feat(insights): enrich features with correlations, mood, historical comparisons and improve prompts

Add 90-day averages, all-time stats, mood data, cross-metric Pearson correlations,
historical comparisons (7d vs previous 30d baseline), and age/gender context to the
AI feature extraction. Update all prompts with correlation analysis instructions,
clinical significance thresholds, and temporal layer comparisons.

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

src/lib/ai/prompts/base-system.ts

@@ -10,6 +10,32 @@ GRUNDREGELN:
   * Neueste Messung > 7 Tage alt: "Daten möglicherweise nicht aktuell."
 - Sprache: Deutsch, medizinisch präzise aber allgemeinverständlich.
 - Disclaimer: Immer den Standardhinweis verwenden.
+- Alter/Geschlecht: Falls in context.ageYears und context.gender vorhanden, alters- und geschlechtsspezifische Referenzwerte verwenden.
+
+KORRELATIONSANALYSE:
+- Du erhältst vorberechnete Pearson-Korrelationen zwischen Metriken.
+- r > 0.7: starke Korrelation — klinisch relevant, detailliert kommentieren
+- r 0.4-0.7: moderate Korrelation — erwähnen, vorsichtig interpretieren
+- r < 0.4: schwache/keine Korrelation — nicht überinterpretieren
+- Korrelation ≠ Kausalität: immer als "Zusammenhang" formulieren, nicht als "Ursache"
+
+HISTORISCHER VERGLEICH:
+- Vergleiche aktuelle 7-Tage-Werte mit dem 30-Tage-Durchschnitt der Vorperiode
+- Klinisch relevante Veränderungen benennen:
+  * Gewicht: ±2 kg relevant
+  * Systolisch: ±5 mmHg relevant
+  * Diastolisch: ±3 mmHg relevant
+  * Puls: ±5 bpm relevant
+
+STIMMUNGSDATEN:
+- Stimmung (1-5 Skala: 1=LAUSIG, 5=SUPER_GUT) als kontextuellen Faktor einbeziehen
+- Korrelation mit Vitalwerten nur erwähnen wenn statistisch auffällig (r > 0.3)
+- Stress/Stimmung beeinflusst nachweislich Blutdruck und Herzfrequenz
+
+TEMPORALE SCHICHTEN:
+- Vergleiche kurzfristig (7d) vs. mittelfristig (30d) vs. langfristig (90d/allTime)
+- avg7 vs avg30 zeigt aktuelle Tendenz, avg90/allTime zeigt Langzeit-Baseline
+- Abweichungen von der Langzeit-Baseline sind klinisch aussagekräftiger als kurzfristige Schwankungen
 
 AUSGABEFORMAT: Antworte ausschließlich mit validem JSON im folgenden Schema:
 {

src/lib/ai/prompts/blood-pressure.ts

@@ -17,13 +17,18 @@ FACHSPEZIFISCH — BLUTDRUCK:
 - Pulsdruck: (Systolisch - Diastolisch) > 60 mmHg als Marker für arterielle Steifigkeit bewerten.
 - Medikamenten-Korrelation: Einnahmetreue von Antihypertensiva mit Blutdruckverlauf korrelieren.
 - Gewichts-Korrelation: Gewichtstrend mit Blutdruckverlauf vergleichen (pro kg Gewichtsverlust ca. 1 mmHg Senkung erwartet).
-- Stimmungs-Korrelation: Falls Stimmungsdaten verfügbar, Zusammenhang mit Blutdruckvariabilität prüfen.`;
+- Stimmungs-Korrelation: Falls Stimmungsdaten verfügbar, Zusammenhang mit Blutdruckvariabilität prüfen.
+- Analysiere die weightVsSystolic-Korrelation: Pro kg Gewichtsreduktion kann 1 mmHg systolische Senkung erwartet werden. Bewerte ob der berechnete Zusammenhang diesem klinischen Modell entspricht.
+- Analysiere die weightVsDiastolic-Korrelation analog und bewerte die klinische Plausibilität.
+- Vergleiche avgSys30 und avgSys90 sowie allTimeAvg um langfristige Trends zu erkennen.
+- Nutze historicalComparison.systolic und historicalComparison.diastolic: Bei ≥5 mmHg systolischer bzw. ≥3 mmHg diastolischer Veränderung klinisch bewerten.`;
 }
 
 export function getBloodPressureUserPrompt(snapshotJson: string, todayKey: string): string {
   return `Datum: ${todayKey} (Europe/Berlin)
 Analysiere die folgenden Blutdruck-Daten mit Fokus auf Trends, Zielwerterreichung und Medikamentenwirksamkeit.
 Berücksichtige die Messzeiträume und Datendichte für die Konfidenzeinschätzung.
+Nutze die vorberechneten Korrelationen (correlations) und den historischen Vergleich (historicalComparison) für eine fundierte temporale Analyse.
 
 ${snapshotJson}`;
 }

src/lib/ai/prompts/general-status.ts

@@ -10,7 +10,10 @@ FACHSPEZIFISCH — GESAMTBEWERTUNG:
 - Risikostratifizierung: Bewerte das kardiovaskuläre Gesamtrisiko basierend auf der Kombination aller Faktoren.
 - Medikamenten-Adhärenz: Gesamteinnahmetreue bewerten und Zusammenhang mit Vitalwerten benennen.
 - Stimmung: Falls vorhanden, als kontextuellen Faktor einbeziehen (nicht übergewichten).
-- Positive Entwicklungen explizit hervorheben — Motivation ist therapeutisch relevant.`;
+- Positive Entwicklungen explizit hervorheben — Motivation ist therapeutisch relevant.
+- Nutze die correlations-Daten um Zusammenhänge zwischen Gewicht, Blutdruck, Puls und Stimmung zu identifizieren. Vergleiche die aktuellen 7-Tage-Werte mit den Langzeit-Durchschnitten (avg90, allTime).
+- Nutze historicalComparison um aktuelle Veränderungen gegenüber der etablierten Baseline einzuordnen.
+- Falls Alter und Geschlecht bekannt sind, alters- und geschlechtsspezifische Risikobewertung anwenden.`;
 }
 
 export function getGeneralStatusUserPrompt(snapshotJson: string, todayKey: string): string {
@@ -32,6 +35,7 @@ export function buildGeneratePrompts(featuresJson: string, privacyMode: string):
     userPrompt: `Analysiere die folgenden Gesundheitsdaten.
 Datenmodus: ${modeLabel}
 Beachte die coverage-Objekte jeder Metrik für Informationen zu Messhäufigkeit und Zeiträumen.
+Nutze die correlations-Daten für Kreuzanalysen und historicalComparison für temporale Einordnung.
 
 ${featuresJson}`,
   };

src/lib/ai/prompts/medication-compliance.ts

@@ -15,12 +15,16 @@ FACHSPEZIFISCH — MEDIKAMENTEN-ADHÄRENZ:
 - Wirksamkeits-Korrelation: Direkte Verbindung zwischen Einnahmetreue und Vitalwert-Veränderungen herstellen.
   * Beispiel: "In Wochen mit > 90% Einnahmetreue war der mittlere systolische RR 5 mmHg niedriger."
 - Verpasste Dosen: Konsequenzen differenzieren (Antihypertensiva-Rebound vs. Statine = weniger zeitkritisch).
-- Motivierende Gesprächsführung: Positive Formulierungen bevorzugen, Fortschritte anerkennen.`;
+- Motivierende Gesprächsführung: Positive Formulierungen bevorzugen, Fortschritte anerkennen.
+- Vergleiche Perioden hoher Adhärenz (>90%) mit den zugehörigen Vitalwerten. Zeige konkret: "In Wochen mit >90% Einnahmetreue war der systolische RR X mmHg niedriger."
+- Nutze die vorberechneten Korrelationen (correlations) und historicalComparison um den Einfluss der Adhärenz auf Blutdruck und Puls zu quantifizieren.
+- Falls Stimmungsdaten verfügbar: Prüfe ob niedrige Adhärenz mit schlechterer Stimmung korreliert.`;
 }
 
 export function getMedicationComplianceUserPrompt(snapshotJson: string, todayKey: string): string {
   return `Datum: ${todayKey} (Europe/Berlin)
 Analysiere die Medikamenten-Einnahmetreue mit Fokus auf Muster, Wirksamkeitskorrelation und konkrete Verbesserungsvorschläge.
+Nutze die Korrelationsdaten und den historischen Vergleich um den Zusammenhang zwischen Adhärenz und Vitalwerten zu belegen.
 
 ${snapshotJson}`;
 }

src/lib/ai/prompts/pulse.ts

@@ -14,12 +14,17 @@ FACHSPEZIFISCH — PULS/HERZFREQUENZ:
 - Erholung: Sinkender Ruhepuls über Wochen deutet auf verbesserte kardiovaskuläre Fitness hin.
 - Medikamenten-Einfluss: Betablocker senken die Herzfrequenz — Compliance-Korrelation prüfen.
 - Blutdruck-Korrelation: Puls × systolischen Druck = Doppelprodukt als Herzbelastungsindikator.
-- Stimmungs-Korrelation: Chronischer Stress kann Ruhepuls erhöhen.`;
+- Stimmungs-Korrelation: Chronischer Stress kann Ruhepuls erhöhen.
+- Nutze die moodVsPulse-Korrelation um Stress-Einfluss auf den Ruhepuls einzuschätzen. Bei r > 0.3 (negative Korrelation = schlechtere Stimmung → höherer Puls) den Zusammenhang klinisch einordnen.
+- Nutze die pulseVsSystolic-Korrelation für die Bewertung der hämodynamischen Kopplung.
+- Vergleiche avg7 vs avg30 vs avg90 vs allTimeAvg um kurzfristige Abweichungen von der Langzeit-Baseline zu erkennen.
+- Nutze historicalComparison.pulse: Bei ≥5 bpm Veränderung gegenüber der Baseline klinisch bewerten.`;
 }
 
 export function getPulseUserPrompt(snapshotJson: string, todayKey: string): string {
   return `Datum: ${todayKey} (Europe/Berlin)
 Analysiere die Puls-/Herzfrequenzdaten mit Fokus auf Ruhepulstrend, Variabilität und Zusammenhänge mit Medikation und Stimmung.
+Nutze die vorberechneten Korrelationen und den historischen Vergleich für eine fundierte Analyse.
 
 ${snapshotJson}`;
 }

src/lib/ai/prompts/weight.ts

@@ -11,12 +11,16 @@ FACHSPEZIFISCH — GEWICHT:
 - Realistische Zielprojektion: Maximal 0.5-1.0 kg/Woche als nachhaltiger Gewichtsverlust (DGE-Empfehlung).
 - Gewichts-Blutdruck-Korrelation: Pro kg Gewichtsreduktion ca. 1 mmHg systolische Senkung.
 - Medikamenten-Einfluss: Gewichtsrelevante Medikamente identifizieren (z.B. Betablocker, Cortison).
-- Tageszeit-Schwankungen: Morgen- vs. Abendmessungen differenzieren (1-2 kg normal).`;
+- Tageszeit-Schwankungen: Morgen- vs. Abendmessungen differenzieren (1-2 kg normal).
+- Vergleiche das aktuelle 7-Tage-Mittel (historicalComparison.weight.current7dAvg) mit dem 30-Tage-Baseline (previous30dAvg). Bei >2 kg Differenz: klinisch bewerten und Ursachen diskutieren.
+- Plateau-Definition: <0.5 kg Veränderung über >14 Tage (prüfe ob avg7 ≈ avg30 ≈ avg90).
+- Nutze allTimeMin/allTimeMax/allTimeAvg um den aktuellen Wert historisch einzuordnen.`;
 }
 
 export function getWeightUserPrompt(snapshotJson: string, todayKey: string): string {
   return `Datum: ${todayKey} (Europe/Berlin)
 Analysiere die Gewichtsentwicklung mit Fokus auf Trends, BMI-Klassifikation und Zusammenhang mit anderen Vitalwerten.
+Nutze die temporalen Schichten (avg7, avg30, avg90, allTime) und den historischen Vergleich für eine differenzierte Bewertung.
 
 ${snapshotJson}`;
 }

src/lib/insights/features.ts

@@ -5,8 +5,14 @@
  */
 import { prisma } from "@/lib/db";
 import { summarize } from "@/lib/analytics/trends";
+import type { DataPoint } from "@/lib/analytics/trends";
 import { calculateCompliance } from "@/lib/analytics/compliance";
 import { getBpTargets } from "@/lib/analytics/bp-targets";
+import {
+  pairByTimestamp,
+  pearsonCorrelation,
+  type CorrelationResult,
+} from "@/lib/analytics/correlations";
 
 interface DataCoverage {
   count: number;
@@ -21,6 +27,10 @@ export interface AggregatedFeatures {
     latest: number;
     avg7: number | null;
     avg30: number | null;
+    avg90: number | null;
+    allTimeAvg: number | null;
+    allTimeMin: number | null;
+    allTimeMax: number | null;
     slope30: number | null;
     outlierCount: number;
     bmi: number | null;
@@ -29,13 +39,26 @@ export interface AggregatedFeatures {
   bloodPressure?: {
     avgSys30: number | null;
     avgDia30: number | null;
+    avgSys90: number | null;
+    avgDia90: number | null;
+    allTimeAvgSys: number | null;
+    allTimeAvgDia: number | null;
+    allTimeMinSys: number | null;
+    allTimeMaxSys: number | null;
+    allTimeMinDia: number | null;
+    allTimeMaxDia: number | null;
     slopeSys30: number | null;
     slopeDia30: number | null;
     pctInTarget: number | null;
     coverage: DataCoverage;
   };
   pulse?: {
+    avg7: number | null;
     avg30: number | null;
+    avg90: number | null;
+    allTimeAvg: number | null;
+    allTimeMin: number | null;
+    allTimeMax: number | null;
     slope30: number | null;
     anomalyCount: number;
     coverage: DataCoverage;
@@ -46,6 +69,43 @@ export interface AggregatedFeatures {
     slope30: number | null;
     coverage: DataCoverage;
   };
+  mood?: {
+    avg7: number | null;
+    avg30: number | null;
+    latest: number | null;
+    trend30: "improving" | "declining" | "stable" | null;
+    totalEntries: number;
+    coverage: DataCoverage;
+  };
+  correlations?: {
+    weightVsSystolic: CorrelationResult | null;
+    weightVsDiastolic: CorrelationResult | null;
+    pulseVsSystolic: CorrelationResult | null;
+    moodVsPulse: CorrelationResult | null;
+    moodVsSystolic: CorrelationResult | null;
+  };
+  historicalComparison?: {
+    weight?: {
+      current7dAvg: number | null;
+      previous30dAvg: number | null;
+      change: number | null;
+    };
+    systolic?: {
+      current7dAvg: number | null;
+      previous30dAvg: number | null;
+      change: number | null;
+    };
+    diastolic?: {
+      current7dAvg: number | null;
+      previous30dAvg: number | null;
+      change: number | null;
+    };
+    pulse?: {
+      current7dAvg: number | null;
+      previous30dAvg: number | null;
+      change: number | null;
+    };
+  };
   medications?: Array<{
     name: string;
     dose: string;
@@ -61,6 +121,8 @@ export interface AggregatedFeatures {
     dataSpanDays: number;
     oldestMeasurementDaysAgo: number | null;
     newestMeasurementDaysAgo: number | null;
+    ageYears: number | null;
+    gender: string | null;
   };
 }
 
@@ -74,7 +136,7 @@ export interface RawFeatures extends AggregatedFeatures {
 
 function toDataPoints(
   records: Array<{ value: number; measuredAt: Date }>,
-): Array<{ date: Date; value: number }> {
+): DataPoint[] {
   return records.map((r) => ({ date: r.measuredAt, value: r.value }));
 }
 
@@ -107,6 +169,38 @@ function computeCoverage(
   };
 }
 
+/** Compute average of values within a time window (days ago from now). */
+function avgInWindow(
+  records: Array<{ value: number; measuredAt: Date }>,
+  now: number,
+  fromDaysAgo: number,
+  toDaysAgo: number = 0,
+): number | null {
+  const fromMs = now - fromDaysAgo * 24 * 60 * 60 * 1000;
+  const toMs = now - toDaysAgo * 24 * 60 * 60 * 1000;
+  const filtered = records.filter((r) => {
+    const t = r.measuredAt.getTime();
+    return t >= fromMs && t <= toMs;
+  });
+  if (filtered.length === 0) return null;
+  const sum = filtered.reduce((s, r) => s + r.value, 0);
+  return Math.round((sum / filtered.length) * 100) / 100;
+}
+
+/** Compute historical comparison: current 7d avg vs previous 30d avg (days 7-37). */
+function computeHistoricalComparison(
+  records: Array<{ value: number; measuredAt: Date }>,
+  now: number,
+): { current7dAvg: number | null; previous30dAvg: number | null; change: number | null } {
+  const current7dAvg = avgInWindow(records, now, 7, 0);
+  const previous30dAvg = avgInWindow(records, now, 37, 7);
+  const change =
+    current7dAvg !== null && previous30dAvg !== null
+      ? Math.round((current7dAvg - previous30dAvg) * 100) / 100
+      : null;
+  return { current7dAvg, previous30dAvg, change };
+}
+
 export async function extractFeatures(
   userId: string,
   includeRaw: boolean,
@@ -116,6 +210,7 @@ export async function extractFeatures(
     select: {
       heightCm: true,
       dateOfBirth: true,
+      gender: true,
     },
   });
 
@@ -146,6 +241,18 @@ export async function extractFeatures(
         )
       : 0;
 
+  // Compute age
+  let ageYears: number | null = null;
+  if (user?.dateOfBirth) {
+    const dob = user.dateOfBirth;
+    const today = new Date();
+    ageYears = today.getFullYear() - dob.getFullYear();
+    const monthDiff = today.getMonth() - dob.getMonth();
+    if (monthDiff < 0 || (monthDiff === 0 && today.getDate() < dob.getDate())) {
+      ageYears--;
+    }
+  }
+
   const features: AggregatedFeatures = {
     context: {
       heightCm: user?.heightCm ?? null,
@@ -162,6 +269,8 @@ export async function extractFeatures(
             (now - newestMeasurement.getTime()) / (24 * 60 * 60 * 1000),
           )
         : null,
+      ageYears,
+      gender: user?.gender ?? null,
     },
   };
 
@@ -178,6 +287,10 @@ export async function extractFeatures(
       latest: summary.latest!,
       avg7: summary.avg7,
       avg30: summary.avg30,
+      avg90: avgInWindow(weightData, now, 90),
+      allTimeAvg: summary.count > 0 ? summary.mean : null,
+      allTimeMin: summary.count > 0 ? summary.min : null,
+      allTimeMax: summary.count > 0 ? summary.max : null,
       slope30: summary.slope30?.slope ?? null,
       outlierCount: summary.anomalyCount,
       bmi,
@@ -211,6 +324,14 @@ export async function extractFeatures(
     features.bloodPressure = {
       avgSys30: sysSummary?.avg30 ?? null,
       avgDia30: diaSummary?.avg30 ?? null,
+      avgSys90: sysData.length > 0 ? avgInWindow(sysData, now, 90) : null,
+      avgDia90: diaData.length > 0 ? avgInWindow(diaData, now, 90) : null,
+      allTimeAvgSys: sysSummary?.count ? sysSummary.mean : null,
+      allTimeAvgDia: diaSummary?.count ? diaSummary.mean : null,
+      allTimeMinSys: sysSummary?.count ? sysSummary.min : null,
+      allTimeMaxSys: sysSummary?.count ? sysSummary.max : null,
+      allTimeMinDia: diaSummary?.count ? diaSummary.min : null,
+      allTimeMaxDia: diaSummary?.count ? diaSummary.max : null,
       slopeSys30: sysSummary?.slope30?.slope ?? null,
       slopeDia30: diaSummary?.slope30?.slope ?? null,
       pctInTarget,
@@ -228,7 +349,12 @@ export async function extractFeatures(
   if (pulseData.length > 0) {
     const summary = summarize(toDataPoints(pulseData));
     features.pulse = {
+      avg7: summary.avg7,
       avg30: summary.avg30,
+      avg90: avgInWindow(pulseData, now, 90),
+      allTimeAvg: summary.count > 0 ? summary.mean : null,
+      allTimeMin: summary.count > 0 ? summary.min : null,
+      allTimeMax: summary.count > 0 ? summary.max : null,
       slope30: summary.slope30?.slope ?? null,
       anomalyCount: summary.anomalyCount,
       coverage: computeCoverage(pulseData, now),
@@ -247,6 +373,113 @@ export async function extractFeatures(
     };
   }
 
+  // Mood
+  const moodEntries = await prisma.moodEntry.findMany({
+    where: { userId },
+    orderBy: { moodLoggedAt: "asc" },
+  });
+
+  if (moodEntries.length > 0) {
+    const moodNow = Date.now();
+    const last7 = moodEntries.filter(
+      (e) => moodNow - e.moodLoggedAt.getTime() < 7 * 24 * 60 * 60 * 1000,
+    );
+    const last30 = moodEntries.filter(
+      (e) => moodNow - e.moodLoggedAt.getTime() < 30 * 24 * 60 * 60 * 1000,
+    );
+
+    const avg = (entries: typeof moodEntries) =>
+      entries.length > 0
+        ? Math.round(
+            (entries.reduce((s, e) => s + e.score, 0) / entries.length) * 100,
+          ) / 100
+        : null;
+
+    // Compute 30-day trend: compare first half vs second half of last 30 days
+    let trend30: "improving" | "declining" | "stable" | null = null;
+    if (last30.length >= 4) {
+      const firstHalf = last30.filter(
+        (e) => moodNow - e.moodLoggedAt.getTime() >= 15 * 24 * 60 * 60 * 1000,
+      );
+      const secondHalf = last30.filter(
+        (e) => moodNow - e.moodLoggedAt.getTime() < 15 * 24 * 60 * 60 * 1000,
+      );
+      if (firstHalf.length >= 2 && secondHalf.length >= 2) {
+        const avgFirst = avg(firstHalf)!;
+        const avgSecond = avg(secondHalf)!;
+        const diff = avgSecond - avgFirst;
+        if (diff > 0.3) trend30 = "improving";
+        else if (diff < -0.3) trend30 = "declining";
+        else trend30 = "stable";
+      }
+    }
+
+    const oldest = moodEntries[0].moodLoggedAt;
+    const newest = moodEntries[moodEntries.length - 1].moodLoggedAt;
+    const spanDays = Math.round(
+      (newest.getTime() - oldest.getTime()) / (24 * 60 * 60 * 1000),
+    );
+    const avgDaysBetween =
+      moodEntries.length > 1
+        ? Math.round((spanDays / (moodEntries.length - 1)) * 10) / 10
+        : null;
+
+    features.mood = {
+      avg7: avg(last7),
+      avg30: avg(last30),
+      latest: moodEntries[moodEntries.length - 1].score,
+      trend30,
+      totalEntries: moodEntries.length,
+      coverage: {
+        count: moodEntries.length,
+        spanDays,
+        avgDaysBetween,
+        oldestDaysAgo: Math.round(
+          (moodNow - oldest.getTime()) / (24 * 60 * 60 * 1000),
+        ),
+        newestDaysAgo: Math.round(
+          (moodNow - newest.getTime()) / (24 * 60 * 60 * 1000),
+        ),
+      },
+    };
+  }
+
+  // Cross-metric correlations
+  const weightPoints = toDataPoints(weightData);
+  const sysPoints = toDataPoints(sysData);
+  const diaPoints = toDataPoints(diaData);
+  const pulsePoints = toDataPoints(pulseData);
+  const moodPoints: DataPoint[] = moodEntries.map((e) => ({
+    date: e.moodLoggedAt,
+    value: e.score,
+  }));
+
+  const computeCorr = (a: DataPoint[], b: DataPoint[]) =>
+    pearsonCorrelation(pairByTimestamp(a, b));
+
+  features.correlations = {
+    weightVsSystolic: computeCorr(weightPoints, sysPoints),
+    weightVsDiastolic: computeCorr(weightPoints, diaPoints),
+    pulseVsSystolic: computeCorr(pulsePoints, sysPoints),
+    moodVsPulse: computeCorr(moodPoints, pulsePoints),
+    moodVsSystolic: computeCorr(moodPoints, sysPoints),
+  };
+
+  // Historical comparison: current 7d avg vs previous 30d avg (days 7-37)
+  features.historicalComparison = {};
+  if (weightData.length > 0) {
+    features.historicalComparison.weight = computeHistoricalComparison(weightData, now);
+  }
+  if (sysData.length > 0) {
+    features.historicalComparison.systolic = computeHistoricalComparison(sysData, now);
+  }
+  if (diaData.length > 0) {
+    features.historicalComparison.diastolic = computeHistoricalComparison(diaData, now);
+  }
+  if (pulseData.length > 0) {
+    features.historicalComparison.pulse = computeHistoricalComparison(pulseData, now);
+  }
+
   // Medications
   const medications = await prisma.medication.findMany({
     where: { userId, active: true },