## [2026-06-04]

### 수행 내용
- MASLD/MASH surrogacy meta-regression 워치 오프라인 MVP(SurrogacyMetaReg-Kor) 구현.
- `main.py` (순수 Python stdlib CLI): 가중최소제곱 trial-level meta-regression,
  trial-level R², slope SE/95% CI, surrogate threshold effect(STE), prediction
  interval, leave-one-trial-out(LOO) 민감도 구현.
- 신뢰도 전이 알림(R² 임계 통과/이탈, slope CI 0 제외/포함, STE 임상범위 진입/이탈)만
  emit 하는 스트리밍 데모 모드 + 레지스트리/단일쌍/리스트 모드.
- 합성 데이터 `data/pairs.json` (4쌍, 22 trial 점): PDFF/cirrhosis 는 R² 임계를 넘어
  강화·유지, FAST/HCC 는 too-sparse 유지하도록 설계.
- README.md, QA.md 작성. 4개 검증 체크 모두 PASS.

### 주요 결정 사항
- numpy 비의존: 어디서나 실행되도록 stdlib(math)만으로 가중회귀/SE/CI/STE 구현.
  t 95% 임계값은 소형 표 + 보간으로 처리(scipy 회피).
- 과신(over-confidence)을 안전 문제로 간주: n<4 TOO SPARSE, n<=5 SPARSITY WARNING,
  LOO 에서 R² 임계 뒤집힘 시 FRAGILE 경고를 명시적으로 출력.
- STE 정의: 예측구간 상한이 benefit 경계(0)를 가로지르는 최소 대리지표 효과(x).
  격자 스캔 후 이분법으로 산출.
- 초기 PDFF 데이터가 spec("임계 넘어 강화·유지")과 불일치하여 재설계(초기 산포 +
  후기 선형 benefit)로 의도된 전이 시나리오 충족.

### 변경된 파일
- `main.py` - CLI 본체(검증 대상 entry point)
- `data/pairs.json` - 합성 trial-level 쌍 데이터
- `README.md` - 목적/도메인/기능/실행법/검수/데이터출처/디스클레이머
- `QA.md` - 검증 로그(4 체크 PASS)

### 재현 방법
1. `cd` 위 디렉토리.
2. `python3 -c "import ast; ast.parse(open('main.py').read())"` (문법 확인)
3. `python3 main.py --help`
4. `python3 main.py --demo` (전 쌍 스트리밍 + 전이 알림)
5. `python3 main.py --pair "PDFF/cirrhosis"` (강화 전이 + robust LOO)
6. `python3 main.py --pair "FAST/HCC"` (sparsity/FRAGILE 경고)