agentleFS
embryossaembryossa/embryo-lab-data/.claude/skills/run-analysis/SKILL.md

run-analysis

Skill0 starsChanged 30 days agoMITView on GitHub

End-to-end IVF laboratory run from inbox through external DT/TabPFN, local joins, KPI, MIRI, pseudonymized agent review and reports.

  • Installs packages

2 other projects use a version of this.

Adopted by

Most recently taken up by

  • Other versions2 projects use a version of this.

    Word for word · 0

    None found.

    Edited · 0

    None found.

    Wrote their own version · 2

    1. bohewu/agents_pipeline★ 1same name
    2. AndreasADL/ai-papermill★ 0same name

    How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.

  • In this repository8 other files it gives its agents.

The file

Files
SKILL.md

Полный запуск анализа

Несколько клиник в одном проекте (см. docs/FERTIMED.md): без аргументов — клиника A (поведение не меняется). /run-analysis --fertimed — прогон для Fertimed (config/clinics/fertimed/, --clinic fertimed под капотом scripts/run_analysis.py). У Fertimed нет MIRI/лотов расходников (miri_logs.enabled: false, consumable_lots.enabled: false в её конфиге) — шаги 2a/2b ниже относятся только к клинике A и для Fertimed пропускаются автоматически. ПГТ-А клиники Fertimed (https://my.f-genetics.com/#/cases/orders) уже автоматизирован (pgt.enabled: true, парсер src/embryo/clinics/ fertimed_pgt.py, см. docs/FERTIMED.md) — новые отчёты для пациентов review-list ∪ известного исхода без ещё скачанного файла в pgt.reports_dir нужно докачивать интерактивно через claude-in-chrome по аналогии с шагом 2b клиники A (портал и формат PDF другие, сама логика скачивания под Fertimed отдельно не описана здесь — см. docs/FERTIMED.md), затем перезапустить тем же --dt-output/--tabpfn-output replay.

/run-analysis --ggrc — прогон для GGRC (Armenia) (config/clinics/ggrc/, --clinic ggrc, см. docs/GGRC.md). Тоже без MIRI/лотов расходников; ПГТ-А не требует шага 2b вообще — данные уже в самой выгрузке, отдельного докачивания с портала нет. У GGRC два отдельных входных файла (eligible- когорта + широкая lab-популяция для KPI) вместо одного — см. docs/GGRC.md, подготовка входа для этой клиники ничем не отличается для пользователя skill'а (шаги ниже те же).

/run-persona <год> (или /run-analysis --persona <год>) — PERSONA (config/clinics/persona/, --clinic persona под капотом, см. docs/PERSONA.md). Вход — staged-файл года после scripts/persona_stage.py, выходы — в data/processed/persona/<год>/ (годы не перезаписывают друг друга); $ARGUMENTS для preflight/dt-check — --persona <год>. Без MIRI/лотов/ПГТ-А; Laya без калибровки центра (laya_status=ok_uncalibrated). Пошагово — .claude/commands/run-persona.md.

IVF Digital Twin для всех клиник и всех команд — только 7.1 через REST API службы IVFClinicIntegration71 (подключение «Аналитика», src/embryo/dt_api.py); батч 7.0 (RUN_BATCH.bat) снят 2026-09-13, флага версии нет. Политика пакета — блок external_tools.digital_twin.api в settings.yaml клиники, сертификат службы — config/machine.local.yaml. Replay — --dt-output <local_private>/dt71_api_output.csv.

  1. Pre-flight (дёшево, экономит целый повторный прогон):
    • Перед многочасовым расчётом DT выполни python scripts/run_analysis.py $ARGUMENTS --dt-check: служба проверяет те же пакеты без расчёта, печатает число расчётов, оценку времени и отклонённые строки (cycle_uid + причина, например cascade:known_mii — MII больше ОКК в выгрузке). data/processed при этом не меняется. dt_coverage показывает, сколько циклов получат DIGITAL TWIN из точки переноса, сколько — запасной прогноз «после пункции» (retrieval_fallback, при противоречии стадий) и сколько останутся без него (нет возраста). MII > ОКК не ошибка: ОКК для модели поднимается до MII (okk_raised_for_thawed, размороженные ооциты). В интерпретации строки с dt_timepoint_used=retrieval_fallback не читать как прогноз на день переноса.
    • Обязательно выполни python scripts/preflight.py $ARGUMENTS и не начинай прогон, пока он не вернёт 0. Скрипт сверяет фактически установленное с requirements.txt, отдельно проверяет импорт пакетов, чьё отсутствие даёт МЯГКИЙ отказ (нет исключения — просто тихо пропущенный шаг), и проверяет существование путей внешних инструментов из config/machine.local.yaml с учётом гейтов launch/enabled. Чинится обычно одной командой python -m pip install -r requirements.txt. Почему это не формальность — три подтверждённых случая расхождения окружения с requirements.txt на этой машине: pymupdf (19.07.2026, молча упали все 11 разборов ПГТ-А, выглядело как «у клиники нет отчётов»), pytest (28.07.2026, тесты нечем было прогнать), python-calamine (28.07.2026, чтение Excel втихую шло по медленному откату на openpyxl). Первый случай стоил ошибочного вывода в отчёте, а не только времени.
    • После шага ПГТ-А не делай вывод "клиника не тестирует генетику"/"не заказывали" только по pgt_note. Сверь число пациентов когорты, у которых в сырой выгрузке есть флаг заказа ПГТ (у Fertimed — PGT-ET/pgt_et_flag = "Да"; у клиники A такого явного флага в выгрузке нет, там кандидатами считается весь review-list ∪ известный исход), против числа реально сопоставленных n_biopsied>0 записей. Если флагованных заметно больше, чем сопоставленных — отчёты просто ещё не скачаны (шаг 2b ниже не выполнялся), а не "не заказывались".
  2. Из корня проекта выполни python scripts/run_analysis.py $ARGUMENTS (первый проход; если MIRI-логи для нужного окна ещё не синхронизированы локально, miri_summary просто отметит их отсутствием по этим cycle_uid — это не блокирует остальной пайплайн).
  3. Не продолжай клиническую интерпретацию, если оркестратор завершился ошибкой контракта, не создал dt_predictions.csv или указал, что DNN недействительна из-за scaler. 2a. MIRI из Google Drive (коннектор MCP, интерактивно — не headless Python): открой review_list.csv, возьми оттуда только cycle_uid + Date OPU (это уже локальный файл, не агентский пакет — ID/ФИО там и так нет). Для каждой даты вычисли окно Date OPU .. +cultivation_window_days и определи, какие папки Miri-6391-Incubation-[YYMMDD-YYMMDD] в шаренной папке Google Drive пересекаются с этим окном (folder id в config/settings.local.yaml: miri_logs.google_drive_folder_id). Через mcp__claude_ai_Google_Drive__search_files с parentId = '<folder_id>' найди пересекающиеся неделные подпапки, затем их Data-подпапку; скачай отсутствующие/более новые *.csv через download_file_content и запиши в data/miri_logs/6391/<та же папка>/Data/<тот же файл>.csv (структура зеркальна — просто копия путей). Не скачивай папки вне пересекающихся окон — весь архив Drive качать не нужно. Если это не первый прогон и нужные папки уже локальны и не новее Drive-версии — пропусти скачивание. Если после этого шага появились новые/обновлённые MIRI CSV — перезапусти python scripts/run_analysis.py $ARGUMENTS --dt-output <результат DT из первого прохода> --tabpfn-output <результат TabPFN из первого прохода> (детерминированный replay без повторного запуска внешних DT/TabPFN — пересчитается только MIRI/lots/ аналитика/отчёты с уже подтянутыми логами). 2b. ПГТ-А из личного кабинета pa.ivf.uz (claude-in-chrome, интерактивно — не headless): гейт pgt.enabled в config/settings.yaml. Собери когорту локально: cycle_uid + Patient Full Name + Date OPU/Date ET из data/processed/review_list.csv ∪ data/processed/local_private/model_input.xlsx (полная когорта с известным исходом переноса) — это уже локальные файлы, не агентский пакет. Для каждого пациента, у которого ещё нет файла в pgt.reports_dir, зайди в https://pa.ivf.uz/orders, найди по ФИО (склеенные Имя+Фамилия без пробела — формат Subject ID портала), и если статус Provided — скачай PDF в pgt.reports_dir (data/processed/local_private/pgt_reports/, никогда не коммитится). Имя файла не имеет значения — pgt.analyze_reports сопоставляет отчёт с cycle_uid по Subject ID внутри самого PDF, разрешая повторные попытки одной пациентки через окно Date OPU..Date ET. Пациентов без ПГТ или без готового результата — пропусти. После скачивания перезапусти тем же --dt-output/--tabpfn-output replay-командой (шаг 2a) — пересчитается PGT вместе с MIRI/lots.
  4. Агентам разрешено читать только папку agent_packets текущего прогона (data/processed/agent_packets/ для клиники A, data/processed/<клиника>/agent_packets/ для остальных). Файлы OPU, crosswalk, исходные таблицы и локальные результаты с ID/ФИО не передавать агентам.
  5. Запусти роли по порядку: kpi-analyst, incubator-forensics, consumable-lots-forensics, pgt-forensics, clinical-context-analyst, dt-narrator для review-list, затем lead-analyst. Промежуточные роли используют Haiku; исключение — clinical-context-analyst на Sonnet (владелец, 2026-07-31: интерпретация клинического слоя сложнее однотипного объяснения лабораторных чисел — разные знаменатели у каждого поля, две популяции у причины завершения, обратная причинность дозы); lead-analyst — Opus. clinical-context-analyst запускай только если в analysis_bundle.json заполнен cohort.clinical_context (сейчас это Fertimed: описательные поля выгрузки 1С — протокол стимуляции, доза ФСГ, триггер, дни МЦ, МКБ-10, КАФ, причина завершения программы). Пустой блок — не сбой: у остальных клиник этих полей в выгрузке нет, роль просто пропускается. Для dt-narrator: возьми список cycle_uid из review_list.csv (он же в analysis_bundle.json), раздели его на пачки по 8–10 и вызови dt-narrator один раз на каждую пачку, передав ей в задании ровно её список cycle_uid (не по одному вызову на пациента). Пачки независимы — можно вызывать параллельно. При <=10 пациентах в review-list это один вызов. Сохранение выходов ролей — работа оркестратора. У всех ролей, кроме dt-narrator, только Read/Grep/Glob (намеренно: агент не должен иметь права записи рядом с пакетами). Роль возвращает полный markdown последним сообщением; ты сам записываешь его через Write в папку agent_packets текущего прогона: kpi-analyst → kpi_analysis.md, incubator-forensics → miri_forensics.md, consumable-lots-forensics → lot_forensics.md, pgt-forensics → pgt_forensics.md, clinical-context-analyst → clinical_context_analysis.md, model-auditor → model_audit.md, lead-analyst → lead_analysis.md; dt-narrator пишет dt_narrator_batch_<N>.md сам. После записи проверь mtime каждого файла: файл старше начала прогона — не сохранён. Фраза агента «файл сохранён» доказательством не является. 4a. Сохрани итог lead-analyst в agent_packets/lead_analysis.md и запусти по нему interpretation-critic (Opus) — состязательную проверку интерпретации против тех же пакетов. Роль ищет ровно то, что дороже всего стоит клинике: числа, не совпадающие с пакетом; утверждения без основания; гипотезы, поданные как вывод; доли на вырожденных знаменателях; одно измерение, поданное как несколько независимых подтверждений. Замечания высокой серьёзности отработай до finalize_report.py: либо поправь текст через lead-analyst, либо, если замечание неверно, зафиксируй почему. Это не формальность. Проверка на реальном отчёте (Fertimed, 19.07.2026) дала 3 замечания высокой серьёзности, включая стержневой аргумент: «три независимых измерения сходятся» — при том что два из трёх были одной и той же дробью (143/250 и как шаг воронки 2PN→Bl, и как BlR), а главный вывод стоял на 48 циклах из 250, что в тексте нигде не названо. Панель параллельных синтезаторов этого не ловит — ловит именно недоверчивый одиночный проход. Пустой результат критика — нормальный исход, не повод искать замечания повторно. 4b. Контроль подключения компонентов (обязателен, владелец 2026-10-02; см. CLAUDE.md «Мониторинг и контроль подключения компонентов»): длинный прогон — в фоне с логом; после каждого прохода сверь run_manifest.json и выходы по каждому компоненту (DT 7.1 API, TabPFN, TabPFN-3 regression, DNN/EVO, Laya (laya_status/laya_coverage), Airtable-лоты, MIRI Drive, ПГТ-А портал, Teable) и покажи пользователю таблицу ok / мягкий сбой + причина / выключен гейтом. Нулевое покрытие включённого компонента — не «нет данных», а сбой, пока не доказано обратное.
  6. Числа не пересчитывать в LLM. Итоговые гипотезы отделять от установленных фактов.
  7. Обратное сопоставление cycle_uid → ID/ФИО выполняется только локальным Python при формировании окончательного XLSX/HTML, никогда не в контексте Claude.
  8. Убедись, что agent_packets/lead_analysis.md содержит версию, отработанную по замечаниям критика, и запусти python scripts/finalize_report.py.

Основные результаты: dt_predictions.csv, OPU_table_enriched.xlsx, review_list.csv, miri_events.csv, lot_events.csv, pgt_summary.csv, clinical_context.csv (только у клиник с описательными клиническими полями), pgt_embryo_events.csv, ozema_cycles.csv, ozema_genetic_counseling_candidates.csv, DT_Analytics_Report.xlsx, DT_Analytics_Report.html (вкладки: Обзор, KPI эмбриологов, KPI врачей, Модели и калибровка (боксплот прогнозов по всем моделям + KAT vs PRAI, стиль notebooks/reference/Data_Twin_analytics.ipynb), Кластерный анализ (donut/профиль/ исходы/P(беременность) по кластерам), Похожие случаи (граф сходства пациентов, Similar Cases, Mann-Whitney intra/inter-cluster), Прогноз беременности (PRAI+Digital Twin, воронка — из TabPFN-3 regression P50 этого отчёта), TabPFN-3: прогноз протокола (per-stage P10-P90 QA), Review-list, MIRI 6391, Партии расходников, OZEMA, Итоговая интерпретация; стиль/палитра — Claude.ai warm/clay), run_manifest.json.

Неподвижные решения владельца по HTML-отчёту (report.py):

  • Стиль/палитра — тёплая Claude.ai (--clay:#d97757 и токены её дизайн-системы); не менять без прямого запроса владельца.
  • Вкладка MIRI показывает только реальные эпизоды, без сводки по циклам.
  • Вкладка «Прогноз беременности» берёт воронку реал/прогноз из P50 TabPFN-3 regression ЭТОГО отчёта, не из старых полей Digital Twin med_* — это два разных источника прогноза воронки, не смешивать.
  • Дискриминативные метрики моделей (Brier, ROC-AUC, Acc@0.5 и т.п.) живут только в таблице «Калибровка» вкладки «Модели и калибровка»; lead-analyst на них не опирается (правило и обоснование — в .claude/agents/lead-analyst.md).

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.