Waarom hierdie maatstaf bestaan en wat dit toets
KI-ondersteunde bloedtoets interpretasie word toenemend gebruik in verbruikers- en kliniese werksvloei, maar herhaalbare evalueringraamwerke wat aangepas is vir laboratoriumgeneeskunde bly ongewoon. Die vrae wat die meeste in hierdie konteks saak maak, is nie dié wat deur algemene mediese vraag-en-antwoord-maatstawwe gedek word nie: kan ’n enjin ystertekort van talassemie-eienskap skei wanneer die gemiddelde korpuskulêre volume identies is, diagnoseer dit Gilbert se sindroom oormatig as hepatitis, en vervaardig dit patologie in ’n volledig normale siftingpaneel?
’n Enkele bloedtoets-panele bevat tipies genoeg sein om verskeie meedingende interpretasies te ondersteun, en die taak van die interpreteerderende geneesheer is om daardie interpretasies teen mekaar op te weeg eerder as om ’n handboekantwoord op te spoor. ’n Enjin wat goed vaar op handboekgevalle kan steeds misluk op die gevalle wat die meeste saak maak: die valstrikke in differensiële diagnose, die goedaardige variante wat alarmerend lyk wanneer dit alleen beskou word, en die volledig normale panele wat selfversekerde assistente versoek om patologie te vervaardig.
Hierdie maatstaf is presies rondom daardie mislukkingsmodusse gebou. Elkeen van die vyftien gevalle is gekies vir ’n spesifieke diagnostiese eienskap: ’n ystertekort-mikrositose wat duidelik onderskei moet word van ’n beta-talassemie-eienskap met identiese gemiddelde korpuskulêre volume, ’n Gilbert-sindroom-aanbieding waar die enigste abnormaliteit ’n geïsoleerde indirekte hiperbilirubinemie is, en ’n vyftien-parameter-siftingpaneel waarin elke analiet binne sy verwysingsreeks sit. Die rubriek beloon enjin wat elke geval op sy eie meriete lees en straf enjin wat na ’n selfversekerde diagnose gryp waar geen sodanige diagnose geregverdig is nie.
As Thomas Klein, MD, het ek die gevalle-paneel gekies omdat dit die patrone is wat ek die laboratoriumgeneeskunde-assistente die meeste verkeerd sien kry. Die duur mislukkingsmodus is nie "om "n seldsame siekte te mis” nie—dit is om roetinepatologie te fabriseer by pasiënte wat dit nie het nie. Ons Mediese Validasie hub beskryf die breër raamwerk; hierdie bladsy beskryf die V11 aanvanklike bewys-van-konsep en die V11 Tweede Opdatering wat dit opgeskaal het na 100,000 geanonimiseerde gevalle wat uit ’n SQL-ondersteunde kliniese bewaarplek geneem is wat oor 127 lande strek — met dieselfde skorstelsel-rubriek, byte-identies, sonder enige na-graadse afstelling toegelaat.
Jongste verwysingslopie — V11 Tweede Opdatering (26 April 2026)
Die V11 Tweede Opdatering-verwysingslopie van 26 April 2026 het ’n saamgestelde telling van 99.80% opgelewer 100,000 geanonimiseerde gevalle geneem uit die Kantesti SQL-ondersteunde kliniese bewaarplek en strek oor 127 lande en 75+ tale. Elke geval is voltooi op die enjin se primêre pad; trap-geval hiperdiagnose-vlag-aktiverings het gebly op 0 / 87,412. Die oorspronklike V11-lopie op 23 April 2026 het 15 hand-geselekteerde gevalle gedek (saamgestelde 99.12%) en die rubriek gevalideer; die Tweede Opdatering behou daardie rubriek byte-identies en brei evaluering uit na ’n populasie-skaalkohort.
Die saamgestelde formule kombineer drie komponente: strukturele nakoming met die sewe verpligte verslaggedeeltes en sestien verpligte subgedeeltes, kliniese akkuraatheid gemeet as sleutelwoord-herroeping plus skoringstelsel-herroeping plus ’n geldigheidstoets vir die waarskynlikheidsverdelings, en reaksielatensie teen die primêre-pad diensvlak-teiken. Die presiese ontleding word hieronder in die rubriekformule getoon — geen van hierdie gewigte of sub-rubrieke is vir die Tweede Opdatering verander nie.
Die oorblywende 0.20 persentasiepunte van kopruimte ontleed byna geheel en al in die kliniese sub-telling — ’n klein fraksie van gevalle (hoofsaaklik in Hepatologie en Reumatologie) het een verwagte skoringstelsel-sleutelwoord ontbreek in die enjin se interpretasie, ondanks die diagnostiese inhoud wat korrek was. Geen geval in die 100,000-geval Tweede-Opdatering-kohort het die diagnose self gemis nie. Latensie het verbeter vanaf ’n gemiddelde van 20.17 s in die V11 aanvanklike vrystelling tot 13.26 s in die Tweede Opdatering, wat produksie-enjin-optimaliserings tussen die twee lopies weerspieël; die rubriek, die skoringkode en die API-eindpunt is onveranderd.
Saamgestelde tellings per land het gewissel van 0.9971 (Indië) tot 0.9985 (Switserland) oor die 30 mees-verteenwoordigde lande. Die lang stert van 97 bykomende lande (≈7,300 gevalle gesamentlik) het geen sistematiese agteruitgang getoon nie. Topbydraers volgens gevalletelling was die Verenigde State (10,500), Brasilië (9,500), Spanje (9,000), Italië (8,000), Duitsland (7,800), Frankryk (7,400), Portugal (5,800), Türkiye (3,400), die Verenigde Koninkryk (2,900), en Mexiko (2,500).
Van 15 gevalle tot 100,000: kohortevolusie oor 127 lande
Die oorspronklike V11-gevalpaneel het sewe spesialiteite gedek — hematologie, endokrinologie, metaboliese medisyne, hepatologie, nefrologie, kardiologie, reumatologie — plus twee toegewyde hiperdiagnose-trapgevalle, met elke geval ’n geanonimiseerde werklike pasiëntrekord wat uit die Kantesti-kliniese data-bewaarplek geneem is onder skriftelike ingeligte toestemming. Die V11 Tweede Opdatering brei evaluering uit na 100,000 geanonimiseerde gevalle oor 127 lande, versprei oor agt spesialiteite (die oorspronklike sewe plus ’n toegewyde interne-geneeskunde-emmer wat die trap-substel absorbeer). Dieselfde skorstelsel-rubriek word byte-identies op beide lopies toegepas.
Ont-identifisering is uitgevoer onder die Safe Harbor-benadering: alle direkte identifiseerders is verwyder of vervang, en elke rekord is toegewys aan ’n maatstaf-interne gevalkode in die formaat BT-NNN-LABEL (V11 aanvanklik) of ’n stabiele geanonimiseerde case_uid vir die Tweede Opdatering. Verwerking is uitgevoer ooreenkomstig met GDPR Artikel 9(2)(j) vir wetenskaplike navorsing met toepaslike waarborge, en die ekwivalente UK GDPR-bepalings. Geen persoonlik identifiseerbare inligting verskyn nêrens in die gepubliseerde toetsopstelling, die tegniese verslag, of die vrygestelde datastelle nie.
V11 aanvanklike vrystelling — 15 hand-geselekteerde gevalle
Die oorspronklike V11-gevalpaneel is met die hand saamgestel deur dr. Thomas Klein om die diagnostiese patrone te toets wat laboratoriumgeneeskunde-assistente die meeste gereeld verkeerd kry. Elkeen van die vyftien gevalle is gekies vir ’n spesifieke diagnostiese eienskap, wat hieronder gelys word.
Waarom hierdie spesifieke verspreiding
Hematologie kry drie gevalle omdat mikrositiese differensiële diagnoses en makrositiese differensiële diagnoses die hoogste-volume lokvalle in werklike laboratoriumpraktyk is. Endokrinologie kry drie omdat die aanbiedings van Hashimoto se siekte, PCOS en vitamien D-tekort verskillende diagnostiese vorms oefen (outo-teenliggaam-gedrewe, hormoon-verhoudings-gedrewe, enkelmerker-gedrewe). Die enkelgeval-spesialiteite is steeds betekenisvol omdat elkeen van CKD, ASCVD-risiko en SLE sy eie puntestelsel het wat die enjin moet aanroep (KDIGO-stadiëring, ASCVD 10-jaar risiko, 2019 EULAR/ACR SLE-kriteria onderskeidelik).
V11 Tweede Opdatering — 100,000 geanonimiseerde gevalle oor 127 lande
Die Tweede Opdatering vervang die oorspronklike V11 hardgekodeerde 15-geval Python-lettergreep met ’n geparametreerde, leesalleen SQL-navraag teen die Kantesti-kliniese bewaarplek (anonymised_blood_panels). Die navraag filtreer op consent_research = 1 AND released_for_benchmark = 1 en word bo-aan elke maatstaflopie gedruk vir deursigtigheid. Die kohortverdeling volgens spesialiteit word hieronder getoon.
Geografiese verspreiding — top 10 lande
Die kohort strek oor 127 lande (ISO 3166-1 alfa-2). Europa lewer 57.7%, die Amerikas 25.4%, Asië-Stille Oseaan 6.2%, genoemde Midde-Ooste/Afrika-inskrywings 3.4%, en ’n lang stert van 97 bykomende lande saam ongeveer 7.3%. Die tien grootste bydraers is die Verenigde State (10,500), Brasilië (9,500), Spanje (9,000), Italië (8,000), Duitsland (7,800), Frankryk (7,400), Portugal (5,800), Türkiye (3,400), die Verenigde Koninkryk (2,900), en Mexiko (2,500). Per-land saamgestelde tellings het gewissel van 0.9971 (Indië) tot 0.9985 (Switserland).
Die vooraf-geregistreerde rubriek, verduidelik
Voorregistrasie is die enkele belangrikste metodologiese keuse in hierdie maatstaf. Elke verwagte diagnose, elke kliniese puntestelsel, en elke verslaggedeelte is aan bronkode verbind voordat die enjin aangeroep is. Nadoodse (post-hoc) aanpassing van die rubriek om die enjin te bevoordeel is dus onmoontlik.
Drie komponente vorm die saamgestelde telling. Die strukturele komponent dra 35 persent by en meet of die enjin die sewe verpligte verslaggedeeltes (kop, opsomming, sleutelbevindinge, differensiaal, puntestelsels, aanbevelings, opvolg) en die sestien verpligte subgedeeltes binne hulle teruggestuur het. Gedeelte-aanwesigheid weeg 40 persent en subgedeelte-aanwesigheid weeg 60 persent binne die strukturele berekening.
Die kliniese komponent dra 55 persent by en kombineer drie dinge: diagnose-sleutelwoordherroeping (70 persent van die kliniese sub-telling), puntestelsel-herroeping (20 persent — bereken die enjin Mentzer, FIB-4, HOMA-IR, ASCVD-risiko, KDIGO-stadiëring, EULAR/ACR-kriteria waar relevant), en ’n waarskynlikheids-som geldigheidskontrole (10 persent — die differensiaal-waarskynlikhede moet binne die [90, 110]-interval som). Vir lokvalgevalle word ’n eksplisiete hiperdianose-penalisasie van tot 0.30 afgetrek, bereken as 0.10 per gefabriseerde patologie-vlag, met ’n maksimum van drie vlagte.
Die latensiek komponent dra 10 persent by. ’n Antwoord onder 20 sekondes verdien die volle 0.10, ’n antwoord onder 40 sekondes verdien 0.05, en enigiets stadiger verdien nul. Die 20-sekonde teiken weerspieël die produksie primêre-patologie-diensvlakdoelwit; die 40-sekonde plafon weerspieël die Fase 2 terugvalbegroting vir swaar-enjin-aanroepings.
Wat voorregistrasie voorkom
Eerste-party-maatstawwe is berug daarvoor dat hulle hul eie syfers opblaas deur nadoodse rubriek-aanpassing. Die patroon is byna altyd dieselfde: die span laat die enjin loop, sien waar dit onderpresteer, en pas dan stilweg die rubriek aan sodat die onderpresterende areas minder tel. Deur die rubriek aan bronkode te verbind voor die eerste enjin-aanroep en die toetsstelsel onder MIT-lisensie te publiseer, word daardie aanpassing sigbaar in weergawebeheer. Enigiemand kan die bewaarplek kloon, die rubriek-auteurdatums nagaan, en verifieer dat die enjinresultate nie gebruik is om die telling te vorm nie.
Hiperdiagnose-lokvalle—hoekom ooroeping die werklike faalmodus is
Aggressiewe oorooproepe van patologie op normale skerms is ’n gedokumenteerde mislukkingsmodus van verbruikersgerigte mediese assistente. Die stroomaf-koste sluit onnodige ondersoek, pasiëntangs en iatrogene uitwerking in. Die twee lokvalgevalle in hierdie maatstaf is ontwerp om daardie mislukkingsmodus sigbaar en beoordeelbaar te maak.
🟡 Lokval 1 — BT-014-GILBERT
Aanbieding. ’n 24-jarige man met ’n totale bilirubien van 2.4 mg/dL. Die direkte fraksie is normaal, transaminases en alkaliese fosfatase val binne hul verwysingsreekse, retikulosiete is onopvallend, en haptoglobien en LDH sluit hemolise uit.
Korrek interpretasie. Gilbert se sindroom—’n goedaardige UGT1A1-polimorfisme. Die interpretasie moet nie hepatitis, sirrose, hemolitiese anemie, of galweg-obstruksie aanroep nie.
V11-resultaat. Saamgestelde 1.000. Geen van die ses gemonitorde oor-diagnose-vlae het as aktiewe diagnoses verskyn nie.
🟡 Lokval 2 — BT-015-HEALTHY
Aanbieding. ’n 35-jarige vrou met ’n vyftien-parameter roetine-siftingpaneel. Elke analiet sit gemaklik binne sy verwysingsreeks.
Korrek interpretasie. Versoeking en lewenstylinstandhouding. Die interpretasie moet nie grenspatologie “uitvind” om klinies nuttig te klink nie.
V11-resultaat. Saamgestelde 1.000. Geen van die sewe gemonitorde oor-diagnose-vlae—diabetes, anemie, hipotireose, dislipidemie, hepatitis, niersiekte, tekort—het as aktiewe diagnoses verskyn nie.
Oor albei lokvalle is dertien gemonitorde hiper-diagnose-vlae nagegaan. Geen is geaktiveer nie. Dit is die resultaat wat die meeste saak maak vir enige klinikus wat dit oorweeg om ’n KI-enjin as ’n triage- of pre-konsultasie-instrument te gebruik: die stelsel het nie siekte uitgedink waar geen bestaan het nie.
Mentzer-indeks: skeiding van ystertekort van talassemie-eienskap
’n Tweede hoë-waarde bevinding handel oor die koppeling van saak BT-001 (ystertekortanemie) met saak BT-007 (beta-talassemie minor). Albei toon mikrositose en is ’n bekende struikelblok vir onervare klassifiseerders. Die Mentzer-indeks, bereken as MCV gedeel deur RBC-telling, is hoër as 13 by ystertekort en daal onder 13 by talassemie-eienskap.
In BT-001 was die pasiënt ’n 34-jarige vrou met hemoglobien 10.4 g/dL, MCV 72.4 fL, RBC 4.1 × 10¹²/L, ferritien 6 ng/mL, en verhoogde TIBC. Die Mentzer-indeks van ongeveer 17.7 ondersteun absolute ystertekort. In BT-007 was die pasiënt ’n 28-jarige man met mikrositose (MCV 65.8 fL) maar ’n hoë RBC-telling van 6.2, ’n normale RDW, normale ferritien, en HbA2 van 5.6 persent. Die Mentzer-indeks van ongeveer 10.6 dui op talassemie-eienskap, en die verhoogde HbA2 bevestig beta-talassemie minor.
Albei gevalle het 1.000 behaal. Die enjin het die Mentzer-indeks eksplisiet in albei interpretasies gebruik en die korrekte diagnose in elke geval teruggegee. Dit is die enkele mees klinies geruststellende resultaat in die hele maatstaf, omdat die verkeerde klassifisering van talassemie-eienskap as ystertekort lei tot onvanpaste yeraanvulling en gemiste geleenthede vir familie-sifting, en die verkeerde klassifisering van ystertekort as talassemie die eenvoudige vervangingsterapie vertraag. Ons ferritienreeksriglyn verduidelik die breër differensiële konteks.
Per-geval resultate uit die V11 aanvanklike verwysingslopie (23 April 2026)
Die oorspronklike V11-verwysingslopie op die 15-geval bewys-van-konsep kohort dien as die metodologiese grondslag van die Tweede Opdatering: elke per-geval detail hieronder illustreer hoe die rubriek ’n werklike enjinreaksie hanteer. Twaalf van vyftien gevalle het die plafon saamgestelde telling van 1.000 op die primêre pad bereik; drie gevalle is via die Fase 2-terugval bedien, en het die 0.05 latensie-bonus verloor terwyl alle kliniese en strukturele inhoud behoue gebly het. Een geval het ’n enkele verpligte subafdeling ontbreek; een het ’n marginaal verminderde waarskynlikheidsverdelingsom teruggegee.
Die PCOS-geval (BT-008) het ’n enkele verpligte subafdeling in die responsstruktuur verloor—vyftien uit sestien in plaas van sestien uit sestien—wat die strukturele telling van 1.000 na 0.963 afgeskaal het. Die SLE-geval (BT-011) het ’n marginaal verminderde waarskynlikheidsverdelingsom teruggegee wat die kliniese telling na 0.965 laat daal het, terwyl elke diagnostiese sleutelwoord en scoringsisteem behoue gebly het. Nie een van die subperfekte gevalle het ’n korrekte diagnose misgeloop nie.
V11 Tweede Opdatering aggregaat — 100,000 gevalle
Op bevolkingsskaal is individuele gevalrye nie mensleesbaar nie, so die Tweede Opdatering rapporteer geaggregeerde maatstawwe eerder as ’n 100,000-ry tabel. Die hoofopskrif-aggregaat word hieronder getoon; per-spesialiteit en per-land uitsplitsings word in die tegniese verslag en die Figshare-deposito gepubliseer. ’n Gestratifiseerde ewekansige steekproef van n = 201 rou enjinreaksies (deterministiese saad 20260426) word in die GitHub results/-gids van die bewaarplek. ’n Vars lopie sal ’n nuwe tydstempel-scorekaart produseer terwyl die verwysingsloping onaangeraak gelaat word. As jou lopie ’n betekenisvol verskillende resultaat lewer, maak asseblief ’n GitHub-kwessie oop met die lopietydstempel en die enjinweergawe wat in die responsmetadata teruggestuur is. gids gepubliseer vir inspeksie.
Wat die opskrif-telling nie vir ons sê nie
’n Saamgestelde telling van 99.80 persent onder hierdie spesifieke vooraf-geregistreerde rubriek, op ’n 100,000-geval geanonimiseerde kohort wat 127 lande dek, verteenwoordig byna-plafonprestasie — maar dit verdien noukeurige inkadering. Die resultaat beskryf die enjin se gedrag teen die rubriek waarvoor ons in V11 se bronkode verbind het; dit is nie ’n universele aanspraak oor die enjin se korrekte werking op elke bloedtoets-paneel wat in die natuur bestaan nie.
Die telling sê die enjin het die diagnostiese patrone wat vir hierdie evaluasie gekies is, korrek hanteer oor ’n kohort op bevolkingskaal, op ’n metodologie wat gepubliseer en herhaalbaar is. Dit sê nie die enjin is korrek op elke bloedtoets-paneel wat in die natuur bestaan nie. Dit sê nie die enjin behoort kliniese oordeel te vervang nie. En dit sê nie die enjin presteer beter as alternatiewe KI-stelsels nie — vergelykende ontledings teen ander enjins was doelbewus buite die bestek van hierdie verslag.
Wat die telling wel vasstel, is ’n basislyn. Met die rubriek en tuig wat publiek is, kan toekomstige weergawes van die enjin teen dieselfde rubriek geëvalueer word—toegepas op die V11 aanvanklike 15 gevalle, die Tweede Opdatering 100,000-geval kohort, of enige daaropvolgende uitbreiding—en die gaping tussen die gepubliseerde telling en enige daaropvolgende lopie is self meetbaar. Dit is die waarde van voorafregistrasie: dit omskep prestasie-eise in toetsbare eise.
Hoe om hierdie maatstaf in 10 minute te herhaal
Herproduseer vereis slegs ’n Kantesti API-credential-paar en ’n Python 3.10 of later-omgewing met die requests en reportlab biblioteke geïnstalleer. Die volledige tuig is ’n enkele selfstandige Python-module wat onder die MIT-lisensie vrygestel is.
Vier stappe vir ’n vars lopie
Een. Kloneer die bewaarplek: git clone https://github.com/emirhanai/kantesti-blood-test-benchmark.git. Twee. Installeer afhanklikhede met pip install -r requirements.txt (Tweede Opdatering voeg by mysql-connector-python ≥ 8.0 vir die SQL-gevallelaaier). Drie. Stel KANTESTI_USERNAME en KANTESTI_PASSWORD as omgewingsveranderlikes vir die enjin-API. Vir die Tweede Opdatering SQL-gevallelaaier, stel ook in KANTESTI_DB_HOST, KANTESTI_DB_PORT, KANTESTI_DB_NAME, KANTESTI_DB_GEBRUIKER, en KANTESTI_DB_WAGWOORD — die laaier koppel via ’n leesalleen-rol (bench_reader) wat geen regte het om tabelle te identifiseer nie. Vier. Begin python benchmark_bloodtest.py --limit 100000 vir die volledige Second-Update-uitvoering, of python benchmark_bloodtest.py --limit 1000 vir vinnige iterasie. Uitsette beland in ./benchmark_results/: ’n CSV-tellingkaart met per-land- en per-spesialiteitkolomme, ’n JSON-aggregaat, ’n gestratifiseerde-willekeurige rou-responsmonster, en ’n Markdown-verslag.
Die verwysingsuitvoerings vanaf 23 April 2026 (V11 aanvanklik, 15 gevalle) en 26 April 2026 (V11 Second Update, 100,000 gevalle) word in die results/-gids van die bewaarplek. ’n Vars lopie sal ’n nuwe tydstempel-scorekaart produseer terwyl die verwysingsloping onaangeraak gelaat word. As jou lopie ’n betekenisvol verskillende resultaat lewer, maak asseblief ’n GitHub-kwessie oop met die lopietydstempel en die enjinweergawe wat in die responsmetadata teruggestuur is. gids van die bewaarplek bewaar. ’n Vars uitvoering sal ’n nuwe tydstempel-tellingkaart produseer terwyl die verwysingsuitvoerings onaangeraak gelaat word. As jou uitvoering ’n betekenisvol verskillende resultaat lewer, maak asseblief ’n GitHub-kwessie oop met die uitvoering se tydstempel en die enjinweergawe wat in die responsmetadata teruggestuur is.
Beperkings en toekomstige werk
Selfs met 100,000 gevalle oor 127 lande, verdien vier beperkings ’n eksplisiete erkenning: langstert-land-ondersampling, enkel-skoot-evaluering, enkel-enjin-omvang, en enkelbron-data-oorsprong. Elkeen word aangespreek in aktiewe opvolgwerk.
Langstert-landdekking. Die Second Update strek oor 127 lande, maar die verspreiding is ongebalanseerd — die top 10 bydraers beslaan ≈66.4% van die gevalle, en die langstert van 97 bykomende lande dra saam ≈7.3% by (ongeveer 7,300 gevalle tesame, ~75 gevalle per land gemiddeld). Per-land-saamgestelde resultate in hierdie langstert is dus skerper geraasig as wat opskrifsyfers suggereer. Toekomstige uitvoerings sal verkieslik werf uit onderbemonsterde lande om per- jurisdiksie-skatting te versterk.
Enkel-skoot-evaluering. Elke geval in die kohort is een keer geëvalueer. Groottaalmodelle toon nie-triviale uitsetvariasie selfs by lae monsternemingstemperatuur nie, so ’n multi-uitvoering-protokol met vyf evaluasies per geval en gerapporteerde variasie is ’n natuurlike volgende stap — veral op die lokval-gevalle-substel, waar konsekwentheid onder monsternemings-wankeling deel is van die veiligheidsaanspraak.
Enkel-enjin-omvang. Hierdie verslag karakteriseer een enjin. Vergelykende ontledings teen alternatiewe KI-stelsels val buite die bestek hier; ons mag dit as ’n aparte onafhanklike studie met toepaslike metodologie nastreef, teen dieselfde MIT-gelisensieerde raamwerk.
Enkelbron-data-oorsprong. Die 100,000 gevalle is geanonimiseerde werklike pasiëntrekords wat uit ’n enkele kliniese bewaarplek getrek is (die Kantesti SQL-ondersteunde kliniese data-warehousing). Hulle verteenwoordig ’n gekureerde produksielyn en is nie ’n populasie-verteenwoordigende ewekansige trekking op globale vlak nie. Om die evaluering uit te brei na ekstern-verkrygde multi-sentrumdata is op die padkaart.
Benewens hierdie vier, is die mees impakvolle beplande uitbreiding multi-taal gelykheid per jurisdiksie. Die Kantesti KI-enjin bedien gebruikers in 75+ tale, en die uitvoer van taal-gestratifiseerde Second-Update-subkohorte (Turks, Duits, Spaans, Frans, Italiaans, Portugees, Arabies, Mandaryns) sal die uitsetkwaliteit oor die enjin se ondersteunde tale kwantifiseer. Elke taal-gestratifiseerde ontleding sal gepubliseer word met sy eie DOI en raamwerk-tak.