ولې دا بنچمارک شتون لري او څه ازمېيي

د AI په مرسته د وینې ازموینې تشریح په زیاتېدونکي ډول د مصرفوونکو او کلینیکي کاري بهیرونو کې کارول کېږي، خو د لابراتوار طب لپاره ځانګړي، د بیا تولید وړ ارزونې چوکاټونه لا هم کم دي. په دې چاپېریال کې تر ټولو مهمې پوښتنې هغه نه دي چې د عمومي طبي پوښتنه-ځواب (question-answering) معیارونو کې پوښل کېږي: ایا انجن کولی شي د اوسپنې کموالی له تالاسیمیا ځانګړنې (trait) څخه بېل کړي کله چې د منځني کروی حجرو حجم (MCV) یو شان وي، ایا د ګیلبرټ سنډروم د هیپاتیت په توګه ډېر تشخیص کوي، او ایا په بشپړ نورمال سکرینینګ پینل کې رنځپوهنه جوړوي؟

د مخکې ثبت شوي روبرک فلو ډیاګرام چې ښيي څنګه د Kantesti AI انجن — V11 دویم اپډېټ، په 100,000 قضیو کې 99.80% جامع سکور — د کنګل شوي سکورینګ معیارونو پر وړاندې ارزول کېږي
شکل ۱: د بنچمارک معمارۍ تر شا چې 99.80% ګډ امتیاز په V11 دوهم اپډېټ کې د 100,000-قضيې کوهورټ — هره قضیه، هر کلیدي کلمه، هر د سکورنګ سیستم په سرچینې کوډ کې مخکې له دې چې انجن یو واحد PDF وویني ټاکل شوی دی، او روبریک د V11 لومړني خپرونې سره بایټ-یوشان (byte-identical) دی. د ډیزاین له مخې وروسته-له-وړاندې روبریک تنظیمول ناممکن دي.

د وینې یو واحد ازموینې پینل عموماً دومره معلومات لري چې د څو بېلابېلو تفسیرونو ملاتړ وکړي، او د تفسیر کوونکي ډاکټر دنده دا ده چې دا تفسیرونه یو له بل سره وزن کړي، نه دا چې د کتاب په شان یو واحد ځواب راوباسي. هغه انجن چې په کتابي قضیو کې ښه کار کوي، بیا هم په هغو قضیو کې ناکامېدای شي چې تر ټولو مهمې دي: د افتراقی تشخیص (differential-diagnosis) جالونه، هغه بې ضرره بدلونونه چې په یوازې توګه خطرناک ښکاري، او بشپړ نورمال پینلونه چې باوري مرستندویان اړ باسي چې رنځپوهنه (pathology) جوړه کړي.

دا بنچمارک دقیقاً د همدغو ناکامیو حالتونو پر بنسټ جوړ شوی و. په پنځلسو قضیو کې هره قضیه د یوې ځانګړې تشخیصي ځانګړتیا لپاره ټاکل شوې وه: د اوسپنې کموالي له امله مایکرو سایټوسس (microcytosis) چې باید د ورته mean corpuscular volume لرونکي beta-thalassaemia trait څخه بېل وساتل شي؛ د ګیلبرټ سنډروم (Gilbert's syndrome) داسې بڼه چې یوازینی غیرعادي حالت یې د یوازې indirect hyperbilirubinaemia درلودل وي؛ او یو پنځلس-پارامیټره سکرینینګ پینل چې په کې هر تحلیلګر (analyte) د خپل مرجع حد (reference range) دننه وي. روبرک (rubric) هغه انجنونه انعاموي چې هره قضیه په خپلو شرایطو کې لولي، او هغه انجنونه مجازاتوي چې داسې باوري تشخیص ته ورسېږي چې د همدغې تشخیص لپاره هېڅ توجیه نه وي.

د ډاکټر توماس کلاین (Thomas Klein, MD) په توګه، ما د قضیو دا پینل غوره کړ ځکه دا هغه بڼې دي چې د لابراتوار-طب (laboratory-medicine) مرستندویان تر ټولو ډېرې وختونه غلطوي. ګران ناکامي دا نه ده چې "یو نادره ناروغي له لاسه ورکړي" — بلکې دا ده چې په هغو ناروغانو کې عادي رنځپوهنه (routine pathology) جوړ کړي چې دا ناروغي نه لري. زموږ طبي اعتبار هب د پراخ چوکاټ تشریح کوي؛ دا پاڼه د V11 لومړني ثبوت-د-مفهوم (proof-of-concept) او د V11 دوهم اپډېټ تشریح کوي چې دا یې تر 100,000 بې‌نومه قضیو پورې پراخ کړ—چې د SQL-مخکې کلینیکي ذخیرې څخه اخیستل شوې وې او 127 هېوادونه یې پوښلي—د هماغه سکورنګ روبریک په کارولو سره، بایټ-یوشان، او د وروسته-له-وړاندې تنظیم اجازه نه ورکول کېږي.

وروستۍ حواله شوې (reference) اجرا — V11 دوهم اپډېټ (اپرېل 26، 2026)

د V11 دوهم اپډېټ حواله شوې اجرا د 26 اپرېل 2026 پر 26 نېټه د 99.80% پر هماغه مخکې ثبت شوې روبریک باندې، چې د V11 لومړني خپرونې لپاره کارول شوې وه، ارزول شوې 100,000 بې‌نومه قضیې د Kantesti SQL-مخکې کلینیکي ذخیرې څخه اخیستل شوې او تر 127 هېوادونو او 75+ ژبو پورې غځېدلې. هره قضیه د انجن د لومړني مسیر (primary path) له لارې بشپړه شوه؛ د trap-case هایپرډایګنوسس (hyperdiagnosis) د بیرغ فعالېدل په 0 / 87,412. کې پاتې شول. د V11 اصلي اجرا پر 23 اپرېل 2026 کې 15 په لاس ټاکل شوې (hand-curated) قضیې شاملې وې (ترکیبي 99.12%) او روبریک یې تایید کړ؛ دوهم اپډېټ هماغه روبریک بایټ-یوشان ساتي او ارزونه یې د نفوس-کچې کوهورټ ته غځوي.

ګډ (Composite) 99.80% له 100,000 څخه 100,000 قضیو کې سکور
1.000 جوړښتي نمره (Structural score)
0.996 کلینیکي نمره (Clinical score)
13.26 s منځنۍ ځنډ (Mean latency)
0 / 87,412 د جال غلط مثبتونه (Trap false-positives)

ګډ فورمول درې برخې سره یوځای کوي: جوړښتي سمون (structural conformance) د اوو اجباري راپور برخو او شپاړسو اجباري فرعي برخو سره،, کلینیکي دقت (clinical accuracy) د keyword recall تر څنګ د scoring-system recall او د احتمال-وېش د اعتبار (probability-distribution validity) د چک په اندازه، او د ځواب ځنډ (response latency) د لومړني-مسیر د خدمت-کچې (service-level) هدف پر وړاندې. د دقیق تجزیه (decomposition) بڼه لاندې د روبریک په فورمول کې ښودل شوې—د دوهم اپډېټ لپاره له دې وزنونو یا فرعي-روبریکونو څخه هېڅ هم نه دي بدل شوي.

ګډ (Composite) = 0.35 × جوړښتي (Structural) + 0.55 × کلینیکي (Clinical) + 0.10 × ځنډ (Latency)

د سر-حد (headroom) پاتې 0.20 سلنه ټکي نږدې ټول د کلینیکي فرعي-سکور (clinical sub-score) له لارې تجزیه کېږي—د قضیو لږه برخه (په ځانګړي ډول په Hepatology او Rheumatology کې) داسې یو تمه شوی سکورنګ-سیستم کلیدي کلمه نه درلوده چې د انجن په تفسیر کې ورکه شوې وه، سره له دې چې د تشخیص منځپانګه سمه وه. د 100,000-قضیو دوهم-اپډېټ کوهورټ کې هېڅ یوه قضیه پخپله تشخیص له لاسه نه دی ورکړی. ځنډ (Latency) د V11 لومړني خپرونې کې د اوسط 20.17 s څخه په دوهم اپډېټ کې 13.26 s ته ښه شوی؛ دا د دوو اجراوو ترمنځ د تولیدي انجن (production engine) د اصلاحاتو ښکارندویي کوي؛ روبریک، د سکورنګ کوډ، او د API پای ټکی (endpoint) نه دي بدل شوي.

د هېوادونو له مخې ترکیبي سکورونه د 0.9971 (هند) څخه تر 0.9985 (سویس) پورې وو، د 30 تر ټولو ډېر استازیتوب لرونکو هېوادونو په اوږدو کې. د 97 نورو هېوادونو اوږده لکۍ (≈7,300 قضیې په ګډه) کومه سیستماتیک خرابوالی نه ښود. د قضیو له شمېرې له مخې غوره مرسته کوونکي هېوادونه د متحده ایالات (10,500)، برازیل (9,500)، هسپانیه (9,000)، ایټالیا (8,000)، جرمني (7,800)، فرانسه (7,400)، پرتګال (5,800)، Türkiye (3,400)، انګلستان (2,900)، او مکسیکو (2,500) وو.

له ۱۵ قضیو څخه تر 100,000 پورې: په 127 هېوادونو کې د کوهورټ تکامل

د V11 اصلي قضیه-پینل اووه تخصصونه پوښلي—hematology، endocrinology، metabolic medicine، hepatology، nephrology، cardiology، rheumatology—او همدارنګه دوه ځانګړي هایپرډایګنوسس trap قضیې؛ هره قضیه د Kantesti کلینیکي ډیټا ذخیرې څخه د لیکلي باخبره رضایت (written informed consent) په اساس یو بې‌نومه حقیقي ناروغ ریکارډ و. د V11 دوهم اپډېټ ارزونه تر 100,000 بې‌نومه قضیو پورې غځوي چې 127 هېوادونه پوښي, او په اتو تخصصونو کې وېشل شوې (اصلي اووه + یو ځانګړی داخلي-طب (internal-medicine) بکس چې د trap فرعي-سیټ جذبوي). هماغه سکورنګ روبریک په دواړو اجراوو کې بایټ-یوشان پلي کېږي.

د V11 لومړني قضیه-پینل ډیزاین — پنځلس بې‌نومه د وینې ازموینې قضیې په اوو طبي تخصصونو کې، او دوه هایپرډایګنوسس جال قضیې؛ هماغه روبرک په V11 دویم اپډېټ کې په 100,000 قضیو کې 99.80% جامع سکور ته رسېدلی
شکل ۲: د V11 لومړني قضیه-پینل ډیزاین په hematology، endocrinology، metabolic medicine، hepatology، nephrology، cardiology، rheumatology کې—تر څنګ یې دوه trap قضیې: د Gilbert's syndrome او یو په بشپړ ډول نورمال سکرینینګ پینل. دوهم اپډېټ دا روبریک بایټ-یوشان ساتي، خو کوهورټ یې تر 100,000 قضیو پورې غځوي چې د Kantesti SQL ذخیرې څخه اخیستل شوې دي.

بې‌نومول (De-identification) د Safe Harbor تګلارې لاندې ترسره شو: ټول مستقیم پېژندونکي (direct identifiers) لرې یا بدل شول، او هر ریکارډ ته د بنچمارک-داخلي قضیې کوډ (benchmark-internal case code) په بڼه BT-NNN-LABEL (V11 لومړنی) یا د دوهم اپډېټ لپاره یو باثباته بې‌نومه case_uid ورکړل شو. پروسس د GDPR ماده 9(2)(j) د ساینسي څېړنې لپاره د مناسب خوندیتوبونو (safeguards) سره، او د انګلستان د GDPR اړوند برابر احکامو مطابق ترسره شو. په خپاره شوي هارنس (harness)، تخنیکي راپور (technical report)، یا خپاره شویو ډیټاسیټونو کې هېڅ شخصي پېژندونکې معلومات نه ښکاري.

V11 لومړني خپرونې سره سم ترسره شو — 15 په لاس ټاکل شوې قضیې

د V11 اصلي قضیې پینل د ډاکټر توماس کلاین له خوا په لاسي ډول غوره شوی و، تر څو هغه تشخیصي بڼې تمرین کړي چې د لابراتوار-طب معاونین تر ټولو زیاتې غلطې کوي. هره له پنځلسو قضیو څخه د لاندې لست شوې یوې ځانګړې تشخیصي ځانګړنې لپاره غوره شوې وه.

هیماتولوژي (3) BT-001، BT-006، BT-007 د اوسپنې کموالي انیمیا · د B12 کمښت · د بیټا-تالاسیمیا لږ ډول (minor)
اندوکراینولوژي (3) BT-002، BT-008، BT-012 د هاشیموتو تایرایډایټس · د انسولین مقاومت سره PCOS · سخت د وټامین ډي کمښت
میتابولیک (2) BT-003، BT-013 T2DM د میتابولیک سنډروم سره · د ګوت خطر سره هایپریوریسیمیا
هیپاتولوژي (2) BT-004، BT-009 NAFLD / NASH · حاد ویروسي هیپاتیت
نیفرولوژي · کارډیولوژي · روماتولوژي (3) BT-005، BT-010، BT-011 د CKD مرحله 3 · اتیروجینک ډیسلیپیډیمیا · سیسټمیک لوپس اریتیماټوسس
Trap قضیې (2) BT-014، BT-015 د ګیلبرټ سنډروم (یوازېنی غیر مستقیم هایپربیلیروبینیمیا) · د لویانو لپاره په بشپړه توګه نورمال سکرین

ولې همدا ځانګړی وېش

هیماتولوژي درې قضیې ترلاسه کوي، ځکه چې مایکرو سایټیک افتراقیات او ماکرو سایټیک افتراقیات په واقعي نړۍ کې د لابراتوار په عمل کې تر ټولو د لوړ حجم «جالونه» دي. اندوکرینولوژي درې قضیې ترلاسه کوي، ځکه د هاشیموتو، PCOS، او د وټامین ډي کمښت وړاندې کېدنې بېلابېل تشخیصي شکلونه تمرینوي (د خودانتي‌بدن له لارې رهبري کېدونکی، د هورمون-تناسب له لارې رهبري کېدونکی، او د واحد-نښه له لارې رهبري کېدونکی). د یوې قضیې ځانګړې څانګې لا هم معنا لري، ځکه هر د CKD، د ASCVD خطر، او SLE خپل د نمرې ورکولو سیستم لري چې انجن باید وکاروي (په ترتیب سره د KDIGO سټیجینګ، د ASCVD 10 کلن خطر، او د 2019 EULAR/ACR SLE معیارونه).

V11 دویم تازه‌کاري — په 127 هېوادونو کې 100,000 بې‌نومه قضیې

دویم تازه‌کاري اصلي V11 سخت‌کوډ شوی 15-قضیه Python لفظ د Kantesti کلینیکي زېرمه (repository) پر وړاندې د پارامیټرایز شوې، یوازې-د-لوستلو SQL پوښتنې سره بدلوي (anonymised_blood_panels). پوښتنه فلټر کوي په consent_research = 1 AND released_for_benchmark = 1 او د شفافیت لپاره د هر بنچمارک چلولو په سر کې چاپېږي. د تخصص له مخې د کوهورټ وېش لاندې ښودل شوی.

انډوکراینولوژي 23,900 قضیې (23.9%) تایرایډ، PCOS، د وټامین ډي، جنډالي محور، پیټیوټري
میتابولیک طب 21,900 قضیې (21.9%) T2DM، میتابولیک سنډروم، د شحمو پینلونه، هایپراوریسمیا
هیماتولوژي 15,400 قضیې (15.4%) مایکروسایټیک او میکروسایټیک توپیرونه، B12/فولیټ، د اوسپنې څېړنې
هیپاتولوژي 12,400 قضیې (12.4%) NAFLD/NASH، ویروسي هیپاتیت، FIB-4، کولیسټاسس
داخلي طب (د trap فرعي سیټ په ګډون) 9,000 قضیې (9.0%) ګډې وړاندې‌کونې او 8,723 ځانګړې هایپرډایګنوسس trap قضیې
کارډیولوژي 7,500 قضیې (7.5%) د ASCVD خطر، اتیروجینیک ډیسلیپیډیمیا، hs-CRP
روماتولوژي 6,000 قضیې (6.0%) SLE، RA، واسکولایټس، د خودکار انټي باډي پینلونه (EULAR/ACR معیارونه)
نیفولوژي 4,000 قضیې (4.0%) د CKD پړاوونه (KDIGO)، د eGFR تمایلات، د الکترولایټ ګډوډي

جغرافیایي وېش — غوره ۱۰ هېوادونه

دا کوهورټ ۱۲۷ هېوادونه پوښي (ISO 3166-1 alpha-2). اروپا 57.7% برابروي، امریکاګانې 25.4%، اسیا-پاسیفیک 6.2%، د منځني ختیځ/افریقا نومول شوې داخلې 3.4%، او د ۹۷ نورو هېوادونو اوږده لکۍ په ګډه نږدې 7.3% جوړوي. لس تر ټولو لوی مرسته کوونکي هېوادونه متحده ایالات (10,500)، برازیل (9,500)، هسپانیه (9,000)، ایټالیا (8,000)، جرمني (7,800)، فرانسه (7,400)، پرتګال (5,800)، Türkiye (3,400)، انګلستان (2,900)، او مکسیکو (2,500) دي. د هېواد-په-کچه ګډ (composite) نمرې له 0.9971 (هند) څخه تر 0.9985 (سویس) پورې وې.

مخکې ثبت شوی روبرک، تشریح شوی

مخکې له ثبت (Pre-registration) د دې بنچمارک تر ټولو مهمه میتودولوژیکه پرېکړه ده. هر متوقع تشخیص، هر کلینیکي نمره‌ورکوونکی سیستم، او هر راپور برخه د سرچینې کوډ ته ژمنه شوې وه مخکې له دې چې انجن وبلل شي. نو له ثبت وروسته د روبریک (rubric) داسې تنظیمول چې انجن ته «خوښ» راشي، له همدې امله ناممکن دي.

درې برخې د ګډ (composite) نمرې جوړوي. جوړښتي برخه (structural component) ۳۵ سلنه مرسته کوي او اندازه کوي چې ایا انجن اووه اجباري راپور برخې (سرلیک، لنډیز، مهمې موندنې، افتراقیات، د نمرې ورکولو سیستمونه، سپارښتنې، تعقیب) او په هغو کې شپاړس اجباري فرعي برخې بېرته راستانه کړې که نه. د برخې شتون ۴۰ سلنه وزن لري او د فرعي برخې شتون ۶۰ سلنه وزن لري، د جوړښتي محاسبې دننه.

د کلینیکي برخه (clinical component) ۵۵ سلنه مرسته کوي او درې شیان سره یوځای کوي: د تشخیص-کلیدي کلمې یادول (د کلینیکي فرعي نمرې ۷۰ سلنه)، د نمره‌ورکوونکي سیستم یادول (۲۰ سلنه — ایا انجن Mentzer، FIB-4، HOMA-IR، د ASCVD خطر، د KDIGO سټیجینګ، او د EULAR/ACR معیارونه محاسبه کوي چېرته چې اړوند وي)، او د احتمال-جمع اعتبار چک (۱۰ سلنه — د افتراقیاتو احتمالات باید د [90, 110] په منځ کې سره جمع شي). د جال (trap) قضیو لپاره، تر 0.30 پورې یو صریح «هایپر-تشخیص» جریمه کمه کېږي، چې د هر جوړ شوي رنځپوهنې بیرغ لپاره 0.10 حسابېږي او تر درې بیرغونو پورې محدود وي.

د د ځنډ برخه (latency component) ۱۰ سلنه مرسته کوي. د ۲۰ ثانیو نه کم ځواب بشپړ 0.10 اخلي، د ۴۰ ثانیو نه کم ځواب 0.05 اخلي، او هر څه وروتر صفر دی. د ۲۰ ثانیو هدف د تولید د لومړني primary-path خدمت-کچې موخې (service-level objective) منعکسوي؛ د ۴۰ ثانیو چت د درنې-انجن بلنې لپاره د دویم پړاو (Phase 2) بیک اپ بودیجې منعکسوي.

د MIT-جواز لرونکي Kantesti بنچمارک هارنس د چلولو او د هرې قضیې د سکورونو د تولید وروستۍ سکرین‌شاټ — هماغه هارنس، چې اوس SQL-چلول کېږي، په V11 دویم اپډېټ کې د 100,000-قضیه چلولو پر مهال 99.80% جامع سکور تولید کړ
انځور ۳: په اجرا کې ازمایښتي چوکاټ — هماغه انجن چې تولید یې کړ 99.80% ګډ (composite) د V11 دویم اپډېټ 100,000-قضیه کوهورټ. هره قضیه د A4 PDF په بڼه وړاندې کېږي، د تولید v11 اینډپواینټ ته پورته کېږي، او د کنګل شوې روبریک (rubric) پر بنسټ نمره اخلي. دویم اپډېټ یو پارامیټرایز شوی SQL قضیه لوډر (case loader) زیات کړ؛ د خام انجن د ځوابونو یو طبقه‌بندي شوی تصادفي نمونه (n = 201) د راټولې شوې سکورکارډ تر څنګ ساتل کېږي.

څه چې مخکې له ثبت (pre-registration) مخه نیسي

د لومړي-اړي (first-party) بنچمارکونه د post-hoc روبریک تنظیم له لارې د خپلو شمېرنو د پړسولو لپاره بدنام دي. الگو نږدې تل هماغه وي: ټیم انجن چلوي، ویني چېرته کمزوري فعالیت کوي، بیا په خاموشۍ سره روبریک داسې تنظیموي چې کم‌فعالې سیمې لږ حساب شي. د روبریک د سرچینې کوډ ته د لومړي انجن له بلنې مخکې ژمن کول او د MIT جواز لاندې د هارنس خپرول، دا تنظیم په د نسخې کنټرول (version control) کې ښکاره کوي. هر څوک کولی شي ذخیره (repository) کلون کړي، د روبریک د لیکوال نیټې وګوري، او تایید کړي چې د انجن پایلې د نمره‌اخستنې د شکل ورکولو لپاره نه دي کارول شوې.

د هایپرډایګنوسس (ډېر تشخیص) جال قضیې — ولې د ډېر زنګ وهلو (over-calling) اصلي ناکامي حالت دی

په عادي سکرینونو کې د رنځپوهنې په زور سره (aggressive) ډېر تشخیص کول د مصرف‌کوونکو پر مخ طبي مرستندویانو لپاره یو مستند ناکامي حالت دی. د هغې لاندیني لګښتونه پکې غیر ضروري څېړنه، د ناروغ اندېښنه، او iatrogenic (د درملنې له امله رامنځته شوې) ارزونه شامله ده. په دې بنچمارک کې دوه جال-قضیې داسې ډیزاین شوې چې دا ناکامي حالت ښکاره او د نمرې وړ وګرځوي.

د یو بې‌پروایي AI له خوا د ګیلبرټ سنډروم پینل کې د هیپاتیت جوړولو او د Kantesti انجن تر څنګیزه پرتله — چې په سمه توګه د بې‌خطره UGT1A1 پولیمورفیزم پېژندنه کوي — هغه میتودولوژي چې په V11 دویم اپډېټ 99.80% بنچمارک کې د 87,412 جال-فلیګ فرصتونو په اوږدو کې صفر غلط مثبتونو ته پراخه شوه
شکل ۴: د V11 لومړني خپرېدو د trap-case ډیزاین — داسې انجن چې په ډاډ سره د ګیلبرټ سنډروم (Gilbert's syndrome) د هیپاتایټس په توګه نښه کوي، یا چې په بشپړ ډول نورمال سکرین کې سرحدي (borderline) رنځپوهنه جوړوي، د کلینیکي غږولو لپاره انعام نه اخلي بلکې مجازات کېږي. دا طریقه د V11 دویم اپډېټ 100,000-قضیه چلولو کې تر 0 / 87,412 false-positives پورې وغځول شوه چې د 99.80% ګډ نمره یې تولید کړه.

🟡 جال 1 — BT-014-GILBERT

وړاندې کېدنه (Presentation). یو ۲۴ کلن نارینه د ټول بلیروبین ۲.۴ mg/dL سره. مستقیمه برخه نورماله ده، ترانسامینازونه او الکالاین فاسفېټاز د خپلو حوالوي حدودو (reference ranges) دننه دي، رتیکولوسایټونه بې‌اهمیته دي، او هپټوګلوبین او LDH هیمولایزس ردوي.

سمه تشریح (Correct interpretation). د ګیلبرټ سنډروم — یو بې‌خطر UGT1A1 پولیمورفیزم. تشریح باید هیپاتایټس، سیرروسس، هیمولایټیک انیمیا، یا د صفرايي خنډ (biliary obstruction) ته استناد ونه کړي.

د V11 پایله. ګډه نمره 1.000. د شپږو څارل شوو (monitored) له‌ډېر-تشخیص (over-diagnosis) هیڅ یو بیرغ د فعال تشخیص په توګه نه ښکاره شو.

🟡 جال 2 — BT-015-HEALTHY

وړاندې کېدنه (Presentation). یوه ۳۵ کلنه ښځه د پنځلس-پارامیټر معمول routine سکرینینګ پینل سره. هر انالایټ په آرامۍ سره د خپل حوالوي حد (reference range) دننه دی.

سمه تشریح (Correct interpretation). د ډاډ ورکولو او د ژوند طرز ساتنه. تشریح باید داسې سرحدي رنځپوهنه جوړه نه کړي چې د کلینیکي ګټې لپاره بې ځایه “ګټور” ښکاره شي.

د V11 پایله. جامع 1.000. د اوو څارل شوو له‌ډېرو تشخیص-زیاتولو (over-diagnosis) نښو څخه—شکره، انیمیا، هایپوتایرایډیزم، ډیس‌لایپیډیمیا، هیپاتیت، د پښتورګو ناروغي، کمښت—هیڅ یو د فعال تشخیص په توګه نه و څرګند شوی.

په دواړو “ټراپ”ونو کې، دیارلس څارل شوې هایپرډایګنوسس (hyperdiagnosis) نښې وکتل شوې. هېڅ یوه فعاله نه شوه. دا هغه پایله ده چې د هر کلینیشن لپاره تر ټولو مهمه ده چې د AI انجن د ټرایج یا د مشورې نه مخکې د وسیلې په توګه کارولو ته پام کوي: سیستم داسې ناروغي نه ده ایجاد کړې چې شتون نه درلود.

د منتزر شاخص: د اوسپنې کموالي له thalassaemia trait څخه جلا کول

دویمه د لوړ ارزښت موندنه د قضیې BT-001 (د اوسپنې کمښت انیمیا) او قضیې BT-007 (د بیټا تالاسیمیا لږ ډول) د یوځای کېدو په اړه ده. دواړه د مایکروسایټوسس (microcytosis) سره وړاندې کېږي او دا د ناپوه طبقه‌بندونکو لپاره یوه ښه پېژندل شوې ستونزه ده. د Mentzer شاخص، چې د MCV په تقسیم د RBC شمېرې سره محاسبه کېږي، په د اوسپنې کمښت کې له 13 څخه لوړ او په تالاسیمیا ټرېټ کې له 13 څخه ټیټ وي.

په BT-001 کې، ناروغ ۳۴ کلنه ښځه وه چې HGB 10.4 g/dL، MCV 72.4 fL، RBC 4.1 × 10¹²/L، فیرټین 6 ng/mL، او لوړ TIBC درلود. د شاوخوا 17.7 Mentzer شاخص د مطلق اوسپنې کمښت ملاتړ کوي. په BT-007 کې، ناروغ ۲۸ کلن نارینه و چې مایکروسایټوسس (MCV 65.8 fL) درلود، خو د RBC شمېر یې 6.2 لوړه وه، RDW نورمال و، فیرټین نورمال و، او HbA2 یې 5.6 سلنه و. د شاوخوا 10.6 Mentzer شاخص د تالاسیمیا ټرېټ ته اشاره کوي، او لوړ HbA2 د بیټا-تالاسیمیا لږ ډول تاییدوي.

د اوسپنې کمښت انیمیا Mentzer > 13 ټیټ فیرټین، ټیټ TSAT، لوړ TIBC، لوړ RDW
د بیټا تالاسیمیا ټرېټ Mentzer < 13 نورمال فیرټین، نورمال RDW، لوړ HbA2 (>3.5%)، د RBC شمېر لوړ

دواړو قضیو 1.000 نمره واخیسته. انجن په دواړو تشریحاتو کې په ښکاره ډول د Mentzer شاخص وکاراوه او په هر حالت کې یې سم تشخیص راوویست. دا د ټول بنچمارک تر ټولو یو واحد کلینیکي ډاډمنوونکې پایله ده, ، ځکه چې د تالاسیمیا ټرېټ د اوسپنې کمښت په توګه غلط طبقه‌بندي کول د اوسپنې نامناسبه تکمیلي درملنه لامل کېږي او د کورنۍ-سکرینینګ فرصتونه له لاسه ورکوي، او د اوسپنې کمښت د تالاسیمیا په توګه غلط طبقه‌بندي کول د مستقیم بدیل درملنې ځنډ رامنځته کوي. زموږ د فیرټین رینج لارښود د پراخ افتراقی (differential) شرایطو تشریح کوي.

د V11 لومړني حوالوي چل (April 23, 2026) څخه د قضیې-په-قضیه پایلې

د ۱۵-قضیه د ثبوت-په-مفهوم (proof-of-concept) کوهورټ پر بنسټ اصلي V11 حوالوي چل د میتودولوژیکي بنسټ دی د دویم اپډېټ لپاره: لاندې هره قضیه-په-قضیه جزیات ښيي چې روبریک څنګه د یوې واقعي انجن ځواب سره چلند کوي. له پنځلسو څخه دولس قضیې د لومړني مسیر (primary path) پر سر د 1.000 چت (ceiling) ګډ نمرې ته ورسېدې؛ درې قضیې د Phase 2 بیک اپ (fallback) له لارې خدمت شوې، د 0.05 latency بونس یې له لاسه ورکړ خو ټول کلینیکي او جوړښتي (structural) منځپانګه یې وساتله. یوه قضیه یو واحد اجباري فرعي برخه (subsection) نه درلوده؛ یوه یې د احتمال وېش (probability distribution) مجموعه په لږه کچه کمه راستانه کړه.

د قضیې پېژند (Case ID) تخصص (Specialty) ګډ (Composite) لاتنس (Latency) Path
BT-001-IDAهیماتولوژي1.00017.8 sprimary
BT-006-B12هیماتولوژي1.00018.4 ثانیېprimary
BT-007-THALهیماتولوژي1.00017.0 ثانیېprimary
BT-002-HASHانډوکراینولوژي0.95037.0 ثانیېبېرته تګ (fallback)
BT-008-PCOSانډوکراینولوژي0.98718.6 ثانیېprimary
BT-003-T2DMمیټابولیک1.00019.1 ثانیېprimary
BT-013-GOUTمیټابولیک1.00019.4 ثانیېprimary
BT-004-NAFLDهیپاتولوژي1.00019.6 ثانیېprimary
BT-009-VIRHEPهیپاتولوژي0.95023.4 ثانیېبېرته تګ (fallback)
BT-014-GILBERTجال (Trap)1.00018.9 ثانیېprimary
BT-005-CKDنیفولوژي1.00017.4 ثانیېprimary
BT-010-ASCVDکارډیولوژي1.00019.7 ثانیېprimary
BT-011-SLEروماتولوژي0.98118.2 ثانیېprimary
BT-012-VITDانډوکراینولوژي1.00019.3 ثانیېprimary
BT-015-HEALTHYجال (Trap)1.00018.7 ثانیېبېرته تګ (fallback)

د PCOS قضیه (BT-008) په ځواب جوړښت کې یو اجباري فرعي برخه له لاسه ورکړه — له شپاړس څخه پنځلس — چې د جوړښتي نمرې له 1.000 څخه 0.963 ته راکمه کړه. د SLE قضیه (BT-011) د احتمال-وېش د مجموعې په کچه لږ کموالی راوګرځاوه چې کلینیکي نمره یې 0.965 ته راټیټه کړه، خو هر تشخیصي کلیدي ټکی او د نمرې ورکولو سیستم یې وساته. هېڅ یوه نیمګړې قضیه سمه تشخیص له لاسه ورنکړ.

V11 دویم اپډېټ مجموعي — 100,000 قضیې

په د خلکو په کچه (population scale) کې، د هرې قضیې انفرادي قطارونه د انسان لپاره د لوستلو وړ نه دي، نو دویم اپډېټ د 100,000-قطار جدول پر ځای مجموعي شاخصونه (aggregated metrics) راپوروي. اصلي (headline) مجموعي لاندې ښودل شوی؛ د تخصص (specialty) او د هېواد له مخې تفکیکونه په تخنیکي راپور او Figshare زیرمه کې خپاره شوي. د n = 201 خام انجن ځوابونه (قطعي seed 20260426) د کتنې لپاره په GitHub results/ ډایرکټرۍ کې خپاره شوي.

ګډ نمره (Composite score) V11 لومړنی: 0.9912 (99.12%) → دویم اپډېټ: 0.9980 (99.80%) Δ = +0.0068 د 100,000-قضیه کوهورټ په اوږدو کې
جوړښتي نمره (اوسط) V11 لومړنی: 0.998 → دویم اپډېټ: 1.000 په د خلکو په کچه کې بشپړ جوړښتي مطابقت
کلینیکي نمره (اوسط) V11 لومړنی: 0.998 → دویم اپډېټ: 0.996 −0.002؛ هېڅ قضیه پخپله تشخیص له لاسه ورنکړ
ځنډ — اوسط (حد) V11 لومړنی: 20.17 ثانیې (17.0–37.0 ثانیې) → دویم تازه‌کول: 13.26 ثانیې (9.0–16.94 ثانیې) د چلولو ترمنځ د تولید انجن اصلاحات
د انجن لاره = اصلي V11 لومړنی: 12 / 15 → دویم تازه‌کول: 100,000 / 100,000 په هېڅ وخت کې د دویم پړاو (Phase 2) بېرته‌ستنېدل اړین نه و
د Trap-subset هایپر تشخیص (hyperdiagnosis) نښې V11 لومړنی: 0 / 13 → دویم تازه‌کول: 0 / 87,412 په نفوس کچه کې صفر غلط مثبتونه (8,723 د ټراپ قضیې څارل شوې)

د سرلیک نمره موږ ته څه نه وايي

د دې ځانګړې مخکې ثبت شوې (pre-registered) معیارنامې له مخې 99.80 سلنه ګډه نمره، په 127 هېوادونو کې د 100,000 قضیو په بې‌نوم (anonymised) ډله کې، نږدې د حد (near-ceiling) فعالیت ښيي — خو دقیق چوکاټ ته اړتیا لري. پایله د انجن چلند د هغه معیارنامې پر وړاندې تشریح کوي چې موږ په V11 کې د سرچینې کوډ (source code) ته ژمنه کړې وه؛ دا د انجن د سمون په اړه په نړۍ کې د هرې موجودې د وینې ازموینې پینل لپاره نړیواله ادعا نه ده.

نمره وايي چې انجن د دې ارزونې لپاره ټاکل شوي تشخیصي الګوګانې په نفوس کچه کې په سمه توګه اداره کړې، په داسې میتودولوژۍ سره چې خپره شوې او د بیا تولید وړ (reproducible) ده. دا نه وايي چې انجن د نړۍ په هر موجود د وینې ازموینې پینل کې سم دی. دا نه وايي چې انجن باید د ډاکټر/کلینیسین قضاوت ځای ونیسي. او دا هم نه وايي چې انجن د بدیلو AI سیستمونو څخه غوره دی — د نورو انجنونو پر وړاندې پرتله‌یزې شننې په قصدي ډول د دې راپور له دائره بهر وې.

هغه څه چې نمره یې ثابتوي یو بنسټیز معیار (baseline) دی. د معیارنامې او هارنس (harness) له عامېدو سره، د انجن راتلونکې نسخې د هماغه معیارنامې پر وړاندې ارزول کېدای شي — د V11 لومړنیو 15 قضیو، د دویم تازه‌کول 100,000 قضیو ډلې، یا هرې ورپسې پراختیا سره — او د خپرې شوې نمرې او د هرې ورپسې منډې ترمنځ تشه پخپله د اندازه کېدو وړ ده. دا د مخکې ثبت (pre-registration) ارزښت دی: دا د فعالیت ادعاوې د ازمېښت وړ ادعاوو په بڼه بدلوي.

څنګه په ۱۰ دقیقو کې دا معیار بیا تولید کړو

بیا تولید یوازې د Kantesti API د اعتبار (credential) د جوړه او د Python 3.10 یا وروسته چاپېریال ته اړتیا لري، چې requests او reportlab کتابتونونه نصب وي. بشپړ هارنس یو واحد، ځان بسیا (self-contained) Python ماډول دی چې د MIT جواز (licence) لاندې خپور شوی.

د بیا تولید وړتیا شبکې ډیاګرام چې د V11 دویم اپډېټ بنچمارک (99.80% جامع، 100,000 قضیې، 127 هېوادونه) په Figshare، ResearchGate، Academia.edu او GitHub کې منعکس ښيي، او د Figshare DOI د بنسټیزې (canonical) نښلونکي په توګه کار کوي
شکل ۵: د V11 دویم تازه‌کول بنچمارک — په 127 هېوادونو کې د 100,000 قضیو پر بنسټ 99.80% ګډه نمره — په څلورو څېړنیزو پلیټفارمونو کې ورته انعکاس لري. د Figshare DOI د علمي پېژندنې بنسټیز (canonical) شناسه دی؛ ResearchGate (خپرونه 404175463)، Academia.edu (مقاله 165956808)، او GitHub موازي کاپۍ کوربه کوي چې د SQL ملاتړ لرونکی هارنس، د خامو ځوابونو طبقه‌بندي شوی تصادفي نمونه، او د هر هېواد/هر تخصص لپاره د نمرې کارتونه پکې شامل دي.
💻 GitHub د MIT جواز لرونکی هارنس · خام ځوابونه · د حوالې منډه 🔗 Figshare DOI 10.6084/m9.figshare.32095435 · بنسټیز علمي ریکارډ 🎓 د څېړنې دروازه خپرونه 404175463 · V11 دویم تازه‌کول · د علمي کشف لایه 📄 اکاډیمیا.ایډو مقاله 165956808 · V11 دویم تازه‌کول · د علمي کشف لایه

د نوې منډې لپاره څلور ګامونه

یو. د ذخیرې کلون کول (Clone the repository): git clone https://github.com/emirhanai/kantesti-blood-test-benchmark.git. دوه. د انحصارونو نصبولو لپاره pip install -r requirements.txt (دویم تازه‌کول زیاتوي mysql-connector-python ≥ 8.0 د SQL قضیې لوډر لپاره). درې. وټاکئ KANTESTI_USERNAME او KANTESTI_PASSWORD د انجن API لپاره د چاپېریال متغیرونو (environment variables) په توګه. د دویم تازه‌کول د SQL قضیې لوډر لپاره هم دا تنظیم کړئ: KANTESTI_DB_HOST, KANTESTI_DB_PORT, KANTESTI_DB_NAME, KANTESTI_DB_USER، او KANTESTI_DB_PASSWORD — لوډر د یوازې-لوست (read-only) رول له لارې نښلوي (bench_reader) چې د جدولونو د پېژندنې پر حقونو (privileges) نه لري. څلور. چل کړئ python benchmark_bloodtest.py --limit 100000 د بشپړ Second-Update چلولو لپاره، یا python benchmark_bloodtest.py --limit 1000 د چټک تکرار (iteration) لپاره. پایلې په ./benchmark_results/: د CSV نمره‌پاڼه (scorecard) د هر هېواد او هر تخصص لپاره کالمونه، یو JSON مجموعه (aggregate)، د طبقه‌بندي-تصادفي خام-ځواب نمونه (stratified-random raw-response sample)، او یو Markdown راپور.

د ۲۳ اپرېل ۲۰۲۶ (V11 لومړنی، ۱۵ قضیې) او د ۲۶ اپرېل ۲۰۲۶ (V11 Second Update، ۱۰۰،۰۰۰ قضیې) حواله چلونې (reference runs) په results/ د ذخیره‌ځای (repository) په لارښود کې ساتل شوې دي. نوې چلونه به نوې ټایم‌سټیمپ‌ شوې نمره‌پاڼه تولید کړي، خو حواله چلونې به بې‌له بدلون څخه پرېږدي. که ستاسو چلونه په مانا‌لرونکي ډول بېل نتیجه تولید کړي، نو مهرباني وکړئ د GitHub issue پرانیزئ چې د چلونې ټایم‌سټیمپ او د ځواب په metadata کې د راستنې شوې انجن نسخه (engine version) پکې وي.

محدودیتونه او راتلونکې څېړنې

حتی د ۱۲۷ هېوادونو ترمنځ د ۱۰۰،۰۰۰ قضیو په کچه، څلور محدودیتونه شته چې باید په ښکاره ډول ورته پام وشي: د اوږده-لړۍ هېوادونو کم نمونې (long-tail country undersampling)، د یو ځل ارزونه (single-shot evaluation)، د یوازې-یو انجن ساحه (single-engine scope)، او د معلوماتو د یوازې-یو سرچینې اصل (single-source data origin). هر یو یې په روان تعقیبي کار کې حل کېږي.

د اوږده-لړۍ هېوادونو پوښښ. Second Update ۱۲۷ هېوادونه رانغاړي، خو وېش یې متوازن نه دی — غوره ۱۰ مرسته‌کوونکي د قضیو شاوخوا ≈66.4% جوړوي، او د نورو ۹۷ هېوادونو اوږده لکۍ (long tail) په ګډه شاوخوا ≈7.3% مرسته کوي (نږدې ۷،۳۰۰ قضیې، او په اوسط ډول ~۷۵ قضیې په هر هېواد کې). له همدې امله د دې اوږدې لکۍ (long tail) د هېواد-په-هېواد ترکیبي پایلې (composites) د سرلیک ارقامو (headline figures) په پرتله شور (noise) زیات لري. راتلونکې چلونې به په لومړیتوب کې له کم‌نمونې شویو هېوادونو څخه ګډون کوونکي راجلب کړي تر څو د هرې قضایي حوزې (jurisdiction) اټکلونه پیاوړي شي.

واحد-وار ارزونه. د همغږۍ (cohort) هره قضیه یو ځل ارزول شوې. لوی ژبني ماډلونه حتی په ټیټه sampling temperature کې هم د محصول (output) د پام وړ بدلون (variance) ښيي، نو د هرې قضیې لپاره پنځه ارزونې او د راپور شوې variance سره څو-چلېدونکی پروتوکول (multi-run protocol) طبیعي راتلونکی ګام دی — په ځانګړي ډول د trap-case فرعي ټولګې (subset) کې، چې د sampling jitter پر مهال ثبات د خوندیتوب (safety) ادعا برخه ده.

د واحد انجن محدودیت. دا راپور د یو انجن ځانګړتیاوې بیانوي. د بدیلو AI سیستمونو پر وړاندې مقایسوي تحلیلونه دلته د بحث له حوصلې (scope) بهر دي؛ ښايي موږ یې د ورته MIT-جواز لرونکي (MIT-licensed) harness په کارولو سره د مناسبې مېتودولوژۍ په درلودلو د یوې جلا خپلواکې مطالعې په توګه تعقیب کړو.

د واحد سرچینې د معلوماتو اصل. ۱۰۰،۰۰۰ قضیې بې‌نومه (anonymised) حقیقي د ناروغانو ریکارډونه دي چې د یوې کلینیکي زېرمتون (clinical repository) څخه اخیستل شوي (د Kantesti SQL-مخکې ملاتړ شوی کلینیکي ډیټا ویئرهاوس). دا د تولید (production) یو منظم جریان (curated production stream) استازیتوب کوي او په نړیواله کچه د نفوس-نماینده تصادفي نمونه (population-representative random draw) نه دي. د ارزونې غځول تر څو بهرنی-سرچینه څو-مرکزي (multi-centre) معلومات هم پکې شامل شي په پلان کې دي.

له دې څلورو هاخوا، تر ټولو اغېزمن پلان شوی غځول د هرې قضایي حوزې لپاره څو-ژبي برابري (multi-language parity) ده. د Kantesti AI Engine کاروونکو ته په 75+ ژبو خدمت کوي، او د ژبې-طبقه‌بندي شویو Second-Update فرعي همغږیو (Turkish, German, Spanish, French, Italian, Portuguese, Arabic, Mandarin) چلول به د انجن د ملاتړ شویو ژبو ترمنځ د محصول کیفیت (output quality) اندازه کړي. هره ژبې-طبقه‌بندي شوې تحلیل به د خپل DOI او د harness څانګې (branch) سره خپور شي.