس فحص/فرز عامة الناس.** اختُبر هذا إحصائياً (نتائج Phase 7، §3): الموقع يتنبأ بالمرض حتى بعد ضبط العمر والجنس والألم الصدري (p = 6×10⁻¹²)، وزيورخ وحدها كانت تُقسطر المشتبه بهم بشدة فقط (100% من مرضى اختبار الجهد السلبي في زيورخ مصابون فعلاً). `configs/heart_disease.yaml` يذكر صراحة أن الادعاء القديم في نسخة الإعدادات ("non-invasive triage" / فرز غير جراحي عام) **غير مدعوم** وتم تصحيحه (كان هذا الخطأ HF-6 في سجل الاكتشافات، أُصلح في Phase 8؛ الوصف الحالي في `heart_disease.yaml` يقول صراحة: "Not a general-population screen"). ### ماذا لا تفعله الوحدة (صراحة) - **لا تدّعي** أن اختبار الجهد بلا فائدة سريرية — فقط أن أربعة مستشفيات لم تثبت فائدته إحصائياً (قد يضيف 3–5 نقاط AUC غير مثبتة). - **لا تدّعي** أن الاحتمال المعروض صحيح في مستشفى جديد بلا معايرة محلية — المعايرة (IVAP) مبنية على **مزيج مستشفيات التدريب**، لا على انتشار المرض في المستشفى الذي يقرأ النتيجة. - **لا تدّعي** أن ضمان تغطية 90% (Mondrian conformal) ينتقل إلى مستشفى بانتشار مختلف جوهرياً — انكسر فعلياً على بعض الفئات الفرعية (تفصيل في §5 و§7). - **لا تنشر عتبة قرار واحدة ولا شرائح خطر (HIGH/MODERATE/LOW)** — أُلغيت عمداً في Phase 8 لأن المعايرة أثبتت أنها لا تنتقل بين المستشفيات (`risk_bands: null` في الإعدادات). - **لا تُشرح فيها SHAP الاحتمال المعروض للمريض** — بل الدرجة الخام على مقياس log-odds فقط (تفصيل في §5). --- ## 2. البيانات ومصادرها ### مصدر التدريب: UCI Heart Disease (4 مستشفيات، 920 مريضاً) | المستشفى | عدد المرضى | نسبة الإصابة | ملاحظات | |---|---|---|---| | Cleveland | 303 | 45.9% (139 مصاب) | الملف الخام الأصلي (76 عموداً) **تالف**؛ تحققات ترميز الألم الصدري والتصنيف اعتمدت على 3 مستشفيات فقط | | Hungarian | 294 | 36.1% (106 مصاب) | ميل ST غائب بنيوياً لـ 188 من 190 حالة عندما Oldpeak=0؛ كل 158 مريضاً بلا تفصيل أوعية مصنّفون "أصحاء" (طريقة تسجيل مختلفة، لا يمكن حسمها من البيانات) | | Zurich (Switzerland) | 123 | 93.5% (115 مصاب) | الكوليسترول = 0 لكل الـ123 مريضاً (يعني "لم يُقَس")؛ الموقع الذي كشف مشكلة FastingBS الفارغة (75 من 90 قيمة غائبة فيه) | | Long Beach VA | 200 | 74.5% (149 مصاب) | 49 قيمة كوليسترول = 0؛ استعمال أدوية أثناء اختبار الجهد (حاصرات بيتا 52%، نترات 57%) يغيّر معنى MaxHR وOldpeak هناك | **الفترة الزمنية:** 1982–1987 (الوسيط 1985) في المواقع الثلاثة المسجَّلة. **هذا يجعل التقسيم الزمني للتحقق مستحيلاً** — لذلك اعتُمد التحقق عبر المستشفيات (Leave-One-Site-Out) كأساس، لا التقسيم الزمني. **لا تكرار حقيقي:** فُحصت الأزواج المتطابقة في الميزات، وتبيّن أنها مرضى مختلفون فعلياً؛ لم يُستبعد أي مريض على هذا الأساس. **الاستبعادات المعتمدة:** - `ca` (عدد الأوعية الملوّنة بالتنظير الفلوري) و`thal` (اختبار الثاليوم) — **مستبعدان لأنهما جراحيان/غير متاحين في الإنتاج قبل القسطرة نفسها**. - المجموعة النهائية المشحونة (L3) تستخدم **7 من 11 ميزة** متاحة أصلاً (تفصيل كامل في §3 و§4). ### مصدر التحقق الخارجي: Z-Alizadeh Sani (طهران)، 303 مريضاً - الانتشار: 71.3% (216 مصاب). - 58% ذكور، متوسط العمر 58.9. - **الوضع الخاص لهذه المجموعة:** طهران وُصفت في الريبو البحثي بأنها **"محترقة" (burnt)** — قِيست مراراً أثناء حل مشكلة ترميز الألم الصدري المقلوبة (HF-1، §4)، فلا يُستعمل أي رقم منها لاختيار أي شيء في سلّم المقارنات. `configs/heart_disease.yaml` يكرر هذا صراحة: *"a secondary, BURNT cohort — it was measured repeatedly while the chest-pain coding was being resolved, so no number from it selects anything."* - **قيد بنيوي:** النموذج الكامل القديم (11 ميزة) لا يمكن تقييمه على طهران مباشرة لأن 4 من ميزاته (MaxHR, Oldpeak, ST_Slope, ExerciseAngina) غير متاحة في تلك المجموعة. التقييم يتم فقط على المجموعات السبع المشتركة (L2/L2nc/L3). --- ## 3. الـ Preprocessing (كما هو منفّذ فعلياً اليوم في `scripts/train_heart_glm.py` و `backend/heart_glm/stack.py`) ### 3.1 المدخلات السبع (L3) — بالترتيب الذي يقرأها النموذج ``` INPUT_FEATURES = ["Age", "Sex", "ChestPainType", "RestingBP", "Cholesterol", "FastingBS", "RestingECG"] ``` الميزات الأربع الأخرى المقبولة في الـ API لكن **لا يقرؤها النموذج إطلاقاً**: `MaxHR`, `Oldpeak`, `ExerciseAngina`, `ST_Slope` (`UNUSED_INPUT_FEATURES`). أُبقيت في الـ schema حتى يبقى الرجوع إلى XGBoost القديم ممكناً بتعديل سطرين في الإعدادات فقط، بلا تعديل الـ schema. ### 3.2 ترميز الألم الصدري — خريطتان منفصلتان تماماً، وهذا الأهم في كل الـ pipeline اكتُشف أن ترميز `ChestPainType` في ملفات UCI الخام **معكوس عن معناه الموثَّق**: الفئة المسماة "ASY" (بلا أعراض) هي في الواقع أعلى فئة خطراً وتحمل الثلاثة عناصر التشخيصية للذبحة النموذجية (خلف القص، يثيرها الجهد، تخففها الراحة)، بينما "TA" (ذبحة نموذجية اسماً) لا تحمل أياً منها. هذا هو الاكتشاف **HF-1**، الأهم في كل عملية إعادة التقييم. - `CP_MAP_UCI_RAW = {ASY: 3.0, NAP: 2.0, ATA: 1.0, TA: 0.0}` — **للتدريب فقط**، تُستخدم حصراً في `encode_for_training()`. - `CP_MAP_CLINICAL = {TA: 3.0, ATA: 2.0, NAP: 1.0, ASY: 0.0}` — **للاستدلال فقط**، تُستخدم حصراً في `encode_for_inference()`. رموز الـ API والواجهة تبقى بمعناها السريري الصحيح دائماً (لم تُمس أصلاً — الخطأ كان عند حدود النموذج فقط، وليس في الواجهة أو قارئ الملاحظات). - خريطة تحويل ثالثة (`CP_RAW_TO_CLINICAL`) **مُشتقة برمجياً** من الخريطتين أعلاه (بمطابقة عدد السمات الذبحية)، لا مكتوبة يدوياً، لتفادي أن تصبح "موضعاً ثالثاً يعود منه HF-1". يُفحص عند الاستيراد (`ImportError` إن اختل التطابق) — يستخدمها فقط مسار رفع ملفات دفعة (`/batch`) تُعلن صراحة أنها بترميز UCI الخام. **أثر هذا الترميز على القرار الطبي:** فئة "ذبحة نموذجية" (TA) تعطي **دائماً وعند 100% من المرضى** خطراً أعلى من "بلا سمات ذبحية" (ASY) — بمقدار ثابت 1.3527 logit (لأن الترميز one-hot، فالإزاحة ثابتة لكل مريض، فكل مقارنة إما 100% أو 0% بالضبط). هذا **ليس ترتيباً سريرياً بالمعنى الطبي العام**، بل أثر انحياز إحالة موروث من بيانات القسطرة 1982–1987: من وصل للقسطرة بلا أي شكوى ألم، وصل غالباً لسبب أخطر (نتيجة اختبار جهد إيجابية مثلاً). هذا مكتوب صراحة في `heart_glm/stack.py` وفي `heart_disease.yaml` ولا يُخفى. ### 3.3 ترميز باقي المتغيرات ```python Age, RestingBP, Cholesterol -> أرقام مستمرة (numeric coercion) Sex -> Sex_m: {M: 1.0, F: 0.0} FastingBS -> FastingBS_cat: {0: "0", 1: "1"} (فئة ثنائية صريحة، لا رقم) RestingECG -> فئة كما هي ``` **قرار مهم من `decision_log.md` (D-14, D-26):** في المنشور القديم، `FastingBS` كان يُعوَّض كرقم مستمر عبر `IterativeImputer`، ما ولّد قيماً كسرية وسالبة (−0.094 إلى 0.363) لمتغير ثنائي أصلاً — خطأ إحصائي واضح (HF-4). النموذج الحالي يعامله دائماً كفئة `{0, 1}` مع غياب = NaN يُعوَّض بالأكثر تكراراً **داخل الـ fold**، لا كفئة "Missing" منفصلة. لماذا لا فئة Missing؟ لأن التجربة أثبتت (D-20 ثم D-26) أن فئة "Missing" الصريحة كانت في الواقع **علامة على مستشفى زيورخ** (75 من 90 قيمة FastingBS الغائبة جاءت من زيورخ، حيث 94% من المرضى مصابون)، فرفعت الخطر المُقدَّر 9 إلى 24 نقطة زيادة كاذبة — فسُحب هذا الترميز (D-26). ### 3.4 خط أنابيب المعالجة (`build_pipeline()` في `stack.py`) ``` ColumnTransformer: ├── numeric [Age, RestingBP, Cholesterol]: │ IterativeImputer(random_state=42, max_iter=10) │ → StandardScaler() │ → SplineTransformer(n_knots=4, degree=3, include_bias=False) ├── binary [Sex_m]: │ SimpleImputer(strategy="most_frequent") └── categorical [cp_anginal, FastingBS_cat, RestingECG]: SimpleImputer(strategy="most_frequent") → OneHotEncoder(handle_unknown="ignore", drop="first") → LogisticRegression(C=0.1, max_iter=5000) ``` كل خطوة تُضبط **داخل كل fold تدريب فقط** (لا تسريب معلومات من مجموعة الاختبار)، بالإصرار على أن ملف التدريب يُحسب له sha256 يُفحص عند كل بناء صورة Docker، فيفشل البناء صراحةً لو تغيّر ملف البيانات دون تحديث البصمة المسجَّلة. ### 3.5 قرارات تاريخية مهمة مفسِّرة (من `decision_log.md`) - **D-25:** بعد الضبط المتداخل (nested tuning)، لم يثبت أن ميزات اختبار الجهد (L1، 11 ميزة) تتفوق على L3 (7 ميزات ما قبل الجهد) عبر أربعة مستشفيات — الفرق الأساسي المعلن كان +0.030 [−0.00004, +0.059] (يلامس الصفر بالضبط). لذلك اعتُمد L3 كمجموعة الشحن النهائية، مع صياغة معلنة: "اختبار الجهد قد يضيف 3–5 نقاط لم تُثبت بأربعة مستشفيات". سبب إضافي حاسم: L3 قابل للقياس على طهران، وL1 ليس كذلك (طهران لا تملك MaxHR/Oldpeak/ST_Slope/ExerciseAngina). - **D-26:** سحب فئة "Missing" الصريحة لـ FastingBS (تفصيل أعلاه، §3.3). - **D-70/D-71 (من سياق مراقبة الانحراف، لكنها توضح فضاء الترميز):** أي مقارنة انحراف بين مرجع ونموذج حي يجب أن تتم في **نفس فضاء الترميز الذي يقرؤه النموذج** لا على الأعمدة الخام، لأن `ChestPainType` له ترميزان متضادان بالضبط. --- ## 4. اختيار الموديل والمقارنات (رحلة الـ Gates) ### 4.1 نقطة البداية: الرقم القديم كان متفائلاً بالبناء قبل أي تعديل، أعاد فريق البحث إنتاج كل رقم منشور سابقاً بإصدارات backend نفسها (xgboost 3.3.0، scikit-learn 1.9.0)، وطابق **143 من 151 رقماً** تماماً (بما فيها كامل بحث Optuna: 0.8886 نفسه). **الاكتشاف الحاسم في Phase 0:** الرقم العنوان القديم **0.8886** (ROC-AUC) هو **قيمة دالة الهدف المُعظَّمة على نفس الـ folds التي اختيرت منها المعاملات والعتبة** — أي رقم "داخل العيّنة" بالبناء، لا أداء حقيقي على بيانات لم يرها النموذج. البديل الصادق حينها كان الـ **nested LOSO = 0.813**، وحتى هذا استُبدل لاحقاً بـ random-effects عبر المواقع مع فترة تنبؤ (انظر §4.3). ### 4.2 سلّم التسريب (Leakage Ladder) — سبع طبقات معلنة قبل أي رقم (`layers.md`) نفس المرضى، نفس التقسيم (LOSO)، نفس نموذج XGBoost بإعدادات ثابتة غير مضبوطة (`n_estimators=400, learning_rate=0.03, max_depth=3, subsample=0.8, colsample_bytree=0.8, min_child_weight=5`، 5 بذور)، تختلف الطبقات في **المدخلات فقط**: | الطبقة | الميزات | random-effects AUC [95%] | فترة التنبؤ | τ² | أسوأ موقع | |---|---|---|---|---|---| | L0 (القيم الحارسة كقيم فعلية) | 11 | 0.820 [0.660, 0.914] | [0.32, 0.98] | 0.208 | Long Beach 0.710 | | L1 (معالجة المنشور القديمة) | 11 | 0.821 [0.703, 0.899] | [0.47, 0.96] | 0.106 | Long Beach 0.743 | | L1s (الغياب كفئة صريحة) | 11 + مؤشرات | 0.825 [0.677, 0.914] | [0.36, 0.98] | 0.182 | Long Beach 0.732 | | Lsite (+ هوية المستشفى) | 12 | 0.827 [0.695, 0.909] | [0.42, 0.97] | 0.142 | Long Beach 0.740 | | **L3 (ما قبل الجهد + ECG الراحة) — المشحونة** | **7** | **0.794 [0.681, 0.874]** | **[0.48, 0.94]** | 0.078 | Long Beach 0.712 | | L2 (ما قبل أي فحص) | 6 | 0.793 [0.691, 0.867] | [0.52, 0.93] | 0.058 | Long Beach 0.717 | | L2nc (بلا ألم صدري) | 5 | 0.666 [0.578, 0.743] | [0.49, 0.80] | 0.014 | Zurich 0.525 | **ثمن كل قرار (فرق مزدوج على المرضى المحجوزين أنفسهم):** | المقارنة | ΔAUC [95%] | الحكم | |---|---|---| | الألم الصدري (L2 − L2nc) | **+0.130 [+0.064, +0.196]** | **REAL** — أكبر أثر منفرد في السلّم بأكمله | | اختبار الجهد (L1 − L3) | +0.029 [−0.004, +0.063] | لا دليل (بعد الضبط المتداخل: +0.030 [−0.00004, +0.059]) | | إصلاح التعويض الخاطئ (L1s − L1) | +0.009 [−0.004, +0.022] | لا دليل | | هوية المستشفى (Lsite − L1) | +0.009 [+0.0005, +0.018] | REAL إحصائياً، تافه سريرياً | ### 4.3 مقارنة النماذج الخمس (Gate 4) — على L3 وL1، ضبط متداخل (nested) | النموذج | AUC على L3 [95%] | AUC على L1 [95%] | تكلفة النشر (L3) | |---|---|---|---| | **M1 Spline-GLM (المشحون)** | **0.802 [0.675, 0.887]** | 0.839 [0.708, 0.918] | 0.11 ث تدريب / 7.0 مللي ث تنبؤ / 15 KB | | M2 XGBoost | 0.801 [0.685, 0.881] | 0.829 [0.718, 0.902] | 0.31 ث / 9.9 / 255 KB | | M3 XGBoost بقيود رتابة | 0.801 [0.689, 0.879] | 0.829 [0.705, 0.907] | 0.29 ث / 9.8 / 335 KB | | M4 EBM (منحنيات مرتّبة) | 0.803 [0.684, 0.884] | 0.837 [0.700, 0.919] | 15.3 ث / 9.5 / 3.7 MB (مصحَّحة في errata.md، كانت 3.8 MB في gate_4 الأصلي) | | M5 FasterRisk (بطاقة نقاط) | 0.778 [0.659, 0.864] | 0.823 [0.689, 0.907] | 2.0 ث / 8.8 / 13 KB | | M6 TabPFN | **لم يُختبر** — قيد الذاكرة (~1GB متاح) والترخيص | | | **الحكم:** لا نموذج يتفوق على آخر بشكل مثبت إحصائياً، عدا خسارة واحدة: FasterRisk على L3 أضعف بفارق REAL (−0.025 [−0.047, −0.003]). كل النماذج الأربعة الأخرى ضمن هامش 0.002 من بعضها على L3. **التعديلات الرياضية (Phase 5):** سبعة تعديلات على دالة الخسارة (قيود رتابة، موازنة فئات، ranking loss، focal loss، انحدار شدة) قِيست على بيانات تطوير ثم فُحصت على المستشفى المحجوز — **لا واحد منها اشترى مكسباً مثبتاً**؛ ranking loss فقط أثبتت **خسارة** حقيقية (−0.027 [−0.053, −0.002]). درس منهجي مسجَّل: بفترة ثقة ساذجة كانت قيود الرتابة ستُعلن "مكسباً مثبتاً" على بيانات التطوير، واختفى الأثر تماماً على البيانات المحجوزة — تصحيح Nadeau–Bengio منع ادعاءً كاذباً. ### 4.4 لماذا Spline-GLM تحديداً — قرار D-30، انحراف معلن عن القاعدة القاعدة المعلنة مسبقاً لاختيار العائلة كانت: تغطية Mondrian conformal ≥ 0.85 لكل خلية. **هذه القاعدة لم تُنتج مرشّحاً واحداً:** الثلاثة المرشحون (GLM وEBM وXGB-monotone) سقطوا جميعاً على شرط التغطية في مستشفى Hungarian (تغطية 0.834 للـGLM تحديداً)، لأن انتشار المرض هناك (36%) أقل بكثير من مواقع التدريب الأخرى — **خاصية للمستشفى لا للنموذج**. بدلاً من ذلك اختير **Spline-GLM على L3 كانحراف معلن (D-30)** لأسباب مقيسة: - **الوحيد المحصّن تقريباً من فراغ الكوليسترول** (أثر +0.5 نقطة، مقابل +5.3 و+5.7 لغيره من المرشحين). - لا فرق يُذكر في Brier score مقارنة بالمرشحين الآخرين. - **الأفضل معايرةً على طهران** (scaled Brier 0.24 مقابل 0.12 و−0.01 للمرشحين الآخرين). - **مفهوم بالكامل رياضياً** — قابل للتفسير الجمعي الدقيق (§5). ### 4.5 الإنصاف (HF-13) — لماذا Mondrian conformal حسب الجنس بعتبة واحدة (كما في النموذج القديم)، كانت حساسية النساء **0.74** مقابل **0.94** للرجال. التمييز (AUC) لم يكن السبب (AUC النساء 0.79–0.82، يساوي الرجال أو يفوقهم)، والسبب الحقيقي: **انتشار مختلف جذرياً** (26% نساء مقابل 63% رجال) مع عتبة واحدة مشتركة. قِيست أربعة خيارات بتصميم معلن مسبقاً (على 194 امرأة في المستشفيات المحجوزة، منهن 50 مريضة): | الخيار | حساسية النساء [95%] | إحالات إضافية / 100 امرأة | حساسية الرجال | "غير مؤكد" | |---|---|---|---|---| | عتبة واحدة (السابق) | 0.74 [0.60, 0.86] | — | 0.94 | — | | معايرة حسب انتشار المجموعة | 0.72 [0.58, 0.84] | −2.6 | 0.95 | — | | هدف حساسية موحّد | 0.98 [0.94, 1.00] | +30.9 | 0.94 | — | | **Mondrian حسب (الجنس × الفئة) — المعتمد (D-33)** | **0.88 [0.78, 0.96]** | **+19.6** | **0.91** | **38–42%** | اختيار يحيى الصريح (D-33): ضمان رياضي بدل معايرة يدوية، ويقول "لا أعرف" صراحة بدل عتبة هشة مبنية على 25–40 حالة فقط. **الثمن المعلن:** 4.4 نساء سليمات مُحالات لكل مريضة إضافية مكتشفة، وانخفاض حساسية الرجال 3 نقاط. **لا يصلح الفجوة داخل مستشفى منخفض الانتشار:** Hungarian تبقى عند 0.58 لحساسية النساء المريضات. --- ## 5. الـ Post-processing — الآلية التقنية الدقيقة (من `backend/heart_glm/stack.py`) النموذج المشحون **ليس** درجة خام تُقارَن بعتبة، بل ثلاث طبقات مبنية داخل نفس الـ bundle: ``` درجة خام (raw score من الـ GLM) │ ├──► IVAP (Venn-Abers الدقيقة) ──► احتمال معاير + [p_lower, p_upper] │ └──► Mondrian conformal حسب (الجنس × الفئة) ──► {referral, no_referral, uncertain} ``` ### 5.1 المعايرة: IVAP الدقيقة (`ivap()`, `stack.py:255-276`) Inductive Venn-Abers Predictor — منقولة حرفياً من `p6_common.ivap` في ريبو البحث. لكل درجة اختبار `s`: 1. يُضاف `s` إلى مجموعة المعايرة (`cal_scores`) مرتين: مرة بافتراض التصنيف 0، ومرة بافتراض التصنيف 1. 2. يُبنى انحدار متساوي التوتر (Isotonic Regression) على كل من المجموعتين، فينتج `p0` (الاحتمال المتوقع بافتراض 0) و`p1` (بافتراض 1). 3. الاحتمال النهائي المعروض: **p = p1 / (1 − p0 + p1)**. 4. عرض `[p_lower, p_upper] = [p0, p1]` كفاصل — عرضه = عدم يقين مجموعة المعايرة نفسها حول هذا المريض تحديداً، **يُعرض دائماً، لا يُخفى أبداً**. **بيانات المعايرة (cal_scores/cal_labels):** ليست مجموعة منفصلة، بل **توقعات out-of-fold من 5-fold cross-fitting**، مطبقة على نفس الـ 920 مريضاً، مصنّفة (stratified) حسب (الموقع × الجنس × التصنيف) ببذرة ثابتة 42. هذا الـ cross-fitting هو ما يجعل خلايا العدّ صالحة للاستعمال أصلاً — يوجد فقط 50 امرأة مريضة في كامل البيانات. **الحد المعلن صراحةً (D-32/HF-15):** المعايرة **لا تنتقل بين المستشفيات**. قِيس intercept بعد IVAP لكل موقع محجوز على حدة: | النطاق | intercept بعد IVAP | المعنى | |---|---|---| | كل المحجوزين مجتمعين | −0.09 | يبدو ممتازاً | | Cleveland | −0.49 | النموذج يبالغ في الخطر | | Hungarian | −0.67 | النموذج يبالغ في الخطر | | **Zurich** | **+2.37** | **الـ odds الحقيقية أعلى بنحو 11 ضعفاً مما يقوله النموذج** | | Long Beach | +0.33 | النموذج يُقلّل من الخطر | IVAP نفسها لا تحل هذا (ΔBrier −0.005 [−0.021, +0.011]) لأنها تُعاير على مزيج مستشفيات التدريب فقط، ولا تعرف انتشار مستشفى لم تره من قبل. **الاحتمال المعروض معاير على "مزيج مستشفيات التدريب" (`probability_scale: "ivap_calibrated_training_mix"`) لا على انتشار المستشفى الذي يقرأ النتيجة** — هذا مذكور صراحة في كل استجابة API. ### 5.2 القرار: Mondrian Conformal حسب (الجنس × الفئة) (`conformal_quantile()`, `conformal_set()`, `decide()`, `stack.py:279-317`) - **α = 0.10** — ثابت `ALPHA` في الكود، معامل `conformal_alpha` في الإعدادات. - لكل خلية `(sex, class) ∈ {F,M} × {0,1}`، يُحسب **الكوانتيل المطابق (conformal quantile)** من درجات out-of-fold غير المطابقة (nonconformity scores) عند نفس النسبة `(1−α)`: ```python k = ceil((n+1) * (1-alpha)); quantile = sorted(nonconformity)[k-1] # أو ∞ إن كانت الخلية صغيرة جداً ``` - لكل مريض جديد بدرجة `score` وجنس `sex`: - `in1 = (1 - score) <= quantile(sex, class=1)` — هل الدرجة نموذجية بما يكفي لفئة "مصاب"؟ - `in0 = score <= quantile(sex, class=0)` — هل نموذجية بما يكفي لفئة "سليم"؟ - **القرار:** - `in1 and not in0` → **referral** (المجموعة {1} فقط). - `in0 and not in1` → **no_referral** (المجموعة {0} فقط). - كلاهما أو لا واحد منهما → **uncertain** (مجموعة {0,1} أو مجموعة فارغة — الحالتان تُعاملان كـ "غير مؤكد" في القرار D-33). - **`uncertain` تُحسَب "إحالة" دائماً** في `prediction` و`decision_is_referral` — القاعدة صريحة في الكود: عد المريض "غير مؤكد" فقط كسلبي يُسقط الحساسية إلى 0.60 للنساء و0.43 للرجال (قِيس في Phase 7). **الضمان الإحصائي:** لكل خلية (جنس × فئة)، 90% من مرضى تلك الخلية يقع تصنيفهم الصحيح داخل مجموعة التنبؤ. **قِيس على المستشفى المحجوز فعلياً:** | الفئة | التغطية المقيسة | |---|---| | المرضى (كل الجنسين) | 0.91 | | الأصحاء (كل الجنسين) | 0.89 | | النساء المريضات | 0.88 | | الرجال المرضى | 0.91 | **الانكسار المقصود والمُعلَن — الضمان لا ينتقل بلا تحفظ:** - Hungarian، النساء المريضات: **0.58** فقط (7 من 12). - Long Beach، الأصحاء: **0.63**. - Zurich: "لا إحالة" المؤكد صحيح في **36% فقط** من الحالات. ### 5.3 SHAP على مقياس log-odds الخام (`shap_log_odds()`, `stack.py:322-344`) بما أن الـ GLM جمعي تماماً على مقياس اللوجيت (`logit = intercept + Σ_f g_f(x_f)`)، فإن SHAP التدخلي (interventional SHAP) بخلفية مستقلة **دقيق بالبناء لا تقريبي**: ``` φ_f = Σ_{j ∈ أعمدة الميزة f} w_j × (x_j − mean_j) base_value = intercept + Σ_j w_j × mean_j # القيمة الأساسية = المُعترَض (intercept) بعد إضافة متوسط الخلفية logit(score_raw) = base_value + Σ_f φ_f # جمع بلا باقٍ ``` **القيمة الأساسية المعروضة (base value) هي مُعترَض النموذج (intercept)**، كما طُلب صراحةً في المهمة. التحقق الرقمي المسجَّل: خطأ الجمع الأقصى على الـ 920 مريضاً = **1.6×10⁻¹⁵**، ومطابقة مع `shap.LinearExplainer` و`shap.PermutationExplainer` بخطأ < 10⁻⁶. **الحد المعلن صراحةً (`shap_scale: "log_odds_raw_score"` في كل استجابة `/explain`):** هذا الشرح **لا** يفسّر الاحتمال المعروض المعاير بـ IVAP — لأن IVAP رتيبة (monotone) لكنها **غير خطية**، فلا يوجد تفكيك جمعي رياضياً للاحتمال المعاير بعدها. الترتيب النسبي لأهمية الميزات (|φ|) يبقى صحيحاً لأن IVAP رتيبة، لكن لا يصح قول "هذه المساهمة تساوي كذا من نسبة الخطر المعروضة". القيم المعوَّضة (imputed) تُوسَم صراحةً بحقل `imputed: true` في `chart_data` حتى لا تُقرأ كقيمة المريض الحقيقية. ### 5.4 أهمية الميزات على مستوى النموذج (من `heart_l3_glm_importance.json`، مُولَّد من الـ bundle المشحون) | الميزة | متوسط \|φ\| | |---|---| | **cp_anginal (الألم الصدري)** | **0.9306** | | Sex_m | 0.3459 | | Age | 0.2670 | | RestingBP | 0.0651 | | RestingECG | 0.0651 | | FastingBS_cat | 0.0615 | | Cholesterol | 0.0592 | **ملاحظة مهمة:** هذا الملف حلّ محل `shap_importance.json` القديم الذي كان يصف نموذج XGBoost غير المشحون أصلاً (F0-1) — الملف القديم لا يزال موجوداً في الريبو لكنه موسوم `_SUPERSEDED` بصراحة داخل محتواه، ويحذّر من استعماله لأي قرار توثيق أو قائمة تحذير. ### 5.5 التحذير من الحقول الفارغة — قاعدة مشتقة، لا قائمة مكتوبة يدوياً القائمة تُشتق من مصدرين: (أ) `blank_impact` — مقيسة وقت بناء الـ bundle على القرارات الفعلية، (ب) القاعدة `blank_warning_min_decision_share: 0.01` في الإعدادات. **القائمة نفسها لا تُكتب في أي مكان** — تُشتق ديناميكياً حتى لا تتقادم مع النموذج. | الحقل | يقرؤه النموذج؟ | متوسط Δ (نقطة) | p90 | قرارات تتغير | يُحذَّر؟ | |---|---|---|---|---|---| | RestingBP | نعم | −0.468 | 0.766 | 33 (3.84%) | **نعم** | | Cholesterol | نعم | +0.487 | 2.403 | 25 (3.48%) | **نعم** | | FastingBS | نعم | −0.721 | 0.0 | 23 (2.77%) | **نعم** | | MaxHR | لا | 0.0 بالضبط | 0.0 | 0 (0.00%) | لا | | Oldpeak | لا | 0.0 بالضبط | 0.0 | 0 (0.00%) | لا | | ST_Slope | لا | 0.0 بالضبط | 0.0 | 0 (0.00%) | لا | الأصفار الدقيقة (لا التقريبية) هنا **دليل من سلوك الـ artifact نفسه** — لا ادعاء وثائقي — على أن النموذج المشحون فعلاً هو L3 ولا يقرأ هذه الثلاثة. صياغة التحذير **لا تدّعي اتجاهاً** (لا تقول "يرفع الخطر") لأن التفريغ يخفض الخطر في حقلين من ثلاثة ويرفعه في واحد — ما يهم هو أن **القرار قد يتغير**، لا اتجاه التغيّر. --- ## 6. الأداء النهائي المنشور فعلياً (النموذج الحالي: Spline-GLM على L3) > **تنبيه مصدر حاسم:** الأرقام في هذا القسم مصدرها `configs/heart_disease.yaml` (الوصف الرسمي المنشور) و`results.md`/`errata.md` في ريبو البحث (Phase 7، مصحَّحة). ملفات `evaluation_evidence/heart/*.json` (باستثناء ملف الأهمية) **تصف نموذج XGBoost القديم غير المشحون اليوم** ولم تُحدَّث بعد استبداله — انظر التحذير التفصيلي في §8. ### 6.1 الأداء عبر المستشفيات (LOSO، random-effects) - **ROC-AUC = 0.802** (random-effects عبر المستشفيات الأربعة، فترة ثقة 95%: [0.675, 0.887] حسب جدول النماذج في Gate 4؛ يُذكر أيضاً [0.656, 0.896] في الملخص التنفيذي لـ results.md — كلا الرقمين لنفس القياس بطرق عرض مختلفة قليلاً، الفرق ضمن التقريب). - **فترة التنبؤ لمستشفى خامس جديد: [0.36, 0.97].** أربعة مستشفيات لا تكفي لضمان الأداء في خامس — هذا مذكور صراحة وبلا تلطيف في الإعدادات نفسها. - **أسوأ موقع مقيس: Long Beach، 0.697** (أو 0.712 حسب جدول سلّم L3 تحديداً — الرقمان من قياسين مختلفين قليلاً لنفس الطبقة؛ راجع §8). ### 6.2 نقطة التشغيل (Mondrian Conformal، α=0.10) — الأداء على المستشفى المحجوز | | الانتشار | الحساسية | النوعية | "غير مؤكد" | NPV لـ "لا إحالة" المؤكد | |---|---|---|---|---|---| | **الكل** | 0.553 | **0.91** | 0.53 | **41%** | 0.83 | | Cleveland | 0.459 | 0.89 | 0.40 | 47% | 0.82 | | Hungarian | 0.361 | 0.85 | 0.71 | 41% | 0.89 | | Zurich ⚠️ | 0.935 | 0.92 | 0.63 | 44% | **0.36** | | Long Beach | 0.745 | 0.96 | 0.26 | 33% | 0.68 | | النساء | 0.258 | 0.88 | 0.48 | 38% | 0.92 | | الرجال | 0.632 | 0.91 | 0.56 | 42% | 0.79 | ("غير مؤكد" هنا يُحسب إحالة لتقييم إضافي، طبقاً لقاعدة D-33.) ### 6.3 التحقق الخارجي (طهران/Z-Alizadeh Sani) — بتحفظ "محترقة" دائم - على الترتيب السريري المصحَّح للألم الصدري (بعد إصلاح HF-1): **AUC ≈ 0.877 [0.831, 0.917]** لطبقة تحمل ميزات الألم الصدري (مصححة في `errata.md`/results.md §4، وتتفق مع نتيجة §7: الألم الصدري وحده يعطي 0.829 على طهران، والـ GLM الكامل يضيف +0.050 [+0.021, +0.078] فوقه). - **الرقم القديم المنشور (76.34%) كان محسوباً بترجمة ألم صدري مقلوبة** — وهو الرقم الذي لا يزال موجوداً في `evaluation_evidence/heart/external_validation_tuned.json` (لم يُحدَّث). - **القيد الدائم غير القابل للإزالة:** طهران قيست تحت خرائط ترميز متعددة أثناء التحقيق في HF-1، فلا رقم منها "تحقق نظيف" بالمعنى الإحصائي الصارم — تُعرض دائماً بهذا التحفظ. ### 6.4 المنفعة السريرية (تحليل منحنى القرار، DCA — على النموذج القديم بشكله؛ لم يُعَد قياسه على GLM بعد) عند عتبة قرار الطبيب 0.30: نحو **6 مرضى إضافيين يُكتشفون لكل 100 مريض، بلا إحالات زائدة**، مقارنة بإحالة الجميع (+0.062 صافي منفعة، مصحَّح في errata.md من +0.027 المسودة إلى +0.028 نهائياً في الرقم الدقيق). **Long Beach: لا فائدة فوق إحالة الجميع. Zurich: إحالة الجميع أفضل من أي نموذج.** (هذا التحليل أُجري في Phase 6/7 على النموذج بنقطة التشغيل تلك؛ لم يُذكر أنه أُعيد حرفياً بعد القرار الثلاثي في Phase 8، لكن استنتاجاته النوعية — عدم فائدة في Zurich وLong Beach — لا تزال تظهر في تحذيرات NPV في §6.2 أعلاه.) ### 6.5 نقاط أخرى ذات دلالة إحصائية - الجنس يُقرأ من المدخلات الأخرى بـ AUC 0.64 (وكيل — proxy). - فراغ الكوليسترول وحده يتنبأ بالمستشفى بـ AUC 0.71. - المستشفى يُقرأ من المدخلات السبع وحدها بـ AUC 0.73–0.85. - فجوة التقييم المجمّع مقابل داخل الموقع: 0.022 [0.012, 0.033] — التقييم المجمّع (pooled) يكافئ معرفة النموذج لهوية المستشفى، ولذلك لا يُعرض كرقم عنوان أبداً. --- ## 7. حدود وتحذيرات معروفة (موثّقة صراحة بالمصادر — بلا إسقاط) 1. **أربعة مستشفيات فقط.** فترة التنبؤ لمستشفى خامس [0.36, 0.97] — مدى واسع جداً. فترة HKSJ بثلاث درجات حرية لا تميّز فروقاً أقل من 3–5 نقاط. 2. **البيانات من 1982–1987**، قبل المعايير الحديثة للتصوير والعلاج. 3. **المجتمع مُحال للقسطرة فقط.** النموذج لا يصلح لفحص عامة الناس، ومكتوب هذا صراحة في الإعدادات. 4. **طهران "محترقة"** لأي قرار يخص الألم الصدري تحديداً (§2، §6.3). 5. **50 امرأة مريضة فقط في كل البيانات** — كل أرقام النساء بفترات ثقة عريضة جداً. 6. **مجموعة المعايرة صغيرة نسبياً:** عرض فترات IVAP بين 0.06 و0.10 (مصحَّحة في errata.md من [0.06, 0.11] الأصلية). 7. **ملف Cleveland الخام تالف** — تحققات الترميز والتصنيف اعتمدت على 3 مستشفيات فقط من أصل 4. 8. **الترتيب السريري للألم الصدري عكسي في هذه البيانات تحديداً** (§3.2) — "ذبحة نموذجية" تُعطى خطراً أعلى من "بلا ألم" عند 100% من المرضى، وهذا أثر انحياز إحالة تاريخي وليس حقيقة طبية عامة. 9. **المعايرة لا تنتقل بين المستشفيات** (§5.1) — أي احتمال معروض لمستشفى جديد بلا معايرة محلية **مضلِّل**. 10. **ضمان تغطية Mondrian الهامشي لا ينتقل حرفياً لكل فئة فرعية** — انكسر فعلياً في Hungarian (النساء المريضات 0.58) وLong Beach (الأصحاء 0.63) وZurich (NPV 0.36). 11. **لا فائدة سريرية صافية مقيسة** فوق "أحِل الجميع" في مستشفيي Zurich وLong Beach تحديداً. 12. **`num` ليس عدد الأوعية المتضيّقة بدقة** — يطابقه في 60–70% فقط من الحالات فقط؛ وفي Hungarian، طريقة تسجيل التصنيف الثنائي قد تختلف عن باقي المواقع بطريقة غير قابلة للحسم من البيانات المتاحة. 13. **لا مراجعة سريرية بشرية حتى الآن.** لقطات الشاشة في الريبو البحثي تثبت أن الواجهة تعرض قرار النموذج بأمانة، **ولا تثبت أنه مفهوم سريرياً**. لم يقرأ أي طبيب هذه الشاشات بعد، والمراجعة السريرية خطوة تالية معلنة صراحة قبل أي استخدام حقيقي (مذكورة في `README.md` كذلك). 14. **لا مُشغِّل اختبارات JS في المشروع** — تعديلات الواجهة في Phase 8 (Gate 8.4) غير مغطاة باختبارات آلية، وُثّقت فقط بالبناء (`vite build`) والقراءة اليدوية. 15. **التعلّم الاتحادي (Federated Learning عبر خوارزمية GLORE) نُفِّذ وقيس في ريبو التجارب فقط (`omnidiag_experiments`، فرع `gate-8.10b-glore-prototype`)، وليس جزءاً من المنتج المشحون ولم يُدمَج منه أي كود.** المحاكاة: أربع مجموعات تاريخية على جهاز واحد، عملية منفصلة لكل موقع، ولا يعبر إلا الـ gradient والـ Hessian؛ **ليست تجربة بين مؤسسات حقيقية، وليست بخصوصية تفاضلية**. النتائج: (أ) الميكانيكا تطابق النموذج المركزي بفرق ≈2·10⁻¹⁴؛ (ب) **AUC في LOSO = 0.779 مقابل 0.802 للنموذج المشحون (−0.023)، خارج التسامح المعلن ±0.01**، ولم يُغلق الفرق بحساب المعالجة المسبقة من مواقع التدريب فقط (كان −0.024)؛ (ج) لا عدم تجانس معنوي بين المواقع بعد Holm (أصغر p معدَّل 0.21)؛ (د) Conformal بـ Mondrian محلي بمعايرة مفصولة: التغطية 0.87–0.89 حيث الخلية ≥30 حالة، وضعيفة حيث يُفعَّل الاحتياط المجمَّع (زيورخ/سليم 0.33، Long Beach/سليم 0.59، Hungarian/مصاب 0.78). الـ gradient والـ Hessian ملخصات قد تسرّب معلومات كما في أي تعلّم اتحادي بلا خصوصية تفاضلية. المسار القديم (Flower + pickled XGBoost) متجاوَز ولا يعمل تجميعاً. المصدر: `gate_8_10a.md` و`gate_8_10b_design.md` و`results/p8_10b_complete.json` في ريبو التجارب. 16. **الانحرافات المعلنة عن القواعد المسبقة** (كلها موثقة ومرقّمة في decision_log.md): D-30 (اختيار GLM رغم فشل قاعدة الاختيار المعلنة على تغطية Hungarian)، D-09r (اعتراض على تصميم D-09 الأصلي لقيد الرتابة). --- ## 8. سجل المصادر — كل رقم، من أي ملف بالضبط، مع التعارضات وكيفية حلها ### 8.1 التعارض الأهم: `evaluation_evidence/heart/*.json` تصف نموذجاً غير مشحون بالتحقق من تواريخ الملفات وقراءة محتواها، تبيّن أن الملفات التالية في `evaluation_evidence/heart/` **لم تُعَد كتابتها بعد تحويل Phase 8 إلى Spline-GLM**، وما زالت تصف صراحة `models/heart_disease/heart_full_tuned.pkl` (XGBoost القديم، عتبة 0.3695): | الملف | تاريخ آخر تعديل | يصف | |---|---|---| | `final_metrics_tuned.json` | 2026-09-23 | XGBoost القديم (11 ميزة)، AUC 0.8886 pooled / 0.813 nested LOSO | | `external_validation_tuned.json` | 2026-09-21 | XGBoost القديم على طهران بترميز ألم صدري مقلوب (76.34%) | | `loso_tuned.json` | 2026-09-23 | XGBoost القديم، LOSO لكل موقع بعتبة 0.3695 | | `threshold_rules.json` | 2026-09-20 | قواعد اختيار عتبة لنموذج بعتبة واحدة — **النموذج الحالي بلا عتبة أصلاً** | | `leakage_comparison.json` | 2026-09-23 | مقارنة تاريخية بين SVM المسرَّب القديم وXGBoost النظيف — لا يزال صحيحاً كسجل تاريخي، لكن "النظيف" فيه هو XGBoost لا الـ GLM | | `hpo.json`, `hpo_threshold_summary.json`, `threshold_log_tuned.json`, `threshold_rule_rationale.json` | 2026-09-20/23 | كلها تخص ضبط XGBoost والعتبة القديمة | **الملفان اللذان حُدِّثا فعلياً في Phase 8 ويصفان النموذج الحالي:** - `heart_l3_glm_importance.json` (2026-09-27) — أهمية الميزات الحقيقية للـ GLM المشحون (§5.4). - `shap_importance.json` (وُسم داخلياً `_SUPERSEDED`، 2026-09-27) — الملف القديم نفسه، لكنه الآن يحمل تحذيراً صريحاً بداخله بعدم استعماله. **القرار المتخذ في هذه الوثيقة:** استُعملت أرقام `configs/heart_disease.yaml` (الوصف الرسمي المنشور فعلياً في الإنتاج) وريبو البحث (`results.md` + `errata.md` + gates 8.0–8.4) كمصدر الأداء للنموذج **الفعلي الحالي** (§6)، بينما استُعملت ملفات `evaluation_evidence/heart/*.json` القديمة فقط لتوثيق **تاريخ النموذج السابق وسلّم التسريب** (§4.1، §8.2). هذا التعارض **لم يكن قابلاً للحل من داخل ريبو الإنتاج وحده** — اكتُشف فقط بمقارنة تواريخ الملفات ومحتواها مع ريبو البحث؛ **يُوصى بأن يُعاد توليد ملفات `evaluation_evidence/heart/` كاملة من الـ bundle المشحون (بنفس طريقة `heart_l3_glm_importance.json`) لإغلاق هذا الالتباس نهائياً.** ### 8.2 تعارضات ثانوية، وكيف حُلَّت | التعارض | القيمة الأولى | القيمة الثانية | الحل المعتمد | |---|---|---|---| | Tehran AUC | 76.34% (`external_validation_tuned.json`، ترميز مقلوب) | 0.877 [0.831, 0.917] (`results.md`/`errata.md`، ترميز مصحَّح) | **اعتُمدت 0.877** لأنها بالترميز الصحيح، مع الإبقاء على تحفظ "محترقة" دائماً (§6.3) | | DCA عند عتبة 0.20 | +0.027 (مسودة `results.md` الأصلية) | +0.028 (`errata.md`) | **اعتُمدت +0.028** — `errata.md` مصمَّم صراحة ليكون المرجع الأعلى عند التعارض | | حجم pickle لـ EBM L3 | 3.8 MB (`gate_4.md`) | 3.7 MB / 3,802 KB (`errata.md`) | **اعتُمدت 3.7 MB** — لا يؤثر على أي استنتاج لأن EBM لم يُشحن أصلاً | | عرض فترة IVAP | [0.06, 0.11] (`gate_6.md` الأصلي) | [0.06, 0.10] (`errata.md`، الأعلى 0.105) | **اعتُمدت [0.06, 0.10]** | | نسبة "غير مؤكد" | 39.9% (داخل العيّنة، Gate 8.1، النموذج يرى بياناته) | 38%/42% نساء/رجال ≈ 41% (cross-fitted، Phase 7، خط الأساس المعتمد للعرض) | **اعتُمد الرقم cross-fitted (~41%)** كخط أساس للعرض، والرقم داخل العيّنة (39.9%) وُسم بوضوح بأنه لا يُستخدم لأي واجهة أو لوحة | | أسوأ موقع AUC على L3 تحديداً | 0.712 (`layers.md` سلّم L3 المباشر) | 0.697 (`results.md` الملخص التنفيذي / `heart_disease.yaml`) | **كلاهما مذكوران في §6.1** — الفرق ناتج عن كون أحد الرقمين من جدول سلّم الطبقات مباشرة والآخر من قياس Gate 4/الملخص النهائي على نفس L3 بمعالجة نتائج مختلفة قليلاً (paired bootstrap لكل قياس)؛ **لم يوجد في المصادر توضيح صريح يحسم أيهما "الرقم الرسمي الوحيد"**، فتُركا معاً كتنبيه مفتوح | ### 8.3 مصادر كل قسم بإيجاز - **§1 (نظرة عامة):** `configs/heart_disease.yaml` (الوصف والـ scope_note)، `results.md` §3، `README.md` (What changed in Phase 8). - **§2 (البيانات):** `results.md` §2، `cohorts.json`، `configs/heart_disease.yaml` (`training.external_validation`). - **§3 (Preprocessing):** `backend/heart_glm/stack.py` (الكود الفعلي)، `scripts/train_heart_glm.py`، `decision_log.md` (D-14, D-20, D-25, D-26, D-70, D-71). - **§4 (اختيار الموديل):** `results.md` §1، §5، §7، §9؛ `layers.md`؛ `gate_4.md` + تصحيح `errata.md`؛ `decision_log.md` (D-21 إلى D-33). - **§5 (Post-processing):** `backend/heart_glm/stack.py` (كود `ivap`، `conformal_quantile`، `decide`، `shap_log_odds`)، `backend/model_backends/heart_glm_conformal.py`، `configs/heart_disease.yaml`، `heart_l3_glm_importance.json`، `results.md` §10، `gate_8_3.md`. - **§6 (الأداء النهائي):** `configs/heart_disease.yaml` (headline_metric وoperating_point)، `results.md` §9 و§6.4، `errata.md`، مع التحذير الصريح بشأن `evaluation_evidence/heart/*.json` القديمة (§8.1 أعلاه). - **§7 (الحدود):** `results.md` §13؛ `README.md` (فقرة "What the screenshots... do and do not show")؛ `gate_8_10a.md` (الإشارة الوحيدة لـ FL)؛ `gate_8_4.md` §9 (غياب مُشغِّل اختبارات JS). - **§8:** مقارنة مباشرة لتواريخ ومحتوى ملفات `evaluation_evidence/heart/` مقابل `results.md`/`errata.md`/gates 8.0–8.4، أُجريت لغرض هذه الوثيقة. --- *نهاية الوثيقة. أُعدَّت بقراءة كاملة لـ: `results.md`, `errata.md`, `decision_log.md` (78 قراراً D-01–D-78), `findings_register.md`, `hf1_statement.md`, `layers.md`, `gate_0.md`–`gate_8_7c.md` (الأهم منها بالتفصيل الكامل، والباقي بمسح مركّز) من ريبو البحث؛ و `configs/heart_disease.yaml`, `backend/heart_glm/stack.py`, `backend/model_backends/heart_glm_conformal.py`, `scripts/train_heart_glm.py`, `README.md`, وكل ملفات `evaluation_evidence/heart/` من ريبو الإنتاج.*