PCH — Dokumentacja Systemu

PCH Docs | Dokumentacja Systemu

Wygenerowano: 2026-03-29 PCH Mapa strony

Spis treści 1. Topologia systemu Diagram topologii Porty i usługi Łańcuch proxy 2. Stos technologiczny Tabela wersji Zależności Python (backend) Zależności React/Expo (`app/package.json`) 3. Struktura katalogów 4. Przepływ danych Diagram głównych pipeline'ów Pipeline 1: Badania krwi Pipeline 2: Dane genetyczne (VCF) Pipeline 3: Artykuły naukowe Pipeline 4: Baza wiedzy (YouTube → GoV) Pipeline 5: Eksporty danych 5. Warstwa API (FastAPI) Architektura Punkt wejścia Pełna lista endpointów (39 routerów) Schemat bazy danych (kluczowe tabele) Pipeline synchronizacji danych 6. Frontend (React/Expo) Architektura Ekrany (20 tras) Strategia pobierania danych (SWR) Skróty klawiaturowe (web) Service Worker (offline) 7. Silnik grafu rozumowania (GoV) 5-warstwowy DAG Propagacja confidence Walidacja przy submit Polityka referencji same-layer Format węzła YAML Kluczowe moduły silnika 8. Pipeline budowania i wdrażania Diagram procesu build Skrypt `scripts/build.sh` — krok po kroku Skrypt `scripts/dev.sh` — tryb deweloperski Eksporty danych (generowane osobno) Checklist wdrożenia 9. Zależności zewnętrzne Diagram integracji Szczegóły integracji Koszt weryfikacji per model (szacunkowo) 10. Konfiguracja i zmienne środowiskowe Pliki konfiguracyjne Zmienne środowiskowe Konfiguracja backendu (`config.py`) Konfiguracja frontendu (`constants.ts`) .gitignore — co jest wykluczane 11. Infrastruktura Architektura sieciowa Usługi systemd Konfiguracja nginx Łańcuch SSL/TLS 12. Automatyzacja (Oivo Flows) Flow 1: `pch-graph-maintenance` (co 6h) Flow 2: `pch-knowledge-pipeline` (co 24h) TODO System Podsumowanie — kluczowe ścieżki Komenda → efekt Adres URL → źródło

02 Pipeline Danych Wejściowych

Spis Treści A. Pipeline Badań Krwi A.1. Przegląd Architektury A.2. Pliki Źródłowe — `badania/data/source/` A.3. Skrypt Parsujący — `parse.py` A.4. Format `wyniki.json` A.5. Statystyki danych A.6. Proces Dodawania Nowych Wyników A.7. Kontrola Jakości A.8. Ograniczenia i Wąskie Gardła B. Pipeline DNA/WGS B.1. Przegląd Architektury B.2. Dane WGS — `dna/MZCK6/` B.3. Narzędzia i Zapytania B.4. Cache'e Annotacji B.5. Haplogrupy B.6. Co NIE jest dostępne B.7. Ograniczenia C. Pipeline Ingestion Wiedzy C.1. Przegląd Architektury C.2. Katalog `knowledge/` — Struktura C.3. `knowledge_cli.py` — Komendy C.4. Subskrypcje YouTube (12 kanałów) C.5. Pobieranie Transkryptów — Kaskada Fallback C.6. Format Artykułu YAML C.7. Obsługa Linków WhatsApp C.8. Ograniczenia D. Pipeline Artykułów Naukowych D.1. Przegląd Architektury D.2. Struktura `papers/` D.3. `paper_fetch.py` — 9-stopniowa Kaskada Pobierania D.4. `pubmed.py` — Integracja PubMed API D.5. Format Analizy (Markdown + YAML Frontmatter) Paper Metadata Referenced in GoV Nodes Key Findings Relevance to Patient Evidence Quality Assessment D.6. Eksporty do SPA D.7. Statystyki D.8. Ograniczenia E. Podsumowanie: Automatyzacja vs Praca Ręczna F. Wielopacjentowość — Co Trzeba Zmienić F.1. Badania Krwi F.2. DNA/WGS F.3. Knowledge F.4. Papers F.5. Szacunkowy Nakład Pracy

03 Reasoning Graph Engine (GoV)

Spis treści 1. Architektura grafu Zasady fundamentalne Podstawowa struktura 2. Struktura warstw i statystyki Liczba nodów (stan aktualny) Podział L3 Specjalne nody 3. Format YAML nodów L0 — Sources (Surowe źródła) L1 — Extractions (Ekstrakcje) L2 — Facts (Fakty medyczne) L3 — Hypotheses (Hipotezy) L3 — Safety Review (review-*) L4 — Recommendations (Rekomendacje) 4. Typy krawędzi EdgeType Enum Domyślne typy krawędzi wg przejścia warstw Polityka Same-Layer References 5. Modele danych (models.py) Enumy Dataclasses 6. Silnik grafu (graph.py) Klasa ReasoningGraph Kluczowe metody validate_layer_policy() — szczegóły 7. Algorytm propagacji zaufania Formuła końcowa Składniki Przypadki specjalne Status update po propagacji Typowe zakresy po propagacji 8. System weryfikacji Wymagania Typy weryfikacji Niezależność weryfikacji System kwarantanny Format weryfikacji (nowy claim-based) Format weryfikacji (legacy) 9. Maszyna stanów Przejścia statusów Rozróżnienia 10. Submisja nodów (submit.py) CLI Flagi 10-etapowy pipeline walidacji Wymagane pola wg warstwy Po zapisie — automatyczne triggery 11. Integracja PubMed (pubmed.py) API NCBI E-utilities Rate limiting Kluczowe funkcje Normalizacja terminów PL→EN 12. Pobieranie pełnych tekstów (paper_fetch.py) 9-źródłowa kaskada pobierania CLI Struktura papers/ Format analizy (papers/analyses/PMID.md) Key Findings Relevance for Patient (APOE ε4/ε4) Referenced in GoV Nodes 13. Weryfikacja zewnętrzna (external_verify.py) Workflow CLI Zaawansowane features Parametry modeli 14. Audyt alleli (allele_audit.py) Pipeline per rsID Keyword patterns Verdicts CLI 15. Integracja dbSNP (dbsnp.py) APIs Model DbSnpVariant Cache CLI 16. Checker interakcji (interaction_checker.py) Źródła danych Model InteractionResult Profil pacjenta (hardcoded) CLI Lokalna wiedza 17. Safety Reviews Czym są review-* nodes? Aktualne review-* nodes (~6) Proces tworzenia safety review 18. System TODO (todo.py) CLI Kategorie (required w `add`) Priorytety Format todo.yaml Workflow statusów Bezpieczeństwo współbieżne 19. Eksporty danych Pipeline eksportowy spa-data.json — główny feed SPA 12 systemów medycznych papers-evidence.json — index PMID→nodes 20. Pipeline wiedzy (knowledge) knowledge_cli.py — CLI Stany promocji artykułów get_next_article.py — pipeline automation 21. Pozostałe narzędzia engine/ Kompletna lista (71 plików) 22. Diagramy Mermaid Hierarchia warstw DAG Maszyna stanów — Status Transitions Flow weryfikacji node'a Algorytm propagacji confidence Pipeline wiedzy Architektura eksportów Podsumowanie

04 Knowledge Pipeline

Spis treści 1. Architektura pipeline'u — przegląd Dwa pipeline'y, jedno przeznaczenie 2. System Papers — PDF-y i analizy 2.1 Struktura katalogu `papers/` 2.2 Format analizy (`papers/analyses/{PMID}.md`) Paper Metadata Referenced in GoV Nodes Key Findings Relevance to Patient Evidence Quality Assessment 2.3 Tracker analizy (`_analysis_tracker.json`) 2.4 Nieudane pobrania (`_failed.json`) 2.5 Statystyki pokrycia 3. Integracja PubMed & Semantic Scholar 3.1 Moduł `pubmed.py` — kompletna referencja API 3.2 Odkrywanie PMIDs 3.3 Workflow weryfikacji PMID 4. Pobieranie i analiza artykułów 4.1 `paper_fetch.py` — 9-źródłowa kaskada pobierania 4.2 `get_next_article.py` — scheduler dla workerów 5. System Knowledge — YouTube, WhatsApp, książki 5.1 Struktura `knowledge/` 5.2 `knowledge_cli.py` — kompletna referencja CLI 5.3 Subskrypcje YouTube — obecne kanały (12) 5.4 Model danych artykułu (`KnowledgeArticle`) 5.5 Pipeline promocji artykułów (state machine) 5.6 Protokół WhatsApp ingestion 6. Łańcuch dowodowy — evidence chain 6.1 Pełna ścieżka PMID: odkrycie → download → analiza → evidence 6.2 Model Evidence — 19 pól (`engine/models.py`) 6.3 Walidacja evidence przy submit (`submit.py`) 6.4 Detekcja sprzeczności (`papers_evidence_export.py`) 7. Eksporty danych dla SPA 7.1 `papers-evidence.json` 7.2 `papers-index.json` 7.3 `papers-analyses-index.json` 8. Automatyzacja — Oivo Flows 8.1 Flow `pch-knowledge-pipeline` — cykl 24h 8.2 Flow `pch-graph-maintenance` — cykl 6h 8.3 Worker cron (`worker_cron.sh`) 9. Implikacje wielopacjentowe Stan obecny Wymagane zmiany dla multi-patient Komponenty gotowe na multi-patient Komponenty wymagające refaktoru Podsumowanie statystyk

05 Eksport i Frontend

Spis treści 1. Architektura ogólna 2. Eksporty danych (generatory) 2.1 spa_data_export.py 2.2 papers_evidence_export.py 2.3 analyses_index_export.py 2.4 harm_export.py 2.5 sitemap_export.py 3. Wyzwalacze eksportów 4. Warstwa API (FastAPI) 4.1 Struktura backendu 4.2 Schemat bazy SQLite 4.3 sync.py — populacja bazy 4.4 Główne endpointy API 4.5 Pipeline generatorów 5. Frontend (app/) 5.1 Architektura Expo/React 5.2 Ekrany (screens) 5.3 Komponenty (104 pliki .tsx) 5.4 Ładowanie danych (loader.ts) 5.5 Stałe (constants.ts) 5.6 System pomocy (help/) 5.7 Nawigacja 5.8 Wzorzec audytowalności w komponentach 6. Pipeline budowania 6.1 scripts/build.sh 6.2 Expo web export 6.3 Katalog web/ 6.4 nginx 7. Statyczne strony HTML 7.1 graph-3d.html — Three.js 3D wizualizacja 7.2 graph-shell.html — D3 force-directed graf 7.3 index.html — SPA entry point 8. Implikacje wielopacjentowe Obecny stan: jednopacjentowy (Paweł) Architektura wielopacjentowa (hipotetyczna) Podsumowanie Executive Summary 1. Data Loading Flow — loader.ts 1.1 Architecture: Fetch → Cache → Component 1.2 Core Fetcher: `fetchCached<T>()` 1.3 Retry Logic: `fetchWithRetry()` 1.4 Cache Implementation 2. Data Endpoints — constants.ts 2.1 API Base URL Resolution 2.2 Complete Endpoint Registry 3. Exported API Functions (loader.ts) 3.1 High-Level Fetch Functions 3.2 Cache Management APIs 4. Type System — types.ts (Complete Data Contracts) 4.1 Node & Graph Types 4.2 Top-Level SPA Data 4.3 Blood Test Data 4.4 Trends & Calculated Markers 4.5 Protocol & Safety 4.6 Knowledge Base 5. Help System — 45 Help Content Files 5.1 Architecture: HelpMetadata Interface 5.2 Screen-Level Help Files (19 total) 5.3 Component-Level Inline Help (26 files in help/inline/) 5.4 Help Content Structure 6. Data Flow: API → Cache → Component 6.1 Fetch Sequence (Example: Dashboard) 6.2 Cache Invalidation Strategies 6.3 Data Transformations 7. Configuration & Constants 7.1 API Base Resolution 7.2 Retry Configuration 7.3 Cache Duration Settings 8. Type Safety & Contracts 8.1 Data Model Layers 8.2 Verification & Multi-Model Consensus 9. Known Limitations & Gaps 9.1 Caching 9.2 Data Freshness 9.3 Help Content 9.4 Missing Instrumentation 10. Integration with PCH Audit Philosophy 10.1 Auditability Chain 10.2 Help System as Audit Backbone 11. Summary: Quick Reference Table Files Analyzed Core Data Loading Help System (45 files) Example Data Directory Structure & File Inventory SHARED COMPONENTS — Core Auditable UI Index Exports Key Shared Components (Detailed) Other Shared Components (Brief List) BLOOD COMPONENTS (37 files) Sample: DataQuality Component Details GENETIC COMPONENTS (3 files) Sample: PrsPercentileCard PROTOCOL COMPONENTS (6 files) Sample: ComplianceTracker DASHBOARD COMPONENTS (10 files) Sample: MetricCard CHARTS COMPONENTS (3 files) LAYOUT COMPONENTS (6 files) Sample: AppHeader GRAPH COMPONENTS (5 files) ACTIONS COMPONENTS (2 files) PAPERS COMPONENTS (2 files) DESIGN TOKENS & STYLING CONSISTENCY TYPE DEFINITIONS COMPONENT DEPENDENCY GRAPH REACT NATIVE & EXPO DEPENDENCIES ACCESSIBILITY FEATURES KEY INSIGHTS 1. Auditability by Design (MISSION #1) 2. Medical Disclaimers Everywhere 3. No Minification 4. Polish-First Language 5. Blood Test Analysis Breadth 6. Platform Compatibility 7. Theming & Dark Mode Summary Table: All 104 Components Conclusion Overview 1. papers_evidence_export.py Purpose Generated File Output Structure (Full Schema) Data Gathering Logic Functions Dependencies Usage 2. analyses_index_export.py Purpose Generated File Output Structure (Full Schema) Data Gathering Logic Functions Dependencies Usage Priority Order (PRIORITY_ORDER dict) 3. Papers Directory Structure Location Contents File Organization Summary 4. Analysis File Structure (Example) Frontmatter (YAML) Markdown Sections Statistics 5. Data Flow & Integration Export Pipeline SPA Integration Execution 6. Key Statistics (Snapshot 2026-03-29) 7. Dependencies & Imports papers_evidence_export.py analyses_index_export.py 8. Known Characteristics Output Design Data Quality No Black Boxes 1. harm_export.py — Harm-Severity Classification Page Purpose Data Flow Generated HTML Structure Color Scheme Action Category Badges Output Path 2. sitemap_export.py — Auto-Generated Site Directory Purpose Data Sources Generated HTML Structure Key Functions Output Path 3. Cross-Comparison: harm.html vs sitemap.html 4. Styling & Design System Integration Design tokens used: 5. Generation Commands 6. Key Implementation Details harm_export.py sitemap_export.py Summary

06 AI, Agenty i Procesy

Spis treści 1. Wersjonowane prompty 1.1 Katalog promptów 1.2 Podział typów 1.3 Wersjonowanie 1.4 Użycie w kodzie 1.5 Zabezpieczenia jakości 2. Oivo Flows 2.1 Architektura 2.2 pch-graph-maintenance 2.3 pch-knowledge-pipeline 2.4 Health monitoring 3. Workflow agentów 3.1 System TODO — kolejka zadań 3.2 Workflow tworzenia węzłów 3.3 Workflow weryfikacji 3.4 Workflow analizy publikacji 3.5 Allele Direction Audit 4. Cron i harmonogram zadań 4.1 Przegląd mechanizmów 4.2 Harmonogram zadań 4.3 Systemd services 4.4 Częstotliwości faz w graph-maintenance 4.5 Backupy 5. Treści generowane przez AI 5.1 Modele w użyciu 5.2 Typy treści AI 5.3 Klasyfikacja Harm (deterministyczna) 5.4 Interaction Checker 5.5 Quality Control — podsumowanie 6. Orkiestracja procesów 6.1 Wzorce dystrybucji pracy 6.2 TODO Dispatch Loop 6.3 Master Audit 6.4 Obsługa błędów 6.5 Walidacja wyników 6.6 Zewnętrzne API Podsumowanie Kluczowe metryki systemu Filozofia projektowa Executive Summary Part 1: The 5-Layer Architecture Layer 0: Sources Layer 1: Extractions Layer 2: Facts Layer 3: Hypotheses Layer 4: Recommendations Part 2: Required Fields by Layer All Layers Layer 1–2 Specific Layer 3–4 Specific (Hypotheses & Recommendations) Layer 4 Specific (Recommendations) Layer 3 Safety Review Nodes (`review-*`) Part 3: Validation Pipeline (submit.py) 1. Schema Validation (`_validate_schema`) 2. Verification Quality (`_validate_verifications`) 3. Confidence-Status Consistency (`_validate_confidence_status`) 4. Status Transition Validation (`_validate_status_transition`) 5. Grade-Evidence Consistency (`_validate_grade_evidence_consistency`) 6. DAG Integrity (`_validate_dag`) 7. PMID Verification (`_validate_pmids`) 8. Allele Direction Check (`_validate_allele_direction`) 9. NCBI Cross-Check (`_validate_ncbi_crosscheck`) 10. Language Rules (`_validate_language_rules`) Part 4: The `submit_node()` Function Signature Return Value Workflow Part 5: Confidence Propagation Algorithm L0 (Sources) L1+ (All Other Layers) Special Floors (prevent excessive collapse) Typical Confidence Ranges After Propagation Part 6: Verification Records (Claim-Based) Structure Claim Verification Strategy Part 7: Cascade Detection Purpose Usage Output Automatic TODO Creation Part 8: Integration with Backend Part 9: Example Workflow: Creating a New L3 Hypothesis Step 1: Research & Draft Step 2: Validate Step 3: Add Verification & Devils Advocate Step 4: Validate with PMIDs Step 5: Submit Step 6: Create Follow-up TODO Part 10: Common Validation Pitfalls Part 11: File Structure Disk Layout Part 12: Command Reference Validation & Submission Cascade & Graph Operations TODO Management Summary Table: Lifecycle Stages Conclusion Executive Summary Stage 0: Paper Sourcing — The 9-Source Cascade Download Priority Order (Waterfall) Implementation Details Stage 1: Paper Analysis — Knowledge Capture Analysis Queue Article Metadata Format (YAML) Analysis Tracker Stage 2: Paper Deep Analysis — Knowledge Extraction Analysis Document Structure Example: PMID:21098985 (Statin Comparative Analysis) Stage 3: Evidence Export — Graph Integration Output: `/srv/pch/web/papers-evidence.json` Current Statistics (2026-03-29) Stage 4: Article Queue Management Pipeline Stages & Promotion States Quality Gates (In-Pipeline Validation) PubMed Support Validation NCBI API Verification CLI: Atomic Claiming Search Integration — PubMed & Semantic Scholar PubMed Search (NCBI E-utilities) Semantic Scholar Integration Unified Search (Multi-Source) PubMed Claim Validation Known Issues & Failure Modes Download Failures (167 Failed PMIDs) Analysis Challenges Data Structures & Files Directory Structure Key JSON Files Full Pipeline Flow Diagram Auditability & Traceability The Audit Trail Triple-Verification Policy Integration with GoV Node Evidence Format Recent Work & Current State Operational Commands For PCH Maintainers Summary & Lessons Learned Overview 1. Content Ingestion (Level 0 → Level 1) 1.1 Ingestion Channels 1.2 Article Lifecycle & Promotion Levels 1.3 Source Type Detection (Auto) 2. Content Processing Pipeline 2.1 YouTube Transcript Fetching (Multi-strategy) 2.2 YouTube Metadata Fetching 2.3 Web Article Extraction 2.4 Book Ingestion (PDF/EPUB) 3. Data Models & Storage 3.1 KnowledgeArticle Model 3.2 SQLite Index (Fast API Queries) 4. YouTube Channel Subscriptions 4.1 Subscription Management 4.2 Channel Resolution (yt-dlp) 4.3 Scanner Workflow (Daily) 5. API Integration 5.1 REST Endpoints (FastAPI, `/pch/api/`) 5.2 Frontend Integration 6. Knowledge ↔ GoV Integration 6.1 Promotion Levels 2-4 (Analysis → Integration) 7. CLI Commands Reference Ingestion Query Subscriptions Database Sync 8. File Structure 9. Key Design Decisions 9.1 Promotion Pipeline 9.2 YouTube Focus 9.3 Language Detection 9.4 Multi-strategy Transcript Fetching 9.5 Subscription Metadata Merging 10. Limitations & Known Issues 10.1 Promotion Levels 2-4 Not Implemented 10.2 Web Article Extraction Is Basic 10.3 Transcript Quality 10.4 Book Metadata Sparse 10.5 Subscription Scanning Costly 11. Future Enhancement Roadmap 12. Integration with Other PCH Systems 12.1 Reasoning Graph (GoV) 12.2 Blood Test Results (`badania/wyniki.json`) 12.3 Genetic Profile 12.4 Protocol (`protocols/supplement-protocol.md`) Summary Overview System Architecture File Lock Mechanism Task Lifecycle Task States & Transitions Task Categories (10 Total) Task Priorities TodoManager Python API Creation & Loading Adding Tasks Claiming Tasks Marking Complete Querying Tasks CLI Commands Integration Points 1. Cascade Detector (`engine/cascade.py`) 2. Flows (TypeScript Async Jobs) 3. Worker (`engine/worker.py`) 4. Backend API (SQLite) Task Dispatch Loop (todo-loop.md Command) Current TODO Queue Status (2026-03-29) Example Workflow: Task from Creation to Completion Scenario: NCBI finds 100 new PMIDs Known Issues & Limitations 1. Missing Priority Field Bug (CRITICAL) 2. No Backend API Endpoint 3. No Database Sync 4. Limited Automated Handlers Best Practices Creating Tasks Processing Tasks Monitoring Files & Locations Future Enhancements

07 Analiza Multi-Patient

Podsumowanie Wykonawcze Architektura Obecna vs Docelowa A. Hardcoded Patient Data — Inwentaryzacja Kompletna A1. Pliki Python (25+ plików) A2. Pliki TypeScript/React (15+ lokalizacji) A3. Konfiguracja i prompty B. Architektura Danych — Analiza Gotowości B1. Concept Pacjenta/Usera B2. Schemat Bazy Danych B3. API Endpoints — Brak Patient Scope B4. File System Layout — Klasyfikacja C. Klasyfikacja Komponentów Macierz Shared vs Per-Patient D. Analiza Węzłów Grafu D1. Podsumowanie Ilościowe D2. Szczegółowa Analiza per Warstwa D3. Koncepcja Template Graph E. Zmiany Kodu — Plan Migracji E1. Macierz Trudności E2. Proponowana Kolejność Migracji E3. Co Zostaje Shared (Bez Zmian) E4. Propozycja File System Layout F. Ryzyka Bezpieczeństwa i Prywatności G. Decyzja Architektoniczna: Graf Shared vs Per-Patient Opcja A: Jeden graf per pacjent (obecny model) Opcja B: Template graph + per-patient overlay (rekomendowana) Opcja C: Pełna separacja (każdy pacjent = osobna instancja) H. Podsumowanie Krytyczne Co DZIAŁA dla multi-patient: Co BLOKUJE multi-patient: Szacowany nakład:

08 Zasoby Współdzielone

Podsumowanie wykonawcze A. PubMed / Prace naukowe (W PEŁNI WSPÓŁDZIELNE) Inwentaryzacja Rozmiary pojedynczych prac Infrastruktura współdzielenia Potencjał współdzielenia B. Ogólna wiedza medyczna (WSPÓŁDZIELNA) Analiza węzłów grafu — klasyfikacja shareability Wyniki per warstwa Wizualizacja shareability Przykłady węzłów UNIVERSAL (współdzielnych) Wiedza w knowledge/ (2172 artykuły + 73 pliki MD) C. Wiedza genotyp-specyficzna (WSPÓŁDZIELNY SZABLON) Koncepcja szablonów Szacunek szablonów per warstwa Top genotyp-szablony (pokrycie populacyjne) Parametryzacja szablonów — proponowany schemat Szacunek: ile węzłów może stać się szablonami D. Dane pacjent-specyficzne (NIE-WSPÓŁDZIELNE) Inwentaryzacja per pacjent Struktura storage per pacjent Warianty danych genomowych i ich wpływ na storage E. Proponowana architektura wielodostępna (Multi-Tenant) Diagram architektury Tabele w bazach danych Mechanizm linkowania Szacowany storage per pacjent Compute per pacjent F. Analiza kosztów Koszt jednorazowy per pacjent (initial setup) Koszty współdzielone (amortyzowane) Koszty bieżące per pacjent Skalowanie — koszt per N pacjentów Efekt współdzielenia Podsumowanie — macierz współdzielenia

09 Komercjalizacja — Roadmapa

Spis treści A. Wizja Stan obecny: System jednego pacjenta Fazy komercjalizacji Kluczowa obserwacja architektoniczna B. Kamień milowy 1: Izolacja danych pacjentów B.1 System identyfikacji pacjentów B.2 Katalogi per-pacjent i partycjonowanie bazy B.3 Współdzielona baza wiedzy B.4 Instancja grafu per-pacjent B.5 Szacowany nakład pracy C. Kamień milowy 2: Zautomatyzowany pipeline onboardingu C.1 Upload DNA: obsługiwane formaty C.2 Upload wyników badań krwi C.3 Auto-generacja L0→L1→L2 C.4 Matching wariantów pacjenta z szablonem hipotez (L3) C.5 Generacja personalizowanych rekomendacji (L4) C.6 Szacowany czas pełnego pipeline per pacjent C.7 Co może działać równolegle D. Kamień milowy 3: Self-Service Frontend D.1 Rejestracja i autentykacja D.2 Interfejs uploadu D.3 Personalizowany dashboard per user D.4 Śledzenie postępu generacji grafu D.5 Prywatność i bezpieczeństwo E. Kamień milowy 4: Ciągła aktualizacja wiedzy E.1 Auto-ingestion nowych artykułów E.2 Aktualizacja istniejących węzłów przy nowych dowodach E.3 Powiadomienia pacjentów o zmianach E.4 Shared vs per-patient maintenance F. Kamień milowy 5: Jakość i bezpieczeństwo w skali F.1 Automated verification at scale F.2 Human-in-the-loop dla krytycznych rekomendacji F.3 Medical disclaimer i odpowiedzialność F.4 Regulacje G. Architektura techniczna multi-tenant G.1 Proponowany schemat bazy danych G.2 Zmiany API G.3 Zmiany frontend G.4 Agent orchestration dla N pacjentów G.5 Model kosztowy per pacjent H. Kolejność priorytetów i zależności Dependency graph Gantt chart — plan implementacji Podsumowanie priorytetów Kluczowe ryzyka Podsumowanie

10 Protokoły i Dane Kliniczne

Spis treści A. System Protokołu Suplementacyjnego A.1. Architektura ogólna A.2. Struktura protokołu — 5 tierów A.3. Harmonogram dzienny A.4. Node rec-supplement-master A.5. System sprawdzania interakcji A.6. Śledzenie zmian protokołu A.7. Perspektywa multi-tenant B. Integracja Badań Klinicznych B.1. Architektura B.2. Algorytm scoringu (v2) B.3. Wyszukiwane stany (7) B.4. Pinned trials (10 ręcznie kurowanych) B.5. System alertów B.6. Perspektywa multi-tenant C. Ocena Ryzyka Zdrowotnego C.1. Kategorie ryzyka (8) C.2. Formuła obliczania ryzyka C.3. Polygenic Risk Scores (PRS) C.4. Dodatkowe systemy ryzyka C.5. Perspektywa multi-tenant D. Analiza Trendów Badań Krwi D.1. Architektura komponentów D.2. ForecastPanel.tsx — Prognozowanie trendów D.3. ParameterVelocity.tsx — Szybkość zmian D.4. DataQuality.tsx — Kompletność danych D.5. PopulationPercentiles.tsx — Porównanie z populacją D.6. Perspektywa multi-tenant E. Treści Skierowane do Pacjenta E.1. Trójwarstwowa transparentność E.2. ConfidenceBadge — Pewność AI E.3. GradeBadge — Ocena dowodów E.4. StatusBadge — Status weryfikacji E.5. System pomocy (Help) E.6. Perspektywa multi-tenant F. UI Działań i Rekomendacji F.1. ActionsScreen — Hub rekomendacji L4 F.2. ComplianceTracker — Dzienny log suplementów F.3. InterventionTimeline — Korelacja suplementów z trendami F.4. GoalTracker — 7 spersonalizowanych celów zdrowotnych F.5. HealthAlerts — 5-stopniowy system alertów F.6. Perspektywa multi-tenant G. System Artykułów i Dowodów Naukowych G.1. Skala i pokrycie G.2. Łańcuch dowodowy G.3. PapersScreen — 5 zakładek G.4. Format analizy (papers/analyses/PMID.md) Paper Metadata (autorzy, journal, DOI) Referenced in GoV Nodes (cross-reference) Study Design (type, n, ancestry) Key Findings (z pełnego tekstu) Relevance to Patient Context Analysis Verification G.5. Perspektywa multi-tenant H. Warstwa Danych i API H.1. Strategia ładowania danych H.2. Backend API — 30+ routerów H.3. spa-data.json — Główne źródło danych SPA I. Perspektywa Multi-Tenant — Podsumowanie I.1. Elementy gotowe do wielu pacjentów I.2. Elementy wymagające refaktoryzacji I.3. Proponowana architektura multi-tenant Metryki plików

PCH System Documentation
10 rozdziałów · 18 plików źródłowych

Wygenerowano automatycznie: 2026-03-29 · 18 plików źródłowych · ~500 KB