有证明依据指可检查的规则证书
在这篇论文中，“证明”并不意味着由外部定理证明器认证了逻辑可靠性或临床真理性。它指每一次导出的规则应用都记录四个与审计相关的字段：规则所消费的前提、规则标识符、得出的结论，以及人类可读的理由或来源引用。轨迹完整性在此被操作性地定义为导出产物中这些必需字段是否齐备。
这一定义之所以重要，是因为它设定了验证目标。确定性报告由轨迹层面的结论生成，而不是直接由原始工作簿单元格生成，因此一句话或一个动作可以反向审计到结论，从结论审计到规则应用，再从规则应用审计到患者事实和知识事实。引擎还要求每一条发出的建议都能解析到一个策略标识符，每一个被引用的知识特征都能解析到打包的 YAML 来源。
可用性、表示完整性与激活是三个正交状态
引擎的核心设计选择，是把常被合并为一个缺失标签的三件事分开。测量可用性是关于某项测量是否存在的一个二元事实。表示覆盖率描述一个已观测特征被编码的完整程度。疾病特异性激活，即信息门控值 IG_D(p, f)，是取值于 [0,1] 的另一个独立量，论文明确指出它不是可用性标志。
论文直接给出了推论：IG 值为零并不意味着该特征未被观测。一个已观测的测量可以贡献零疾病特异性激活，一个已观测特征也可以同时只被部分表示。语料中包含 86,783 个 IG = 0 的已观测特征实例和 139,949 个部分表示的已观测实例，作者将其作为压力案例，说明为什么单一的“缺失或弱证据”标签会丢弃实质不同的计算状态。
轨迹由已导出证据构建而非重新计算
对每一个患者-疾病配对，解释引擎从已经导出的特征级证据构建轨迹，而不是重建上游的诊断计算。患者取值首先与其映射特征和疾病特异性角色关联。随后，可用性独立于表示覆盖率和激活被读取。这一顺序是刻意的：只有在系统知道底层测量是否被观测之后，IG 值才会被解释，而覆盖率被视为表示属性而非采集属性。
上游系统是冻结的。它导出患者取值、特征映射、临床角色、疾病级分数、证据覆盖率以及疾病特异性信息门控值，解释层将这些视为不可更改的事实。因此疾病级分数是被解释的证据，而不是引擎重新计算的量。论文指出，对解释渲染器的改动无法反馈影响诊断分数。
只有未解决证据加策略条目才能许可检查
建议边界被刻意设计得比描述性轨迹更窄。轨迹可以描述已观测支持、已观测但未激活、部分表示或未解决证据，但只有最后一类才能参与确诊检查规则，而且只有在打包策略中存在疾病/特征/检查映射时才可参与。低覆盖率、部分表示或语言模型都不能独立产生检查建议。
这区分了描述不确定性与授权行动。论文给出的例子是：一个 IG = 0 的已观测特征可以被描述为已观测但未激活，不能被重新标记为“缺失”；部分表示可以作为编码覆盖率中的不确定性被呈现，但它本身不能授权检查。该设计被描述为刻意保守：一个临床上合理但不在策略中的动作不会被悄悄发明，而是需要在患者级解释运行之外显式更新知识或策略。
语料级检查通过，但有一处局部例外
在覆盖 6,720 名患者、20,160 条患者-疾病轨迹和 1,021,440 行特征证据的五个可用工作簿中，IG 范围有效性和知识来源解析均为 100%（1,021,440/1,021,440），数值跨表保真度为 100%（120,960/120,960），导出的逻辑轨迹完整率和确定性报告轨迹完整率均为 100%（20,160/20,160）。
可用性-表示一致性为 99.7028%（1,018,404/1,021,440）。论文强调，这 3,036 处分歧并非异质性失败，而是集中在三种系统性的特征-队列组合：同一份 1,018 名患者工作簿中，Dengue 轨迹里的 1,018 条 VOM_manifestation 记录和 Malaria 轨迹里的 1,018 条 VOM_progression 记录，以及一份 1,000 名患者工作簿中 Dengue 轨迹里的 1,000 条 MAL_manifestation 记录。在每一种情况下，特征证据导出都把该测量标记为已观测且 IG = 0，而置信度审计记录为零表示覆盖率且 status = missing。
作者将此描述为导出结构之间的可用性-表示分歧，而不是引擎把该测量转为未观测的证据。由于引擎从特征证据的 Observed 字段读取可用性，一条零覆盖率的置信度审计记录本身并不满足关键不完整规则的未观测前提。论文指出，这是关于当前引擎代码路径的结论，并不能证明旧导出对每一个外部消费者都无害，因为把 status = missing 解释为采集缺失的软件可能得到不同状态。该分歧被保留为源数据和模式缺陷，而不是被归一化抹去。
设种子的审计检验了可执行路径
另有一项独立设种子的 25 名患者端到端审计，执行无失败完成，并通过了全部预设的证明完整性、建议许可、来源解析和可用性/表示检查。在记录的实验环境中，五个工作簿的平均执行时间从每名受审计患者约 14.8 秒到 52.0 秒不等；论文指出这些测量刻画的是受审计实现，而不是通用部署基准。
对一名示例患者（ID 152），冻结的上游 Dengue 轨迹报告证据概率 0.1179、Hallmark/Major 余弦相似度 0.7062、相对幅度 0.6737、疾病分数 0.4993 和证据覆盖率 0.3715。血液浓缩和轻度血小板减少是已观测的高角色证据，IG 分别为 1.000 和约 0.953，而白细胞减少/中性粒细胞减少尽管 IG = 0 仍保持已观测。其他高角色证据被部分表示，NS1/PCR 证据则确实未被观测，因此只能通过策略获得确诊检查许可。
论文明确指出，两项审计回答的是不同问题。语料级检查在超过一百万行特征证据上提供广度，更擅长发现系统性导出不一致；设种子的引擎审计验证当前可执行路径能为抽样患者构建完整轨迹和报告产物，更擅长发现执行、策略解析或报告构建失败。两者都不能替代临床验证。
结构有效性不等于语义或临床有效性
论文区分了三个有效性层次。结构有效性追问导出的取值、来源、轨迹字段和策略标识符是否内部一致，这是当前实验的主要目标。语义有效性追问编码的医学角色、阈值和规则是否忠实反映预期的临床知识。临床有效性追问使用由此产生的解释是否改善决策或患者结局。通过第一层并不能确立后两层，作者指出，一个完全可追溯的系统仍可能暴露一条编码错误的规则。
该研究是横断面的，不评估预后、患者结局、临床医生决策质量或前瞻性临床效用。25 名患者的引擎审计规模小于语料级导出结构审计，并未被呈现为穷尽的端到端临床验证。可选的语言实现层被有意排除在报告的通过率之外；论文没有声称这种受约束架构优于不受约束的 LLM 报告，称那是一个独立的实证问题。零字节的 influenza 工作簿在分析前被排除，不计入任何分母。
审计价值集中在零激活与部分表示案例
这篇论文最具决策相关性的读法，不是那些描述导出产物结构检查的 100% 头条数字，而是这些检查旨在保护的两个庞大人群：86,783 个 IG = 0 的已观测实例和 139,949 个部分表示的已观测实例。这些正是传统渲染器可能把不同计算状态压缩为一个“缺失/弱证据”标签的情形，也正是引擎的显式谓词让已观测但未激活、部分编码和真正未观测保持可区分的情形。
第二个重点是建议边界。由于一个检查动作既需要一个真正未观测且列入策略的特征，又需要一条匹配的策略条目，对任何部署而言，可审计的问题不是轨迹是否完整，而是打包策略是否包含临床医生会认为合适的动作。论文自身的框架支持这一排序：可追溯性使编码错误的规则可被检查，而不是使其临床正确，因此它指出的下一步是临床医生对规则和策略内容的审查以及前瞻性评估，而不是继续做结构审计。
本文引用的文献
Proof-Grounded Patient-Specific Clinical Explanations from Knowledge-Graph Reasoning
CKG 临床解释引擎把冻结的知识图谱推理器输出转化为带类型的事实、规则应用轨迹、带来源关联的结论和受策略许可的建议，在 1,021,440 行特征证据和 20,160 条患者-疾病轨迹上实现了 100% 的 IG 范围有效性、知识来源解析、数值跨表保真度以及导出的逻辑/报告轨迹完整率，可用性-表示一致性为 99.7028%，全部 3,036 处分歧都定位到三种系统性的特征-队列模式。