### 1. generar los datos con la receta (unidades reales)
Project:  ClassifierProject
Seed:     20260825  mode: coherent  rows: 400
Train:    datos/classifierproject-synthetic-train.csv  (320 rows)
Eval:     datos/classifierproject-synthetic-eval.csv  (80 rows)
Manifest: datos/classifierproject-synthetic-manifest.json

### 2. entrenar
Training OK: efc59afa
Best epoch: 29
Best validation loss: 0.075621
Accuracy: 0.968750
Artifacts: runs/v1

### 3. exportar
Bundle OK: paquete
Files: README.md, data_recipe.txt, example_input.json, expected_output.json, export_manifest.json, inference_spec.json, model.mxai, model.mxtrain, model.onnx, model_manifest.json, params.best.json, predict.py, reproduce.json, requirements.txt, space/README.md, space/app.py, space/requirements.txt
Equivalence PASS: max_abs_diff=1.19e-07
Self-usable: yes (predict.py + inference_spec.json included)
Reproducible: yes (reproduce.json)

### 4. predecir con valores crudos, sin MatrixAI
  92 años, reingreso 0,9 -> {"alto":1.0,"bajo":9.931520189576659e-11}
  25 años, sin reingreso  -> {"alto":0.0002168944920413196,"bajo":0.9997830986976624}

### 5. verificar el paquete descargado
manifest  PASS
R1        PASS
training  PASS
R3        PASS

### 6. la ficha TRIPOD+AI
Record written to /tmp/casos-clinico-ksm51ibf/ficha_tripod.md
# Ficha TRIPOD+AI

> Generada por `matrixai report --tripod` desde el manifiesto del paquete. Cada línea sale de lo que el run guardó; lo que no se sabe se dice.
>
> Esto no es un producto sanitario ni una aprobación regulatoria, y no sustituye al criterio de quien firma el estudio.
>
> **AVISO: los datos de entrenamiento son SINTÉTICOS**, generados por la receta que viaja en este paquete. Un modelo entrenado así no está validado clínicamente.

## Datos
- **Fuente**: `coherent`
- **Filas que entrenaron**: 400
- **Huella del dataset (sha256)**: 1cefbf74e237efdae2f6e06d7b9c5141ed815cccbd547aa18341ab7a79c96e65
- **Predictores (entradas)**: edad (18–100), dias_ingresado (0–60), num_diagnosticos (0–15), reingreso_previo (0–1)
- **Columnas excluidas**: _no disponible_
- **Partición y semillas**: {"dataset": 20260825, "init": 42, "split": 42}

**Receta de datos** (`data_recipe.txt`):

```
alto: edad > 75 OR reingreso_previo > 0.5
DEFAULT: bajo
```

## Modelo
- **Arquitectura (`.mxai`)**: a164f4380120be24d6cc66ac564bc7af820498cdbcf0caf251398aa904410747
- **Hiperparámetros (`.mxtrain`)**: 45235ce15bb7744a43dc7aee32ef1622009be352e2d0926e0d3bd8d7feca18d6
- **Épocas declaradas / efectivas / ejecutadas**: 60 / _no disponible_ / _no disponible_
- **Entorno**: matrixai 1.6.0 · python 3.12.3 · stdlib/cpu

## Rendimiento
- **accuracy**: 0.96875 (medido sobre el dataset `1cefbf74e237…`)
- **best_validation_loss**: 0.07562131317942544 (medido sobre el dataset `1cefbf74e237…`)

## Disponibilidad del modelo · Reproducibilidad
- El paquete incluye `model.onnx`, `predict.py` e `inference_spec.json`: predice con valores crudos sin instalar MatrixAI.
- El paquete se declara reproducible. Se comprueba con `matrixai verify <paquete>`.

## Lo que esta ficha NO puede rellenar
- **Datos ausentes**: el core no declara hoy ninguna política de valores ausentes, así que no se puede afirmar qué se hizo con ellos
- **Calibración**: no se calcula: el paquete publica exactitud y pérdidas, no una curva de calibración
- **Equidad por subgrupos**: no se calcula: haría falta declarar los subgrupos y medir en cada uno
- **Financiación**: es del autor del estudio, no del run
- **Conflictos de interés**: ídem
- **Aprobación ética y registro del estudio**: ídem
- **Uso previsto y población destinataria**: lo escribe una persona; este informe lo pide, no lo inventa