FHIR_HFIR_03_SyntheticBundleUUID im LLM-Testsuite-Report

Testfallbeschreibung

Der Test prüft, ob das Modell ein synthetisches FHIR Bundle mit URN UUIDs generieren kann, das eine HFIR Anamnese dokumentiert, einschließlich Patient mit Geschlecht und Geburtsdatum und einer Observation mit HFIR ANAMNESE Code.

QuelldateiFHIR_HFIR_03_SyntheticBundleUUID.txt
Serie2
Kategorienfhir, xml, hfir, bundle
BewertungLLM-Judge
Prompt SHA-25661e4c81343454e42945056a8b4070e8b197c890f2ef9beed86beb7c3c9cbcfc8
LLM-Judge: Die Antwort wird LLM-gestützt bewertet. Ein Judge-Modell vergleicht die Modellantwort mit der fachlichen Erwartung und entscheidet, ob sie inhaltlich erfüllt ist.

Erwartetes Ergebnis

Valides synthetisches FHIR R4 XML Bundle mit eindeutigen URN UUID Identitäten, Patient mit gender und birthDate sowie Observation HFIR-ANAMNESE mit vier HFIR Komponenten.

Erwartung im Katalognein
Korrektes Ergebnis im Katalogja

Judge-Anweisung

Prüfe gültige und konsistente URN UUIDs, Patientendaten, den Observation Code HFIR-ANAMNESE und die vollständige HFIR Komponentenstruktur.

Muss erfüllt sein

  • Die Ausgabe besteht ausschließlich aus wohlgeformtem XML. Markdown Codezäune dürfen für die Prüfung entfernt werden, zusätzliche Prosa ist nicht zulässig.
  • Das Wurzelelement ist Bundle im FHIR Namensraum http://hl7.org/fhir.
  • FHIR Primitive werden XML konform über value Attribute modelliert und nicht als unstrukturierter Elementtext.
  • Patient und Observation stehen als Ressourcen in Bundle.entry/resource. Die Observation besitzt mindestens status und code.
  • Observation.subject verweist auf den im Bundle enthaltenen Patient und die Referenz lässt sich innerhalb des Bundles auflösen.
  • Die Bundle Einträge für Patient und Observation besitzen jeweils eine eindeutige Identität im Format urn:uuid:<gültige UUID>.
  • Patient.gender enthält einen gültigen FHIR R4 AdministrativeGender Code und Patient.birthDate ein syntaktisch gültiges FHIR Datum.
  • Observation.code kennzeichnet die Observation eindeutig mit HFIR-ANAMNESE, entweder als Coding.code oder als gleichwertige CodeableConcept Modellierung.
  • Observation.subject verweist konsistent auf die Patient Identität im Bundle.
  • Die Observation enthält genau vier nicht leere component Einträge H, F, I und R.
  • Jedes verlangte Bundle.entry/fullUrl besitzt ein value Attribut mit urn:uuid:<UUID>.

Fehlerkriterien

  • Das XML ist nicht wohlgeformt, verwendet einen falschen oder keinen FHIR Namensraum oder enthält Prosa außerhalb der Serialisierung.
  • FHIR Primitive sind überwiegend als Textinhalt statt über value Attribute dargestellt.
  • Patient oder Observation ist nicht korrekt als Bundle Ressource modelliert.
  • Observation.status, Observation.code oder die konsistente Patient Referenz fehlt.
  • URN UUIDs sind syntaktisch ungültig, doppelt oder Referenzen zeigen auf eine andere beziehungsweise nicht vorhandene Ressource.
  • Ein FHIR Resource.id enthält unzulässigerweise den vollständigen Präfix urn:uuid: statt nur eines gültigen FHIR id Werts.
  • gender, birthDate oder der Code HFIR-ANAMNESE fehlt.
  • Die vier HFIR Komponenten sind nicht vollständig oder nicht getrennt strukturiert.

Judge-Hinweis: Bewerte gegen die FHIR R4 XML Repräsentationsregeln. Ein XML Dokument mit nur ähnlich klingenden Elementnamen ist kein FHIR Bundle. Für die klinischen HFIR Texte zählt semantische Plausibilität, nicht eine bestimmte Wortwahl.

Prompt

Erzeuge ein synthetisches FHIR Bundle (XML), das eine HFIR-Anamnese dokumentiert.
Patient soll Geschlecht und Geburtsdatum haben.
Die Observation soll den Code HFIR-ANAMNESE tragen.
Füge die vier HFIR-Komponenten ein.
Verwende unique URN-UUIDs für fullUrl.
Das Ergebnis muss wohlgeformtes FHIR XML sein.
743 Runs 729 bewertet 17.6 % Score 9.2 % exakt korrekt
Hilfe zu Bewertung, Score und exakter Korrektheit

Score ist eine abgestufte Gütebewertung: correct = 100 %, mostly_correct = 80 %, partial = 50 %, wrong/not_answered = 0 %.

Exakt korrekt ist strenger: Nur Runs mit dem Label correct zählen. Mostly correct erhöht den Score, zählt aber nicht als exakt korrekt.

Bewertet zählt alle Runs mit fachlichem Urteil. Bei LLM-Judge-Ergebnissen zählen auch Judge-Fehler als bewertet, aber mit Score 0 %.

Erzeugt am