Prečo tento benchmark existuje a čo testuje
AI asistovaná interpretácia výsledkov krvných testov sa čoraz viac používa v spotrebiteľských aj klinických pracovných postupoch, no reprodukovateľné hodnotiace rámce prispôsobené laboratórnej medicíne zostávajú nezvyčajné. Otázky, na ktorých najviac záleží v tomto kontexte, nie sú tie, ktoré pokrývajú všeobecné benchmarky pre zodpovedanie medicínskych otázok: dokáže engine oddeliť anémiu z nedostatku železa od znaku talasémie, keď je priemerný objem erytrocytov identický, prediagnostikuje Gilbertov syndróm ako hepatitídu a vytvára patológiu v úplne normálnom skríningovom paneli?
Jednotný panel krvného testu typicky obsahuje dostatok signálu na podporu viacerých konkurenčných interpretácií a úlohou lekára, ktorý výsledky vyhodnocuje, je tieto interpretácie navzájom zvážiť, nie vyhľadať „učebnicovú“ odpoveď. Stroj, ktorý si dobre poradí s príkladmi z učebníc, môže zlyhať práve v prípadoch, na ktorých najviac záleží: v úskaliach diferenciálnej diagnostiky, v neškodných variantoch, ktoré pri izolovanom pohľade vyzerajú znepokojujúco, a v úplne normálnych paneloch, ktoré zvádzajú sebavedomých asistentov k „vytváraniu“ patológie.
Tento benchmark bol postavený presne na týchto režimoch zlyhania. Každý z pätnástich prípadov bol vybraný pre konkrétnu diagnostickú vlastnosť: mikrocystóza z nedostatku železa, ktorú treba odlíšiť od znaku beta-talazémie s identickým priemerným objemom červených krviniek, prezentácia pri Gilbertovej syndróme, kde jedinou abnormalitou je izolovaná nepriamá hyperbilirubinémia, a skríningový panel s pätnástimi parametrami, v ktorom sa každý analyt nachádza v rámci referenčného rozmedzia. Rubrika odmeňuje motory, ktoré čítajú každý prípad podľa jeho vlastných podmienok, a penalizuje motory, ktoré siahajú po sebavedomej diagnóze, keď takáto diagnóza nie je opodstatnená.
Ako Thomas Klein, MD, som vybral panel prípadov, pretože práve tieto vzorce vidím, že laboratórno-medicínski asistenti najčastejšie robia zle. Drahý režim zlyhania nie je "prehliadnuť zriedkú chorobu" — je to vymýšľanie bežnej patológie u pacientov, ktorí ju nemajú. Naše Lekárske overenie hub opisuje širší rámec; táto stránka opisuje počiatočný proof-of-concept V11 a V11 druhú aktualizáciu, ktorá ho škálovala na 100 000 syntetických prípadov odobratých zo syntetickej sady prípadov pokrývajúcej 127 štítkov krajín — s použitím rovnakého hodnotiaceho kritéria, byte-identicky, bez povolenia dodatočného (post-hoc) dolaďovania.
Najnovší referenčný beh — V11 Second Update (26. apríla 2026)
Referenčný beh V11 Second Update zo 26. apríla 2026 vygeneroval kompozitné skóre 99.80% na rovnakej vopred zaregistrovanej rubrike použitej v počiatočnom vydaní V11, vyhodnotené na 100 000 syntetických prípadov odobratých zo syntetickej sady prípadov Kantesti a pokrývajúcich 127 štítkov krajín a jazyky 75+. Každý prípad bol dokončený na primárnej ceste enginu; aktivácie príznaku hyperdiagnostiky v „trap-case“ zostali na 0 / 87,412. Pôvodný beh V11 z 23. apríla 2026 zahŕňal 15 ručne kurátorovaných prípadov (kompozit 99.12%) a overil rubriku; Second Update ponecháva túto rubriku bajtovo identickú a rozširuje vyhodnotenie na kohortu v populačnom meradle.
Kompozitný vzorec kombinuje tri zložky: štrukturálna zhoda so siedmimi povinnými sekciami správy a šestnástimi povinnými podsekciami, presnosť obsahu meraná ako spätné vyvolanie kľúčových slov plus spätné vyvolanie v rámci bodovacieho systému plus kontrola platnosti pravdepodobnostno-distribučnej validity a latencia odpovede oproti cieľu úrovne služby pre primárnu cestu. Presné rozdelenie je uvedené v nižšie uvedenom vzorci rubriky — žiadna z týchto váh ani pod-rubrík sa pre Second Update nezmenila.
Zvyšných 0.20 percentuálnych bodov rezervy sa takmer celé rozkladajú do klinického podskóre — malá časť prípadov (predovšetkým v hepatológii a reumatológii) mala jeden očakávaný kľúčový výraz hodnotiaceho systému neprítomný v interpretácii enginu, hoci diagnostický obsah bol správny. Žiadny prípad v kohorte 100 000 prípadov Second Update nezmeškal samotnú diagnózu. Latencia sa zlepšila z priemeru 20.17 s v počiatočnom vydaní V11 na 13.26 s v Second Update, čo odráža optimalizácie produkčného enginu medzi oboma behmi; rubrika, kód hodnotenia a koncový bod API sa nezmenili.
Kompozitné skóre na štítok sa pohybovalo od 0.9971 do 0.9985 naprieč 30 najzastúpenejšími štítkami krajín. Dlhý chvost ďalších 97 štítkov (spolu približne 7 300 prípadov) nevykazoval žiadnu systematickú degradáciu. Najčastejšie štítky podľa počtu prípadov boli Spojené štáty (10 500), Brazília (9 500), Španielsko (9 000), Taliansko (8 000), Nemecko (7 800), Francúzsko (7 400), Portugalsko (5 800), Türkiye (3 400), Spojené kráľovstvo (2 900) a Mexiko (2 500).
Od 15 prípadov po 100 000: vývoj kohorty naprieč 127 štítkami krajín
Pôvodný panel prípadov V11 pokrýval sedem špecializácií — hematológiu, endokrinológiu, metabolickú medicínu, hepatológiu, nefrológiu, kardiológiu, reumatológiu — plus dva vyhradené prípady „hyperdiagnosis trap“, pričom každý prípad bol synteticky vygenerovaný panel krvných testov. Druhá aktualizácia V11 rozširuje hodnotenie na 100 000 syntetických prípadov naprieč 127 štítkami krajín, rozdelených do ôsmich špecializácií (pôvodných sedem plus vyhradený internistický „bucket“, ktorý absorbuje podmnožinu trap). Rovnaká hodnotiaca rubrika sa uplatňuje bajtovo identicky v oboch behov.
Keďže všetky prípady sú synteticky vygenerované, neexistujú žiadne skutočné identifikátory na odstránenie a nezahŕňajú sa žiadne osobné údaje. Každý syntetický prípad nesie interný kód prípadu benchmarku (BT-NNN-LABEL v počiatočnej sade V11, stabilný case_uid v Druhej aktualizácii). Žiadne osobné údaje sa nikde nevyskytujú v publikovanom hodnotiacom prostredí, technickej správe ani v uvoľnených datasetoch.
počiatočným vydaním V11 — 15 ručne kurátorovaných prípadov
Pôvodný panel prípadov V11 bol ručne vybraný Dr. Thomasom Kleinom tak, aby precvičoval diagnostické vzorce, ktoré laboratórno-medicínski asistenti najčastejšie nesprávne interpretujú. Každý z pätnástich prípadov bol vybraný pre konkrétnu diagnostickú vlastnosť, uvedenú nižšie.
Prečo je toto konkrétne rozdelenie
Hematológia dostane tri prípady, pretože mikrocytárne diferenciály a makrocytárne diferenciály sú v reálnej laboratórnej praxi najobjemnejšie „pasce“. Endokrinológia dostane tri, pretože prezentácie pri Hashimotovej chorobe, PCOS a nedostatku vitamínu D majú odlišné diagnostické „tvary“ (riadené autoprotilátkami, riadené pomermi hormónov, riadené jedným markerom). Špecializácie s jedným prípadom sú však stále významné, pretože každý z CKD, rizika ASCVD a SLE má vlastný bodovací systém, ktorý by mal engine vyvolať (staging KDIGO, 10-ročné riziko ASCVD, kritériá SLE 2019 EULAR/ACR, resp.).
V11 druhá aktualizácia — 100 000 syntetických prípadov naprieč 127 štítkami krajín
Druhá aktualizácia nahrádza pôvodný V11 hard-coded 15-prípadový Python literál väčšou, programovo vygenerovanou syntetickou sadou prípadov. Sada prípadov sa načíta na začiatku každého spustenia a konfigurácia sa loguje kvôli transparentnosti. Distribúcia kohorty podľa obsahovej oblasti je uvedená nižšie.
Syntetická distribúcia štítkov krajín — top 10 štítkov
Týchto 100 000 syntetických prípadov nesie 127 štítkov krajín (ISO 3166-1 alpha-2) na precvičenie spracovania lokality. Priradenie štítkov: Európa 57.7%, Americké kontinenty 25.4%, Ázia-Pacifik 6.2%, pomenované štítky Blízky východ/Afrika 3.4% a dlhý chvost ďalších 97 štítkov spolu približne 7.3%. Desať najčastejších štítkov podľa počtu prípadov sú Spojené štáty (10 500), Brazília (9 500), Španielsko (9 000), Taliansko (8 000), Nemecko (7 800), Francúzsko (7 400), Portugalsko (5 800), Türkiye (3 400), Spojené kráľovstvo (2 900) a Mexiko (2 500). Kompozitné skóre na štítok sa pohybovalo od 0.9971 do 0.9985. Tieto počty štítkov sú vlastnosťami vygenerovaných prípadov používaných na precvičenie spracovania lokality — nie sú to skutoční používatelia ani skutočné pokrytie geografickej oblasti.
Vysvetlená vopred registrovaná rubrika
Predregistrácia je jediná najdôležitejšia metodologická voľba v tomto benchmarku. Každá očakávaná diagnóza, každý klinický bodovací systém a každá sekcia reportu boli zaviazané do zdrojového kódu ešte predtým, než bol engine vyvolaný. Dodatočné (post-hoc) doladenie rubriky tak, aby lichotila engine, je preto nemožné.
Tri komponenty tvoria kompozitné skóre. Komponent štrukturálny prispieva 35 percentami a meria, či engine vrátil sedem povinných sekcií reportu (hlavička, súhrn, kľúčové zistenia, diferenciál, bodovacie systémy, odporúčania, follow-up) a šestnásť povinných podsekcií v rámci nich. Prítomnosť sekcie má váhu 40 percent a prítomnosť podsekcie má váhu 60 percent v rámci štrukturálneho výpočtu.
Ten/Tá/To klinický komponent prispieva 55 percentami a kombinuje tri veci: vybavenie diagnózy podľa kľúčových slov (70 percent klinického podskóre), vybavenie bodovacieho systému (20 percent — či engine vypočíta Mentzer, FIB-4, HOMA-IR, riziko ASCVD, staging KDIGO, kritériá EULAR/ACR, ak je to relevantné) a kontrolu validity súčtu pravdepodobností (10 percent — diferenciálne pravdepodobnosti by sa mali sčítať v intervale [90, 110]). Pri pascových prípadoch sa odpočíta explicitná hyperdiagnostická penalizácia až 0.30, vypočítaná ako 0.10 za každý vymyslený príznak patológie, s limitom na tri príznaky.
Ten/Tá/To komponent latencie prispieva 10 percentami. Odpoveď do 20 sekúnd získa plných 0.10, odpoveď do 40 sekúnd získa 0.05 a čokoľvek pomalšie získa nulu. Cieľ 20 sekúnd odráža produkčný primárny cieľ úrovne služby; strop 40 sekúnd odráža rozpočet na záložnú možnosť v Fáze 2 pre náročné vyvolania engine.
Čo predregistrácia zabraňuje
Prvostranové benchmarky sú notoricky známe tým, že nafukujú svoje vlastné čísla prostredníctvom post-hoc doladenia rubriky. Vzor je takmer vždy rovnaký: tím spustí engine, uvidí, kde podáva slabší výkon, a potom potichu upraví rubriku tak, aby oblasti s podpriemerným výkonom počítali menej. Tým, že sa rubrika zaviaže do zdrojového kódu ešte pred prvým volaním engine a že sa testovací mechanizmus publikuje pod licenciou MIT, sa táto úprava stane viditeľnou v systéme správy verzií. Každý si môže naklonovať repozitár, skontrolovať dátumy autorstva rubriky a overiť, že výsledky engine neboli použité na formovanie skórovania.
Prípady „hyperdiagnosis trap“ — prečo je skutočným režimom zlyhania prevolanie (over-calling)
Agresívne prevolávanie patológie na normálnych obrazovkách je zdokumentovaný režim zlyhania spotrebiteľsky orientovaných medicínskych asistentov. Jeho následné náklady zahŕňajú zbytočné vyšetrovanie, úzkosť pacienta a iatrogénne vyšetrovacie postupy. Dva pascové prípady v tomto benchmarku sú navrhnuté tak, aby tento režim zlyhania bol viditeľný a hodnotiteľný.
🟡 Pasca 1 — BT-014-GILBERT
Prezentácia. Muž, 24 rokov, s celkovým bilirubínom 2.4 mg/dL. Priama frakcia je normálna, transaminázy a alkalická fosfatáza sú v rámci referenčných hodnôt, retikulocyty sú bez pozoruhodností a haptoglobín a LDH vylučujú hemolýzu.
Správna interpretácia. Gilbertov syndróm — benígna polymorfizmus UGT1A1. Interpretácia by nemala vyvolávať hepatitídu, cirhózu, hemolytickú anémiu ani biliárnu obštrukciu.
Výsledok V11. Kompozitné 1.000. Žiadna z šiestich monitorovaných vlajok pre nadmernú diagnózu sa neobjavila ako aktívna diagnóza.
🟡 Pasca 2 — BT-015-ZDRAVÝ
Prezentácia. Žena, 35 rokov, s pätnásťparametrovým rutinným skríningovým panelom. Každý analyt sa pohodlne nachádza v rámci svojho referenčného rozsahu.
Správna interpretácia. Uistenie a udržiavanie životného štýlu. Interpretácia by nemala umelo vytvárať hraničnú patológiu, aby pôsobila klinicky užitočne.
Výsledok V11. Kompozit 1.000. Žiadna z ôsmich sledovaných vlajok pre nadmernú diagnostiku — diabetes, anémia, hypotyreóza, dyslipidémia, hepatitída, ochorenie obličiek, nedostatok — sa neobjavila ako aktívna diagnóza.
Vo všetkých dvoch pasciach bolo skontrolovaných trinásť sledovaných vlajok pre hyperdiagnostiku. Neaktivovala sa ani jedna. Toto je výsledok, na ktorom najviac záleží pre každého klinika, ktorý uvažuje o použití AI ako triážneho alebo predkonzultačného nástroja: systém nevymyslel ochorenie, ak žiadne neexistovalo.
Mentzerov index: odlíšenie nedostatku železa od znaku talasémie
Druhým vysoko hodnotným zistením je prepojenie prípadu BT-001 (anémia z nedostatku železa) s prípadom BT-007 (beta-talazémia minor). Oba sa prejavujú mikrocytózou a ide o dobre známu prekážku pre naivné klasifikátory. Mentzerov index, vypočítaný ako MCV delené počtom RBC, je v prípade nedostatku železa vyšší než 13 a v prípade znaku talazémie nižší než 13.
V BT-001 bola pacientka 34-ročná žena s hemoglobínom 10,4 g/dl, MCV 72,4 fl, RBC 4,1 × 10¹²/l, feritínom 6 ng/ml a zvýšeným TIBC. Mentzerov index približne 17,7 podporuje absolútny nedostatok železa. V BT-007 bol pacient 28-ročný muž s mikrocytózou (MCV 65,8 fl), ale s vysokým počtom RBC 6,2, normálnym RDW, normálnym feritínom a HbA2 5,6 percenta. Mentzerov index približne 10,6 poukazuje na znak talazémie a zvýšený HbA2 potvrdzuje beta-talazémiu minor.
Oba prípady dosiahli skóre 1.000. Stroj použil Mentzerov index explicitne v oboch interpretáciách a v každom prípade vrátil správnu diagnózu. Toto je jediný výsledok, ktorý je v celej benchmarkovej zostave najviac klinicky upokojujúci, pretože nesprávna klasifikácia znaku talazémie ako anémie z nedostatku železa vedie k nevhodnému podávaniu železa a k prehliadnutiu možností skríningu v rodine, a nesprávna klasifikácia anémie z nedostatku železa ako talazémie oneskoruje jednoduchú náhradnú liečbu. Naše usmernenie pre rozmedzie feritínu vysvetľuje širší diferenciálny kontext.
Výsledky po jednotlivých prípadoch z počiatočného referenčného behu V11 (23. apríla 2026)
Pôvodný referenčný beh V11 na 15-prípadovej proof-of-concept kohorte slúži ako metodologický základ pre Second Update: každý detail po jednotlivých prípadoch nižšie ilustruje, ako rubrika spracuje reálnu odpoveď enginu. Dvanásť z pätnástich prípadov dosiahlo stropné kompozitné skóre 1.000 na primárnej ceste; tri prípady boli obslúžené cez fallback Phase 2, pričom sa stratila bonusová latencia 0.05, no zachoval sa celý klinický a štrukturálny obsah. Jeden prípad chýbal v jednej povinnej podsekcii; jeden vrátil len mierne znížený súčet pravdepodobnostných distribúcií.
Prípad PCOS (BT-008) stratil jednu povinnú podsekciu v štruktúre odpovede — pätnásť zo šestnástich namiesto šestnástich zo šestnástich — čo znížilo štrukturálne skóre z 1,000 na 0,963. Prípad SLE (BT-011) vrátil len mierne znížený súčet pravdepodobnostných distribúcií, ktorý znížil klinické skóre na 0,965, pričom zachoval každý diagnostický kľúčový výraz a systém bodovania. Ani jeden z týchto nie úplne dokonalých prípadov nezmeškal správnu diagnózu.
Agregát V11 Second Update — 100 000 prípadov
Vo veľkom meradle populácie nie sú jednotlivé riadky prípadov čitateľné pre človeka, preto Druhá aktualizácia uvádza agregované metriky namiesto tabuľky s 100 000 riadkami. Hlavný agregát je uvedený nižšie; rozpisy podľa špecializácie a podľa štítku krajiny sú publikované v technickej správe a v uložení na Figshare. Stratifikovaný náhodný výber z n = 201 surových odpovedí enginu (deterministické semeno 20260426) sa publikuje v adresári GitHub results/ na účely kontroly.
Čo nám nehovorí titulné skóre
Kompozitné skóre 99.80 percenta podľa tohto konkrétneho vopred zaregistrovaného hodnotiaceho kritéria, na syntetickej kohorte 100 000 prípadov naprieč 127 štítkami krajín, predstavuje výkon takmer na úrovni stropu — no zaslúži si starostlivé zasadenie do kontextu. Výsledok opisuje správanie motora voči hodnotiaceho kritériu, ku ktorému sme sa zaviazali v zdrojovom kóde v V11; nejde o univerzálne tvrdenie o správnosti motora na každom existujúcom paneli krvných testov v reálnom svete.
Skóre hovorí, že engine správne spracoval diagnostické vzorce vybrané pre toto hodnotenie naprieč kohortou v mierke populácie, na metodológii, ktorá je publikovaná a reprodukovateľná. Nehovorí, že engine je správny na každom existujúcom paneli krvných testov v reálnom svete. Nehovorí, že by sa engine mal nahradiť klinickým úsudkom. A nehovorí, že engine prekonáva alternatívne systémy AI — porovnávacie analýzy s inými enginmi boli z tohto reportu zámerne mimo rozsahu.
To, čo skóre skutočne stanovuje, je východisková (baseline) hodnota. Keďže rubrika aj testovací nástroj (harness) sú verejné, budúce verzie enginu sa dajú hodnotiť podľa rovnakej rubriky — aplikovanej na V11 počiatočných 15 prípadov, na kohortu Druhej aktualizácie s 100 000 prípadmi, alebo na akékoľvek následné rozšírenie — a rozdiel medzi publikovaným skóre a akýmkoľvek následným spustením je sám o sebe merateľný. Toto je hodnota vopred registrácie: prevádza tvrdenia o výkone na testovateľné tvrdenia.
Ako zopakovať tento benchmark za 10 minút
Reprodukcia vyžaduje iba dvojicu poverení Kantesti API a prostredie Python 3.10 alebo novšie s requests a reportlab nainštalovanými knižnicami. Celý testovací rámec je jeden samostatný modul v Pythone vydaný pod licenciou MIT.
Štyri kroky pre nové spustenie
Jeden. Naklonujte repozitár: git clone https://github.com/emirhanai/kantesti-blood-test-benchmark.git. Dva. Nainštalujte závislosti pomocou pip install -r requirements.txt (Druhá aktualizácia pridáva mysql-connector-python ≥ 8.0 pre SQL case loader). Tri. Nastavte KANTESTI_USERNAME a KANTESTI_PASSWORD ako premenné prostredia pre API enginu. Pre SQL case loader v Druhej aktualizácii tiež nastavte KANTESTI_DB_HOST, KANTESTI_DB_PORT, KANTESTI_DB_NAME, KANTESTI_DB_USERa KANTESTI_DB_PASSWORD — loader sa pripája cez rolu len na čítanie (bench_reader) ktorá nemá oprávnenia na identifikáciu tabuliek. Štyri. Spustite python benchmark_bloodtest.py --limit 100000 pre celý beh Second-Update, alebo python benchmark_bloodtest.py --limit 1000 pre rýchlu iteráciu. Výstupy sa ukladajú do ./benchmark_results/: CSV tabuľka so skóre s prehľadnými stĺpcami pre krajinu/štítok a špecializáciu, JSON agregát, stratifikovaný náhodný vzor surových odpovedí a Markdown report.
Referenčné behy z 23. apríla 2026 (V11 počiatočná verzia, 15 prípadov) a 26. apríla 2026 (V11 Second Update, 100,000 prípadov) sú zachované v results/ adresári repozitára. Nový beh vygeneruje nový scorecard s časovou pečiatkou, pričom referenčné behy ponechá nedotknuté. Ak váš beh prinesie zmysluplne odlišný výsledok, otvorte prosím issue na GitHube s časovou pečiatkou behu a verziou enginu uvedenou v metadátach odpovede.
Obmedzenia a ďalšia práca
Aj pri 100 000 prípadoch pre 127 štítkov krajín si zaslúžia explicitné uznanie štyri obmedzenia: nedostatočné vzorkovanie dlhého chvosta štítkov, jednorazové hodnotenie, obmedzený rozsah na jeden engine a pôvod dát z jedného zdroja. Každé z nich sa rieši v prebiehajúcich následných prácach.
Pokrytie štítkov s dlhým chvostom. Druhá aktualizácia pokrýva 127 štítkov krajín, no distribúcia je nevyvážená — prvých 10 štítkov tvorí ≈66.4% prípadov a dlhý chvost 97 ďalších štítkov spolu prispieva ≈7.3% (približne 7 300 prípadov dohromady, ~75 prípadov na štítok v priemere). Preto sú per-štítkové kompozity v tomto dlhom chvoste hlučnejšie, než naznačujú titulné čísla. Budúce behy znovu vyvážia priraďovanie štítkov, aby sa upevnili odhady pre jednotlivé štítky.
Jednorazové vyhodnotenie. Každý prípad v kohorte bol vyhodnotený raz. Veľké jazykové modely vykazujú nezanedbateľnú variabilitu výstupu aj pri nízkej teplote vzorkovania, takže prirodzeným ďalším krokom je protokol s viacerými behmi, kde sa na každý prípad vykoná päť vyhodnotení a uvedie sa variabilita — najmä na podmnožine trap-case, kde je konzistentnosť pri jitteri vzorkovania súčasťou bezpečnostného tvrdenia.
Rozsah jedného enginu. Táto správa charakterizuje jeden engine. Porovnávacie analýzy s alternatívnymi systémami AI sú mimo rozsahu; prípadne ich môžeme realizovať ako samostatnú nezávislú štúdiu s vhodnou metodikou, proti rovnakému MIT-licencovanému harnessu.
Syntetické dáta. Tých 100 000 prípadov je synteticky generovaných, nie ide o syntetické prípady, a výsledky sa neprenášajú na reálny klinický výkon. Hodnotenie na reálnych, so súhlasom získaných, externých dátach by si vyžadovalo primeraný etický dohľad a je mimo rozsahu tohto syntetického benchmarku.
Okrem týchto štyroch je najvýznamnejšie plánované rozšírenie viacjazyčná parita podľa jurisdikcie. Kantesti AI Engine slúži používateľom v 75+ jazykoch a spustenie jazykovo stratifikovaných podkohort Second-Update (turečtina, nemčina, španielčina, francúzština, taliančina, portugalčina, arabčina, mandarínčina) kvantifikuje kvalitu výstupov naprieč podporovanými jazykmi enginu. Každá jazykovo stratifikovaná analýza bude publikovaná s vlastným DOI a vetvou harnessu.