FHIR_HFIR_06_Neurologie_ttl im LLM-Testsuite-Report
Testfallbeschreibung
Der Test prüft, ob das Modell ein vollständiges FHIR Bundle für eine neurologische HFIR Anamnese erzeugen kann, mit gültigen IDs, korrektem Observation.status und Category Coding.
| Quelldatei | FHIR_HFIR_06_Neurologie_ttl.txt |
|---|---|
| Serie | 2 |
| Kategorien | fhir, ttl, hfir, bundle |
| Bewertung | LLM-Judge |
| Prompt SHA-256 | aa0ee008c0fc843df5987f2647a7cbc79e2dcf16b0b7b5a933806562b76f3f4d |
Erwartetes Ergebnis
Valides FHIR R4 RDF/Turtle Bundle für eine neurologische HFIR Anamnese mit gültigen IDs, passendem Observation.status, offiziellem Category Coding und HFIR ausschließlich in Observation.component.
| Erwartung im Katalog | nein |
|---|---|
| Korrektes Ergebnis im Katalog | ja |
Judge-Anweisung
Prüfe gültige Ressourcen IDs, Observation.status und category sowie die ausschließlich komponentenbasierte neurologische HFIR Modellierung.
Muss erfüllt sein
- Die Ausgabe besteht ausschließlich aus syntaktisch gültigem Turtle und lässt sich als RDF Graph parsen. Markdown Codezäune dürfen für die Prüfung entfernt werden, zusätzliche Prosa ist nicht zulässig.
- Der Präfix fhir ist auf http://hl7.org/fhir/ gebunden.
- Genau ein Knoten ist als fhir:Bundle typisiert und mit fhir:nodeRole fhir:treeRoot als Wurzelressource gekennzeichnet.
- Patient und Observation sind als fhir:Patient und fhir:Observation Ressourcen modelliert und über die FHIR Bundle Struktur erreichbar.
- FHIR Primitive verwenden die R4 RDF Modellierung mit fhir:value. Wiederholte Elemente besitzen konsistente, lückenlose fhir:index Werte ab 0.
- Die Observation besitzt gültige FHIR RDF Aussagen für status und code. Die subject Reference enthält eine konsistente fhir:Reference.reference und sinnvollerweise einen auflösbaren fhir:link zum Patient.
- Bundle, Patient und Observation besitzen jeweils einen nicht leeren, syntaktisch gültigen und innerhalb der Ausgabe eindeutigen FHIR id Wert.
- Observation.status ist ein gültiger FHIR R4 ObservationStatus Code und für eine dokumentierte Anamnese semantisch passend, typischerweise final.
- Observation.category enthält mindestens ein Coding mit dem System http://terminology.hl7.org/CodeSystem/observation-category und einem nicht leeren, plausiblen Code.
- Observation.code oder Observation.code.text kennzeichnet eine neurologische Anamnese beziehungsweise ein semantisch gleichwertiges neurologisches Thema.
- HFIR ist ausschließlich in genau vier Observation.component Einträgen H, F, I und R mit nicht leeren valueString Werten modelliert.
Fehlerkriterien
- Die Ausgabe ist kein parsebares Turtle, bindet fhir falsch oder enthält Prosa außerhalb der RDF Serialisierung.
- Der Graph verwendet nur frei erfundene Prädikate statt der FHIR R4 RDF Eigenschaften.
- Mehr als ein Knoten ist als treeRoot markiert oder die Wurzel ist kein Bundle.
- Primitive Werte werden nicht mit fhir:value dargestellt oder Wiederholungen haben doppelte beziehungsweise lückenhafte fhir:index Werte.
- Patient, Observation, status, code oder die auf den Patient gerichtete subject Reference fehlt.
- Eine ID fehlt, ist syntaktisch ungültig oder wird widersprüchlich wiederverwendet.
- Observation.status fehlt oder enthält keinen gültigen FHIR R4 Code.
- Das Category Coding fehlt, verwendet kein offizielles observation-category System oder besitzt keinen Code.
- HFIR wird außerhalb der components als primäre oder parallele Struktur abgelegt.
- Der neurologische Bezug fehlt.
Judge-Hinweis: Bewerte die offizielle FHIR R4 RDF Darstellung. Turtle ist ein RDF Graph, doch die Reihenfolge wiederholter FHIR Elemente wird durch fhir:index festgelegt. Für die klinischen HFIR Texte zählt semantische Plausibilität, nicht eine bestimmte Wortwahl.
Prompt
Erstelle ein vollständiges FHIR Bundle in ttl zur Abbildung einer HFIR-Anamnese im Bereich Neurologie. Nutze gültige FHIR IDs, ein korrektes Observation.status und ein observation-category coding. Die HFIR-Information muss ausschließlich in Observation.component abgelegt sein. Gib nur das ttl zurück.
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 %.





