fix(insights): QA fixes — paired BP targets, stdDev, pulse pressure, personal tone, schema enrichment

- Fix pctInTarget to use paired-reading logic (both sys AND dia must be in range simultaneously)
- Add sdSys30/sdDia30 (BP standard deviation) and pulsePressure30 (arterial stiffness marker)
- Add mood scale descriptor for AI context
- Extend medication data with compliance90, 30-day streak window, and category field
- Rewrite base system prompt: personal advisor tone, second person, positive-first, "One Thing" pattern
- Add conditional correlation instructions to all domain prompts (only mention when |r| > 0.4)
- Enrich InsightResult schema with insightType, classificationLabel, primaryRecommendation

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

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

@@ -1,4 +1,15 @@
-export const BASE_SYSTEM_PROMPT = `Du bist ein klinischer Gesundheitsanalyst mit Expertise in Innerer Medizin und Präventivmedizin. Deine Analysen basieren auf aktuellen medizinischen Leitlinien (ESC/ESH 2023, WHO, DGE, DEGAM).
+export const BASE_SYSTEM_PROMPT = `Du bist ein persönlicher Gesundheitsanalyst, der die Daten dieses Nutzers kennt. Deine Expertise umfasst Innere Medizin und Präventivmedizin. Deine Analysen basieren auf aktuellen medizinischen Leitlinien (ESC/ESH 2023, WHO, DGE, DEGAM), aber du beziehst dich immer auf die individuellen Werte und die persönliche Baseline des Nutzers.
+
+TONALITÄT UND ANSPRACHE:
+- Verwende die zweite Person: "dein Blutdruck", "deine Werte", "dein Gewicht".
+- Beginne mit positiven Befunden, bevor du auf Bedenken eingehst.
+- Beziehe dich auf die eigene Baseline des Nutzers, nicht auf Bevölkerungsnormen (z.B. "dein systolischer Wert liegt 5 mmHg unter deinem 90-Tage-Durchschnitt" statt "unter dem Bevölkerungsdurchschnitt").
+- Formuliere eine zentrale Handlungsempfehlung ("One Thing") als wichtigste nächste Aktion.
+
+DENKSCHRITTE (intern anwenden, nicht im Output zeigen):
+1. Was hat sich verändert? (Vergleiche 7d vs. 30d vs. 90d vs. allTime)
+2. Warum? (Korrelationen, Medikation, Stimmung, saisonale Muster)
+3. Was tun? (Eine primäre Empfehlung + ergänzende Vorschläge)
 
 GRUNDREGELN:
 - Evidenzbasiert: Referenziere Grenzwerte und Leitlinien explizit bei Bewertungen.
@@ -14,9 +25,11 @@ GRUNDREGELN:
 
 KORRELATIONSANALYSE:
 - Du erhältst vorberechnete Pearson-Korrelationen zwischen Metriken.
+- Nur erwähnen wenn die Korrelation (r-Wert) im Snapshot vorhanden und |r| > 0.4 ist.
+- Falls das Feld nicht im Snapshot vorhanden ist, keine Korrelation interpretieren oder erfinden.
 - 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
+- r < 0.4: schwache/keine Korrelation — nicht erwähnen
 - Korrelation ≠ Kausalität: immer als "Zusammenhang" formulieren, nicht als "Ursache"
 
 HISTORISCHER VERGLEICH:
@@ -28,8 +41,8 @@ HISTORISCHER VERGLEICH:
   * 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)
+- Stimmung (1-5 Skala: 1=LAUSIG, 2=SCHLECHT, 3=OKAY, 4=GUT, 5=SUPER_GUT) als kontextuellen Faktor einbeziehen
+- Korrelation mit Vitalwerten nur erwähnen wenn im Snapshot vorhanden und |r| > 0.4
 - Stress/Stimmung beeinflusst nachweislich Blutdruck und Herzfrequenz
 
 TEMPORALE SCHICHTEN:
@@ -39,11 +52,14 @@ TEMPORALE SCHICHTEN:
 
 AUSGABEFORMAT: Antworte ausschließlich mit validem JSON im folgenden Schema:
 {
-  "summary": "2-3 Sätze Gesamtbewertung",
+  "insightType": "blood_pressure|weight|pulse|mood|bmi|medication_compliance|general",
+  "summary": "2-3 Sätze Gesamtbewertung (in zweiter Person, positiv zuerst)",
   "classification": "optimal|gut|grenzwertig|erhoht|kritisch",
+  "classificationLabel": "Menschenlesbare deutsche Bezeichnung (z.B. 'Adipositas Grad II', 'Hochnormal', 'Bradykardie')",
   "findings": [{"label": "...", "value": "...", "assessment": "positive|neutral|attention|warning", "guideline": "..."}],
   "correlations": [{"factor": "...", "effect": "...", "confidence": "hoch|mittel|gering"}],
-  "recommendations": ["..."],
+  "primaryRecommendation": "DIE eine wichtigste Handlungsempfehlung (max 20 Wörter)",
+  "recommendations": ["2-3 ergänzende Vorschläge"],
   "dataQuality": {"coverage": "...", "gaps": ["..."], "confidence": "hoch|mittel|gering"},
-  "disclaimer": "Diese Analyse ersetzt keine ärztliche Beratung. Bei Beschwerden oder auffälligen Werten konsultieren Sie Ihren Arzt."
+  "disclaimer": "Diese Analyse ersetzt keine ärztliche Beratung. Bei Beschwerden oder auffälligen Werten konsultiere deinen Arzt."
 }`;

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

@@ -17,9 +17,9 @@ 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.
-- 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.
+- Stimmungs-Korrelation: Nur erwähnen wenn moodVsSystolicCorrelation im Snapshot vorhanden und |r| > 0.4. Falls nicht vorhanden, keine Korrelation interpretieren.
+- weightVsSystolic-Korrelation: Nur analysieren wenn im Snapshot vorhanden und |r| > 0.4. Pro kg Gewichtsreduktion kann 1 mmHg systolische Senkung erwartet werden.
+- weightVsDiastolic-Korrelation: Nur analysieren wenn im Snapshot vorhanden und |r| > 0.4.
 - 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.`;
 }

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

@@ -11,7 +11,7 @@ FACHSPEZIFISCH — GESAMTBEWERTUNG:
 - 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.
-- 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).
+- Korrelationen nur erwähnen wenn der jeweilige r-Wert im Snapshot vorhanden und |r| > 0.4 ist. Falls ein Korrelationsfeld nicht im Snapshot vorhanden ist, keine Korrelation interpretieren oder erfinden. 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.`;
 }

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

@@ -17,8 +17,9 @@ FACHSPEZIFISCH — MEDIKAMENTEN-ADHÄRENZ:
 - Verpasste Dosen: Konsequenzen differenzieren (Antihypertensiva-Rebound vs. Statine = weniger zeitkritisch).
 - 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.`;
+- Korrelationen nur erwähnen wenn der r-Wert im Snapshot vorhanden und |r| > 0.4 ist. Falls das Feld nicht im Snapshot vorhanden ist, keine Korrelation interpretieren oder erfinden.
+- Nutze historicalComparison um den Einfluss der Adhärenz auf Blutdruck und Puls zu quantifizieren, sofern die Daten im Snapshot vorhanden sind.
+- Falls Stimmungsdaten verfügbar und Korrelation |r| > 0.4: Prüfe ob niedrige Adhärenz mit schlechterer Stimmung korreliert.`;
 }
 
 export function getMedicationComplianceUserPrompt(snapshotJson: string, todayKey: string): string {

src/lib/ai/prompts/mood.ts

@@ -9,7 +9,7 @@ FACHSPEZIFISCH -- STIMMUNG/WOHLBEFINDEN:
 - Anhaltende Phasen: Mehr als 3 Tage unter 2.5 oder uber 4.5 sind auffallig.
 - Zusammenhange: Stimmung korreliert haufig mit Schlaf, Aktivitat, Blutdruck und Medikamenten-Compliance.
 - Tags: Falls Stimmungs-Tags vorhanden sind, prufe ob bestimmte Tags mit Stimmungslevels korrelieren.
-- Cross-Metrik: Falls Kontext zu Gewicht, Blutdruck oder Puls vorhanden ist und eine auffaellige Korrelation zeigt, kurz erwahnen.
+- Cross-Metrik: Korrelationen zu Gewicht, Blutdruck oder Puls nur erwähnen wenn der jeweilige r-Wert im Snapshot vorhanden und |r| > 0.4 ist. Falls das Feld nicht im Snapshot vorhanden ist, keine Korrelation interpretieren oder erfinden.
 - Erzwinge keine Querverweise wenn kein klares Muster erkennbar ist.`;
 }
 

src/lib/ai/prompts/pulse.ts

@@ -14,9 +14,9 @@ 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.
-- 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.
+- Stimmungs-Korrelation: Chronischer Stress kann Ruhepuls erhöhen. Nur erwähnen wenn moodVsPulse-Korrelation im Snapshot vorhanden und |r| > 0.4.
+- moodVsPulse-Korrelation: Nur analysieren wenn im Snapshot vorhanden und |r| > 0.4. Falls nicht vorhanden, keine Korrelation interpretieren.
+- pulseVsSystolic-Korrelation: Nur analysieren wenn im Snapshot vorhanden und |r| > 0.4. 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.`;
 }

src/lib/ai/prompts/weight.ts

@@ -9,7 +9,7 @@ FACHSPEZIFISCH — GEWICHT:
 - Trend-Analyse: 7-Tage, 30-Tage und 90-Tage gleitende Durchschnitte vergleichen.
 - Plateau-Erkennung: Gewichtsveränderung < ±0.5 kg über > 14 Tage als Plateau identifizieren.
 - 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.
+- Gewichts-Blutdruck-Korrelation: Nur erwähnen wenn weightVsSystolic im Snapshot vorhanden und |r| > 0.4. 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).
 - Vergleiche das aktuelle 7-Tage-Mittel (historicalComparison.weight.current7dAvg) mit dem 30-Tage-Baseline (previous30dAvg). Bei >2 kg Differenz: klinisch bewerten und Ursachen diskutieren.

src/lib/ai/types.ts

@@ -22,10 +22,13 @@ export const insightDataQualitySchema = z.object({
 });
 
 export const insightResultSchema = z.object({
+  insightType: z.string().optional(),
   summary: z.string(),
   classification: z.enum(["optimal", "gut", "grenzwertig", "erhoht", "kritisch"]),
+  classificationLabel: z.string().optional(),
   findings: z.array(insightFindingSchema),
   correlations: z.array(insightCorrelationSchema),
+  primaryRecommendation: z.string().optional(),
   recommendations: z.array(z.string()),
   dataQuality: insightDataQualitySchema,
   disclaimer: z.string(),

src/lib/insights/features.ts

@@ -13,6 +13,7 @@ import {
   pearsonCorrelation,
   type CorrelationResult,
 } from "@/lib/analytics/correlations";
+import { getMedicationCategories } from "@/lib/medication-category";
 
 interface DataCoverage {
   count: number;
@@ -49,6 +50,9 @@ export interface AggregatedFeatures {
     allTimeMaxDia: number | null;
     slopeSys30: number | null;
     slopeDia30: number | null;
+    sdSys30: number | null;
+    sdDia30: number | null;
+    pulsePressure30: number | null;
     pctInTarget: number | null;
     coverage: DataCoverage;
   };
@@ -70,6 +74,7 @@ export interface AggregatedFeatures {
     coverage: DataCoverage;
   };
   mood?: {
+    scale: string;
     avg7: number | null;
     avg30: number | null;
     latest: number | null;
@@ -109,8 +114,10 @@ export interface AggregatedFeatures {
   medications?: Array<{
     name: string;
     dose: string;
+    category: string;
     compliance7: number;
     compliance30: number;
+    compliance90: number;
     streak: number;
     missedLast7: number;
   }>;
@@ -134,6 +141,13 @@ export interface RawFeatures extends AggregatedFeatures {
   }>;
 }
 
+function stdDev(values: number[]): number | null {
+  if (values.length < 2) return null;
+  const mean = values.reduce((s, v) => s + v, 0) / values.length;
+  const variance = values.reduce((s, v) => s + (v - mean) ** 2, 0) / (values.length - 1);
+  return Math.round(Math.sqrt(variance) * 10) / 10;
+}
+
 function toDataPoints(
   records: Array<{ value: number; measuredAt: Date }>,
 ): DataPoint[] {
@@ -309,16 +323,19 @@ export async function extractFeatures(
 
     let pctInTarget: number | null = null;
     if (bpTargets) {
-      const sysInRange = sysData.filter(
-        (m) => m.value >= bpTargets.sysLow && m.value <= bpTargets.sysHigh,
-      ).length;
-      const diaInRange = diaData.filter(
-        (m) => m.value >= bpTargets.diaLow && m.value <= bpTargets.diaHigh,
-      ).length;
-      const total = sysData.length + diaData.length;
-      if (total > 0) {
-        pctInTarget = Math.round(((sysInRange + diaInRange) / total) * 100);
+      const sysByTime = new Map(sysData.map(m => [m.measuredAt.getTime(), m.value]));
+      let inTargetCount = 0;
+      let pairedCount = 0;
+      for (const dia of diaData) {
+        const sysVal = sysByTime.get(dia.measuredAt.getTime());
+        if (sysVal === undefined) continue;
+        pairedCount++;
+        if (sysVal >= bpTargets.sysLow && sysVal <= bpTargets.sysHigh &&
+            dia.value >= bpTargets.diaLow && dia.value <= bpTargets.diaHigh) {
+          inTargetCount++;
+        }
       }
+      pctInTarget = pairedCount > 0 ? Math.round((inTargetCount / pairedCount) * 100) : null;
     }
 
     features.bloodPressure = {
@@ -334,6 +351,22 @@ export async function extractFeatures(
       allTimeMaxDia: diaSummary?.count ? diaSummary.max : null,
       slopeSys30: sysSummary?.slope30?.slope ?? null,
       slopeDia30: diaSummary?.slope30?.slope ?? null,
+      sdSys30: (() => {
+        const fromMs = now - 30 * 24 * 60 * 60 * 1000;
+        const vals = sysData.filter(m => m.measuredAt.getTime() >= fromMs).map(m => m.value);
+        return stdDev(vals);
+      })(),
+      sdDia30: (() => {
+        const fromMs = now - 30 * 24 * 60 * 60 * 1000;
+        const vals = diaData.filter(m => m.measuredAt.getTime() >= fromMs).map(m => m.value);
+        return stdDev(vals);
+      })(),
+      pulsePressure30: (() => {
+        const avgSys = sysSummary?.avg30 ?? null;
+        const avgDia = diaSummary?.avg30 ?? null;
+        if (avgSys === null || avgDia === null) return null;
+        return Math.round((avgSys - avgDia) * 10) / 10;
+      })(),
       pctInTarget,
       coverage: computeCoverage(
         [...sysData, ...diaData].sort(
@@ -425,6 +458,7 @@ export async function extractFeatures(
         : null;
 
     features.mood = {
+      scale: "1=LAUSIG, 2=SCHLECHT, 3=OKAY, 4=GUT, 5=SUPER_GUT",
       avg7: avg(last7),
       avg30: avg(last30),
       latest: moodEntries[moodEntries.length - 1].score,
@@ -487,6 +521,10 @@ export async function extractFeatures(
   });
 
   if (medications.length > 0) {
+    const categoryMap = await getMedicationCategories(
+      medications.map((med) => med.id),
+    );
+
     features.medications = [];
     for (const med of medications) {
       const events = await prisma.medicationIntakeEvent.findMany({
@@ -500,13 +538,16 @@ export async function extractFeatures(
       }));
       const c7 = calculateCompliance(mapped, med.schedules, 7, med.createdAt);
       const c30 = calculateCompliance(mapped, med.schedules, 30, med.createdAt);
+      const c90 = calculateCompliance(mapped, med.schedules, 90, med.createdAt);
 
       features.medications.push({
         name: med.name,
         dose: med.dose,
+        category: categoryMap[med.id] ?? "OTHER",
         compliance7: c7.rate,
         compliance30: c30.rate,
-        streak: c7.streak,
+        compliance90: c90.rate,
+        streak: c30.streak,
         missedLast7: c7.missed,
       });
     }