摘要：
Después de que la IA médica entre en la etapa de modelo básico y multimodal, los recursos verdaderamente escasos no son solo archivos de casos, sino datos de alta calidad y protocolos de evaluación que pueden responder "¿en qué tareas, qué tipo de personas, en qué equipos y procesos clínicos son confiables los modelos?"Este archivo adjunto contiene tres muestras significativamente diferentes: el paquete comprimido de examen físico especial contiene 11 archivos PDF, con un total de 426 páginas, que cubren temas como metabolismo, cardiovascular y cerebrovascular, digestión, ojos, pulmones, cerebro, cavidad bucal, musculoesquelético, reproducción, inmunidad y tumores, así como un informe completo; el paquete de "superficie panorámica" contiene 10 DICO M, el modo de visualización de información del encabezado es PX, el campo del fabricante es MEYER y la matriz de imagen es principalmente 1536 × 3101, que es una muestra de rayos X panorámica oral en lugar de CT; Hay 5 archivos PDF de una sola página y 5 XLSX en el paquete de electrocardiograma. Cada formulario tiene solo una fila de datos y las columnas son sexo, edad y diagnóstico.
Estos materiales se pueden utilizar como punto de partida para la plataforma de evaluación médica multitarea, pero no se pueden utilizar directamente como un conjunto de capacitación o un conjunto de pruebas de lista. Los informes de exploración física deben separar texto libre, resultados estructurados, intervalos de referencia, marcadores anormales y recomendaciones; las imágenes bucales requieren sistemas de posición de los dientes, casos de lesiones y etiquetas de calidad de la imagen; Los electrocardiogramas requieren correspondencia de tiempo y fuente entre las formas de onda y las etiquetas de diagnóstico, definiciones de categorías y aislamiento a nivel del paciente. El resultado, el nivel de verdad y el costo del error de los tres tipos de tareas son diferentes y no deben mezclarse en una sola precisión o clasificación general.
Este artículo propone una estructura de evaluación de "acceso a la gobernanza—definición de tareas—estándares de referencia—pruebas ciegas en capas—verificación externa—evaluación del flujo de trabajo—gobernanza de versiones". Se recomienda que Langhui comience por un camino independiente y adopte conjuntos de disposiciones ocultas, pruebas entre organizaciones y dispositivos, arbitraje de expertos y estratificación de la gravedad de los errores para formar gradualmente un servicio de referencia de datos médicos auditable, reproducible e iterable.
1. Primero identifique con precisión las muestras para evitar confundir muestras de archivos con conjuntos de datos.
1.1 Examen físico especial: conviven informe especial e informe integral Hay 11 archivos PDF en el paquete comprimido
, con un total de 426 páginas. El documento cubre una variedad de direcciones de salud especiales y hay un informe combinado significativamente más extenso. Esto muestra que los activos de datos pueden contener múltiples estructuras, como plantillas de temas, informes completos, repeticiones de secciones transversales y páginas de resumen/detalles. Las estadísticas basadas únicamente en el "número de copias de PDF" no equivalen al número de pacientes, exámenes o muestras de tareas independientes; el informe completo puede contener varios temas y, si no se duplica a nivel del documento y del paciente, la misma conclusión del examen se puede contar repetidamente.
El pedigrí del documento se debe establecer primero al construir: clave anónima del paciente, evento de examen, versión del informe, categoría de tema, versión de la plantilla generada, rango de páginas, fuente de campo estructurado y confianza del análisis. Cada campo extraído debe poder regresar al número de página, párrafo o posición de la tabla, distinguiendo mediciones originales, conclusiones de informes, derivación de reglas y sugerencias de generación de modelos. Para los rangos de referencia, conserve la unidad, la fuente del laboratorio/equipo, las condiciones de sexo y edad aplicables y la versión actual del informe. No se puede simplemente guardar una etiqueta "alta/baja".
1.2 Imagen panorámica oral: el nombre nominal del archivo adjunto no es igual al modo real
La información del encabezado DICOM muestra 10 estudios y series independientes, la modalidad es PX, la matriz de imagen es principalmente 1536 × 3101, y también hay 1200 × 2326, y el campo del fabricante es MEYER. Este lote de muestras debe entenderse en función de imágenes de rayos X panorámicas orales digitales, en lugar de diseñar tareas basadas en datos de volumen de TC. La sugerencia de restauración profesional aquí es: el nombre del proyecto, la etiqueta de la interfaz, la tarjeta de datos y el documento deben usar "rayos X panorámicos orales/película panorámica" y solo marcarse como CT después de que el departamento de imágenes confirme que efectivamente es CT. La clasificación modal incorrecta puede provocar errores en el preprocesamiento, indicadores de errores y disputas sobre la aceptación de adquisiciones.
Además, hay campos de identificación que no están vacíos, como nombre/ID del paciente, fecha de nacimiento, sexo, fecha del examen e institución en el encabezado DICOM. Incluso si la muestra es solo para análisis interno, primero se debe detener la difusión y carga externa, y se debe completar la verificación de autorización, desidentificación e inspección del texto de la capa de píxeles/código QR; Es necesario reasignar el UID DICOM de acuerdo con reglas coherentes y se debe conservar una tabla de asignación controlada. Simplemente cambiar el nombre del archivo o eliminar la etiqueta con el nombre no es suficiente para completar la desidentificación.
1.3 Electrocardiograma: Solo hay 5 registros en el formulario de respaldo, que es una muestra del proceso.
El archivo adjunto contiene 5 archivos PDF de ECG de una sola página y 5 archivos XLSX. El formulario tiene tres campos: sexo, edad y diagnóstico. Cada copia tiene un registro. Es adecuado para comprobar "si el archivo de forma de onda de un caso corresponde a una fila de etiquetas clínicas". También se puede utilizar para diseñar el diccionario de datos y entregar la aceptación en consecuencia. Sin embargo, esto no constituye una cohorte de arritmia representativa y no es suficiente para estimar la sensibilidad, la especificidad, las diferencias de subgrupos o la generalización del modelo. Cuando sólo hay cinco casos, agregar una muestra errónea cambia la proporción significativamente; Incluso si se calcula una puntuación bonita, no existe una explicación estadística estable.
Los datos oficiales deben aclarar la velocidad del papel del ECG, la ganancia, el número de derivaciones, la frecuencia de muestreo, el equipo, el filtrado, la duración del registro, la caída de derivaciones y la calidad de la forma de onda; la imagen PDF debe confirmar si puede volver a la forma de onda digital original. Si el modelo solo puede leer imágenes en papel, se deben ingresar en la evaluación la reconstrucción de píxeles y los errores de calibración de tiempo/voltaje; Si la forma de onda original está disponible, se deben guardar la unidad de muestreo, la marca de tiempo, la secuencia de derivaciones y el valor de verificación de la señal.
2. El núcleo del Benchmark médico: dividido en pistas según tareas clínicas y valores reales de referencia
La lista no debe comenzar con la "tasa de precisión integral de la IA médica", sino que debe establecer tareas separadas para las tres modalidades y luego unificar los protocolos de gobernanza, informes y operación.
Pista A: Comprensión de los informes de exámenes físicos y la comunicación de riesgos
se puede dividir en: extracción de campo (elementos de verificación, resultados, unidades, intervalos de referencia, marcadores anormales); análisis de la estructura del informe (temas, resúmenes, conclusiones, recomendaciones); verificación de coherencia de las reglas (si los resultados entran en conflicto con marcadores anormales); estratificación del riesgo (según directrices predefinidas o reglas de expertos); generación de resúmenes para profesionales; comunicación explicativa de las materias. Cada tarea requiere un diseño separado de valores de verdad: la extracción de campo se basa en anotaciones de dos personas y enlaces de posición del texto original, el juicio de riesgo médico requiere versiones de guías o consenso de expertos, y la generación de recomendaciones requiere una evaluación del respaldo fáctico, las condiciones aplicables, las omisiones de riesgo y si se debe inducir el autodiagnóstico y el tratamiento.
Pista B: Análisis de imágenes panorámicas orales
se puede dividir en calidad y legibilidad de imagen, detección de posición de diente/diente o segmentación de instancias, periodontal o caries y otras tareas de lesiones claras, localización de estructuras anatómicas y generación de informes. El sistema de codificación de la posición de los dientes debe congelarse antes de que comience el proyecto, y los dientes perdidos, los dientes impactados, la dentición mixta, las restauraciones, las superposiciones, el desenfoque de movimiento y el truncamiento deben tener etiquetas explícitas. Se recomienda que la tarea de detección informe el número de falsos positivos por caso y FROC; el informe de la tarea de segmentación Dados, distancia de la superficie y resultados estratificados por posición del diente/tamaño de la lesión; La generación de informes no solo permite la similitud del texto, sino que requiere precisión de los hechos clínicos y revisión de errores de omisión/sobrediagnóstico.
Pista C: interpretación de formas de onda de ECG y predicción de riesgos
Se debe hacer una distinción entre el diagnóstico de ritmo/conducción/morfología del ECG actual y la tarea prospectiva de utilizar el ECG para predecir enfermedades o resultados futuros. El valor verdadero de referencia anterior puede provenir de las interpretaciones de múltiples electrocardiólogos, informes clínicos y evidencia de exámenes necesarios; este último debe predefinir los momentos de predicción, las definiciones de resultados, las ventanas de seguimiento, los riesgos competitivos y los cambios de tratamiento. Como mínimo, las métricas informan AUROC, AUPRC, sensibilidad/especificidad, calibración, intervalos de confianza y umbrales de decisión macropromedios, e interpretan valores predictivos positivos por prevalencia de la enfermedad y fuente del dispositivo.
Capacidad integral intermodal: solo sublistas controladas
Si desea evaluar si el modelo multimodal puede combinar informes de exámenes físicos, radiografías orales y ECG, necesita emparejamientos reales del mismo paciente, el mismo evento de examen o dentro de un período de tiempo razonable, y se requiere autorización para cada modalidad. Tres muestras no relacionadas no pueden combinarse en un "caso multimodal". Las tareas intermodales requieren una detección adicional de desajustes temporales, fugas de información, modalidades faltantes y si el modelo hace inferencias sobre modalidades para las cuales no hay evidencia. Se recomienda establecer tres pistas por separado primero y luego configurar una sublista de fusión después de cumplir con los requisitos de relación de datos y tamaño de muestra.
*Figura 2｜Además del desempeño de la tarea, la lista también debe informar sobre seguridad, generalización, calidad de los datos, costo y madurez de la evidencia.*
3. Tamaño de la muestra y nivel de evidencia: ¿Qué pueden mostrar cinco casos de ECG y diez películas panorámicas? El valor de los ejemplos
es principalmente verificar que los manuales de lectura de archivos, mapeo de campos, anonimización, lógica de emparejamiento y anotaciones sean ejecutables; no demuestran un rendimiento clínico modelo. La madurez de los datos se puede dividir en cuatro niveles: Verificación de disponibilidad de archivos
1. 文件可用性验证El paquete comprimido está completo, el archivo se puede analizar, DICOM/PDF/XLSX no está dañado y los campos e imágenes se pueden leer correctamente.2. Piloto de viabilidad de marcado 标注可行性试点Se realizó una doble estandarización y arbitraje de una pequeña cantidad de muestras representativas para confirmar que no había ambigüedad en la terminología, la posición de los dientes, la etiqueta del ECG y las definiciones de los campos del informe.3. Desarrollo y pruebas internasAlcanzar el tamaño de muestra previamente calculado y aislar por paciente, los conjuntos de pruebas de desarrollo/validación/ciegas son mutuamente excluyentes, el conjunto de pruebas está sellado.4. Verificación externa y prospectivaValidado en todas las agencias, dispositivos, tiempo y personas para observar mejor el flujo de trabajo real, la seguridad y la eficacia en la toma de decisiones.
Cada nivel debe indicar la unidad de muestra, inclusión/exclusión, número de pacientes, número de exámenes, número de expedientes y relaciones de duplicados en la ficha de datos. El tamaño de la muestra debe calcularse en función del criterio de valoración principal, el rendimiento esperado, la precisión del intervalo de confianza, las proporciones de clase y la estructura del grupo, en lugar de trabajar hacia atrás a partir de "cuántos documentos hay disponibles". Varias páginas de informes de exámenes físicos no se pueden considerar como múltiples pacientes; No se pueden distribuir varias imágenes y varios ECG de la misma persona entre colecciones.
4. Ingeniería de calidad de datos: desde la inspección de recibos hasta el valor real auditable
recomienda establecer un canal de calidad de seis capas: Capa de archivo
- 文件层lista ZIP, suma de comprobación, formato de archivo, número de páginas, resolución, analizabilidad, archivos duplicados y archivos dañados.
- Capa de identidad y autorizaciónlegalidad de la fuente, alcance de uso, consentimiento informado/enfoque ético, evaluación del impacto en la privacidad, acuerdo de revocabilidad/eliminación.
- capa estructuralrelación paciente-examen-informe-imagen-tabla, marca de tiempo, unidad, diccionario de campos, semántica de valores nulos y versión. Capa de contenido clínico
- 临床内容层Cuerpo de la etiqueta, versión de la guía, estándares de inclusión y exclusión, fuente del valor de verdad de referencia, muestras difíciles y no se puede determinar el estado. Capa de anotación
- 标注层experiencia experta, calibración de capacitación, anotación independiente, clasificación de desacuerdos, arbitraje, inspección aleatoria y seguimiento de versiones. Capa de evaluación
- 评测层segmentación a nivel de paciente, auditoría de deduplicación, registro de acceso a pruebas ciegas, entorno de ejecución, instantánea del modelo, congelación de umbrales, intervalo estadístico y análisis de errores.
Un examen físico especial debe conectar la "posición del texto fuente - valor extraído - unidad - codificación estándar - reescritura del modelo" de cada campo para evitar dejar solo el resumen final. Las radiografías dentales deben conservar la información disponible sobre la orientación DICOM, el espaciado de píxeles, la exposición y el fabricante/dispositivo, al tiempo que se minimizan los metadatos identificables en las versiones públicas. El ECG debe conservar la forma de onda original o aclarar la fuente de la imagen y verificar la integridad y la calibración de tiempo/voltaje derivación por derivación. Los códigos de error rastreables se utilizan para todas las excepciones, como fallas de análisis, incertidumbre en la posición izquierda/derecha/diente, falta de coincidencia entre informes e imágenes, información faltante del dispositivo y evidencia insuficiente de valores verdaderos.
5. Diseño estadístico de ranking: evitar “puntuaciones altas pero que no se puedan repetir”
La lista debería publicar versiones de protocolo y resultados en lugar de una sola lista de clasificación. Cada modelo necesita registrar el modelo/peso/versión de API, palabras clave, preprocesamiento, llamadas a herramientas, umbrales, semillas aleatorias, fecha de ejecución y procesamiento de muestras fallidas. La capacitación, la verificación y el aislamiento de pruebas a nivel del paciente deben completarse antes del modelado; Se deben deduplicar o agrupar múltiples informes del mismo paciente, archivos PDF e imágenes derivadas del mismo examen y ECG repetidos. Las respuestas de las pruebas están controladas por un custodio independiente, que establece presupuestos de consultas y auditorías de envío repetido.
Además del indicador principal, se deben proporcionar intervalos de confianza, rendimiento estratificado, calibración y espectros de falla. Utilice indicadores a nivel de paciente e indicadores a nivel de lesión uno al lado del otro para las imágenes para evitar muestras pseudograndes causadas por un solo diente o número de píxeles; considerar la correlación estadística de registros repetidos del mismo paciente para ECG; realice un método de agrupación de autoservicio para informes de exámenes físicos por paciente en lugar de por campo/página. Los macropromediados y micropromediados deben interpretarse simultáneamente, y se proporcionan AUPRC, falsos positivos por caso y rendimiento de umbral cuando las clases están desequilibradas.
Es necesario establecer un mapeo de "puntuación-riesgo": los diagnósticos omitidos que ponen en peligro la seguridad, las recomendaciones incorrectas, las extensiones infundadas y las fugas de privacidad deben presentarse por separado y no pueden compensarse con puntuaciones altas en formato o redacción. La revisión de expertos puede utilizar orden aleatorio anónimo, doble revisión y arbitraje; el calificador de LLM solo se utiliza para una evaluación previa a gran escala o asistencia de coherencia, y debe calibrarse según el estándar de oro de anotación manual, y se debe monitorear su preferencia por el estilo del lenguaje, la longitud de las respuestas y la marca del modelo.
6. Inspiraciones metodológicas de la investigación de vanguardia
En los últimos años, la investigación comparativa y de modelos básicos de ECG ha comenzado a enfatizar los conjuntos de datos externos, la generalización entre dispositivos, la calidad de las etiquetas y el nivel de diagnóstico clínico. El estudio CODE-II informó evaluaciones de migración en puntos de referencia externos como PTB-XL y CPSC, y señaló que la calidad de las etiquetas y los sistemas de diagnóstico clínicamente significativos son tan críticos como la escala de datos; estudios como ECG-CLIP ampliaron la evaluación a la identificación de enfermedades, el riesgo futuro y la predicción de resultados, indicando que "interpretar las formas de onda actuales" y "predecir la salud futura" deben ser temas separados. El trabajo de "Nature" en EchoNext en 2025 demostró el valor de diseño de la evaluación multihospitalaria y los estudios de detección prospectivos, lo que sugiere que el AUC retrospectivo estático no es suficiente para responder si se pueden encontrar enfermedades no diagnosticadas en escenarios clínicos.
En términos de imágenes orales, la investigación del modelo de lenguaje visual panorámico publicada en "Nature Biomedical Engineering" en 2026 combinó información dental a nivel de instancia con informes de texto y configuró una evaluación de preferencias de expertos; Esto respalda la línea de tareas de "posicionamiento estructurado de imágenes + semántica de informes", pero no significa que diez fotografías panorámicas puedan reproducir conclusiones a nivel de papel. Benchmark debe revelar la población aplicable específica, el equipo de imágenes, el nivel de anotación y el centro de pruebas externo para evitar que el modelo obtenga puntuaciones de acceso directo en un solo dispositivo o fondo de plantilla.
Para escenarios de examen físico y salud preventiva, la evaluación debe pasar de preguntas y respuestas médicas estáticas a una cadena completa: si el modelo se lee correctamente, si se puede combinar con intervalos de referencia aplicables, si identifica anomalías que requieren revisión profesional, si proporciona una comunicación clara pero no excesiva y si recomienda los próximos pasos apropiados sin reemplazar el criterio del médico. Los puntos de referencia de conversación sobre salud, como HealthBench, enfatizan la evaluación basada en interacciones de salud reales y criterios de puntuación refinados; al transferir sus ideas a los informes de exámenes físicos, se deben agregar aún más los vínculos de retroceso de la evidencia del informe original, la verificación de unidades/rango de referencia, la gravedad de las omisiones anormales y las derivaciones a revisiones clínicas.
7. Sugerencias de Langhui para la construcción de listas: utilice "evidencia verificable" para formar diferencias
Langhuike posiciona la plataforma como un servicio profesional de datos, producción experta y evaluación continua para el equipo de IA médica y de ciencias biológicas, en lugar de una "agencia de clasificación de modelos" no verificada. En la primera fase, se recomienda construir tres vías de evaluación privadas: comprensión del informe del examen físico, análisis estructurado de imágenes panorámicas orales e interpretación y predicción del ECG. Cada pista ofrece tarjetas de datos, etiquetado de SOP, descripciones de estándares de referencia, protocolos de pruebas ciegas, resultados de referencia, estratificación de errores e informes de versiones. Los datos confidenciales se evalúan en hospitales o entornos controlados en la medida de lo posible, y en informes públicos solo se publican estadísticas agregadas e información metodológica autorizadas.
El líder empresarial define el propósito de cada pista, los expertos clínicos/biológicos definen los valores y riesgos verdaderos, los ingenieros de datos mantienen pedigríes y verificaciones, el equipo de algoritmos congela el protocolo en ejecución y el personal de control de calidad independiente gestiona las pruebas y la reproducción a ciegas. Las ventajas de Langhui deberían reflejarse en la aclaración de la demanda, la coincidencia de expertos, la coherencia del etiquetado, la gestión de datos intermodales, las pruebas ciegas y el cierre de problemas; cualquier tamaño de caso, calificaciones de los médicos, efectos del modelo o cifras de impacto clínico deben tener evidencia pública antes de usarse para su difusión en el mercado.
8. Ruta de implementación recomendada de 90 días
Semana 1-2: Inventario de datos y autorizaciones. Establecer listas y hashes a nivel de archivos; realizar una evaluación de riesgos de privacidad y una verificación de desidentificación en DICOM oral; confirmar la fuente, la versión de la plantilla, los pacientes duplicados y el propósito de salida del informe del examen físico; verificar si el ECG PDF y XLSX corresponden al mismo caso y aclarar si se puede utilizar para la investigación.
Semanas 3-5: Tareas y diseño de etiquetas. Defina entradas, salidas, poblaciones objetivo, exclusiones, estándares de referencia, gravedad de errores, roles de expertos y cuadros de mando para cada una de las tres vías. Los campos de examen físico están marcados con ejemplos; las películas dentales congelan el sistema de posición de los dientes y las etiquetas de calidad de la imagen; El ECG determina la clasificación diagnóstica y el nivel de evidencia.
Semanas 6-9: Piloto de doble estándar a pequeña escala. Utilice muestras aprobadas para probar estándares, medir la coherencia y la tasa de arbitraje; revisar reglas y congelar versiones. Actualmente, los cinco casos de ECG y los diez casos panorámicos solo se utilizan para ejecuciones de pruebas de proceso y no se pueden publicar clasificaciones de rendimiento.
Semanas 10-13: Ampliación de capacidad y preparación de pruebas ciegas. Calcule el tamaño de la muestra en función del criterio de valoración principal, cree fuentes de equipos/centros múltiples; partición por nivel de paciente; sellar el equipo de prueba; Complete el modelo de línea base, el protocolo de prueba externo, la auditoría de privacidad y la tarjeta de datos. La primera versión de los resultados del seguimiento se publicará solo después de que se alcancen el tamaño de la muestra y los umbrales de gobernanza.
Conclusión: No permita que el tamaño de la muestra cree la “ilusión de la lista”
Cada uno de los tres paquetes comprimidos proporciona una entrada digna de una construcción continua: el informe del examen físico se puede convertir en un informe de comprensión y evaluación de la comunicación de salud, el DICOM panorámico oral se puede convertir en un punto de referencia para la posición de los dientes y la identificación de lesiones, y la tabla de emparejamiento de electrocardiogramas se puede utilizar como un contrato de datos de etiqueta de forma de onda de muestra. Sin embargo, el tamaño de la muestra actual, los metadatos y la evidencia de anotaciones no son suficientes para respaldar las afirmaciones de desempeño clínico o las clasificaciones de modelos públicos. Un camino más responsable es verificar primero la fuente y los riesgos de identidad, luego solidificar las tareas, los estándares de referencia, la segmentación, las pruebas ciegas y los planes estadísticos y, finalmente, utilizar evidencia entre organizaciones, entre dispositivos y con visión de futuro para probar si el modelo es realmente utilizable.
El valor profesional de Langhui no radica en empaquetar muestras limitadas en una "gran lista", sino en ayudar a hospitales, equipos de investigación y equipos de algoritmos a convertir cada paso en una cadena de evidencia que sea rastreable, revisable y capaz de mejora continua. Esto no sólo puede aumentar el valor de los datos de capacitación, sino también hacer que los resultados de la lista sean más justos, más explicables y más cercanos a las decisiones comerciales reales.
Referencias
Estos estudios fundamentan el análisis metodológico; sus resultados no demuestran el rendimiento del modelo en las muestras adjuntas.
- CODE-II: a large-scale dataset for artificial intelligence in ECG analysis. npj Digital Medicine. 2026.
- Development and external validation of a contrastive learning foundation model for ECG-based prediction of cardiovascular diseases and outcomes. 2026.
- Detecting structural heart disease from electrocardiograms using AI. Nature. 2025.
- Bridging the gap from clinical to home ECG: quantifying and overcoming accuracy loss in AI-enabled single-lead ECG models. npj Digital Medicine. 2026.
- Towards clinical-level interpretation of dental panoramic radiography using an instance-guided vision-language model. Nature Biomedical Engineering. 2026.
- Towards Better Dental AI: A Multimodal Benchmark. NeurIPS Datasets and Benchmarks. 2025.
- HealthBench: an evaluation for AI systems and human health. OpenAI. 2025.
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update. Radiology: Artificial Intelligence. 2024;6(4):e240300.
方法边界：Este artículo es un diseño de investigación y un análisis de ingeniería de datos, no una recomendación de diagnóstico, una evaluación de dispositivos médicos ni una opinión legal. La información personal contenida en el archivo adjunto debe procesarse en un entorno autorizado; Las revisiones de la fuente de datos, la autorización, la ética/cumplimiento y la desidentificación deben completarse antes de la publicación pública.
