Riferimento condiviso per tutti i dataset (dettaglio in docs/cosa_ottimizziamo.md). Se qualcosa nei parametri del modello sembra parlare di IOL, ignoralo: l’obiettivo attuale è solo Expected Rx.

1. Cosa abbiamo per ogni occhio

• Biometria: Gender, K1, K2, ACD, AL, pACD, LT
• IOL_implanted: potenza già impiantata (fissa in R&D)
• PostOpRx: refrazione misurata dopo l’intervento
• ExpectedRx_hqst: refrazione che Hoffer QST predice per quella IOL impiantata

2. Errore che vogliamo ridurre (PE)

PE = PostOpRx − ExpectedRx
Obiettivo: |PE| piccolo, idealmente ≤ 0.5 D

Segno: PE < 0 ⇒ la IOL era troppo potente rispetto all’outcome.

3. Cosa impara il modello (OLS + ELP)

Δ = f(biometria + ELP)     # ACD, AL, KAve, R, Male, pACD, LT, T, TC, PredictedACD, L
Δ = clip(Δ_raw, ±Δmax)
ExpectedRx_corr = ExpectedRx_hqst + Δ
PE_corr = PostOpRx − ExpectedRx_corr

Il training cerca Δ ≈ PE_hqst, così ExpectedRx_corr si avvicina a PostOpRx. Non si aggiunge Δ alla potenza IOL.

4. Flusso

• 1 · Data — carichi tutti gli occhi
• 2 · Optimization — filtri opzionali (es. PE ≤ 0.5), oppure nessun filtro = tutti gli occhi; poi trovi Δ e salvi il modello
• Inference — applichi un modello salvato su nuovi occhi o batch (file / dataset library)

5. Produzione (scelta IOL)

Stessa Δ, uso diverso: non hai ancora la IOL, hai biometria + TargetRx.

ExpectedRx_corr(IOL) = ExpectedRx_hqst(IOL) + Δ(biometria)
→ scegli la IOL con ExpectedRx_corr più vicina a TargetRx

equivalente:
IOL = HofferQST(TargetRx − Δ)

Migliorare Expected Rx migliora anche la IOL consigliata in clinica, ma nei risultati R&D le colonne importanti sono ExpectedRx_* e PE_*, non IOL_hqst.