add all .py files

.gitignore

@@ -1,20 +1,7 @@
-# 1. Broad Ignores
-/Data/*
-/attach/*
-/results/*
-/enarcelona/*
-.env
-__pycache__/
-*.pyc
-*.csv
-=======
-/reference/
-*.svg
->>>>>>> Stashed changes
-# 2. Ignore virtual environments COMPLETELY
-# This must come BEFORE the unignore rule
-env*/
-
-# 3. The "Unignore" rule (Whitelisting)
-# We only unignore .py files that aren't already blocked by the rules above
+# Ignore all contents of these directories
 !**/*.py
+/Data/
+/attach/
+/results/
+/enarcelona/
+.env

app.py

@@ -214,8 +214,3 @@ if __name__ == "__main__":
     print(f"Results saved to {output_json}")
 ##
 
-
-
-# %% name
-eXXXXXXXX
-##

certainty.py

@@ -1,600 +0,0 @@
-
-# %% API call1
-#import time
-#import json
-#import os
-#from datetime import datetime
-#import pandas as pd
-#from openai import OpenAI
-#from dotenv import load_dotenv
-#
-## Load environment variables
-#load_dotenv()
-#
-## === CONFIGURATION ===
-#OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
-#OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL")
-#MODEL_NAME = "GPT-OSS-120B"
-#HEALTH_URL = f"{OPENAI_BASE_URL}/health"  # Placeholder - actual health check would need to be implemented
-#CHAT_URL = f"{OPENAI_BASE_URL}/chat/completions"
-#
-## File paths
-#INPUT_CSV = "/home/shahin/Lab/Doktorarbeit/Barcelona/Data/MS_Briefe_400_with_unique_id_SHA3_explore_cleaned_unique.csv"
-#EDSS_INSTRUCTIONS_PATH = "/home/shahin/Lab/Doktorarbeit/Barcelona/attach/Komplett.txt"
-##GRAMMAR_FILE = "/home/shahin/Lab/Doktorarbeit/Barcelona/attach/just_edss_schema.gbnf"
-#
-## Initialize OpenAI client
-#client = OpenAI(
-#    api_key=OPENAI_API_KEY,
-#    base_url=OPENAI_BASE_URL
-#)
-#
-## Read EDSS instructions from file
-#with open(EDSS_INSTRUCTIONS_PATH, 'r') as f:
-#    EDSS_INSTRUCTIONS = f.read().strip()
-## === RUN INFERENCE 2 ===
-#def run_inference(patient_text):
-#    prompt = f'''
-#    Du bist ein medizinischer Assistent, der spezialisiert darauf ist, EDSS-Scores (Expanded Disability Status Scale) aus klinischen Berichten zu extrahieren.
-#### Regeln für die Ausgabe:
-#1. **Reason**: Erstelle eine prägnante Zusammenfassung (max. 400 Zeichen) der Befunde auf **DEUTSCH**, die zur Einstufung führen.
-#2. **klassifizierbar**:
-#   - Setze dies auf **true**, wenn ein EDSS-Wert identifiziert, berechnet oder basierend auf den klinischen Hinweisen plausibel geschätzt werden kann.
-#   - Setze dies auf **false**, NUR wenn die Daten absolut unzureichend oder so widersprüchlich sind, dass keinerlei Einstufung möglich ist.
-#3. **EDSS**:
-#   - Dieses Feld ist **VERPFLICHTEND**, wenn "klassifizierbar" auf true steht.
-#   - Es muss eine Zahl zwischen 0.0 und 10.0 sein.
-#   - Versuche stets, den EDSS-Wert so präzise wie möglich zu bestimmen, auch wenn die Datenlage dünn ist (nutze verfügbare Informationen zu Gehstrecke und Funktionssystemen).
-#   - Dieses Feld **DARF NICHT ERSCHEINEN**, wenn "klassifizierbar" auf false steht.
-#
-#### Einschränkungen:
-#- Erfinde keine Fakten, aber nutze klinische Herleitungen aus dem Bericht, um den EDSS zu bestimmen.
-#- Priorisiere die Vergabe eines EDSS-Wertes gegenüber der Markierung als nicht klassifizierbar.
-#- Halte dich strikt an die JSON-Struktur.
-#
-#EDSS-Bewertungsrichtlinien:
-#{EDSS_INSTRUCTIONS}
-#
-#Patientenbericht:
-#{patient_text}
-#'''
-#    start_time = time.time()
-#
-#    try:
-#        # Make API call using OpenAI client
-#        response = client.chat.completions.create(
-#            messages=[
-#                {
-#                    "role": "system",
-#                    "content": "You extract EDSS scores. You prioritize providing a score even if data is partial, by using clinical inference."
-#                },
-#                {
-#                    "role": "user",
-#                    "content": prompt
-#                }
-#            ],
-#            model=MODEL_NAME,
-#            max_tokens=2048,
-#            temperature=0.0,
-#            response_format={"type": "json_object"}
-#        )
-#
-#        # Extract content from response
-#        content = response.choices[0].message.content
-#
-#        # Parse the JSON response
-#        parsed = json.loads(content)
-#
-#        inference_time = time.time() - start_time
-#
-#        return {
-#            "success": True,
-#            "result": parsed,
-#            "inference_time_sec": inference_time
-#        }
-#
-#    except Exception as e:
-#        print(f"Inference error: {e}")
-#        return {
-#            "success": False,
-#            "error": str(e),
-#            "inference_time_sec": -1
-#        }
-## === BUILD PATIENT TEXT ===
-#def build_patient_text(row):
-#    return (
-#        str(row["T_Zusammenfassung"]) + "\n" +
-#        str(row["Diagnosen"]) + "\n" +
-#        str(row["T_KlinBef"]) + "\n" +
-#        str(row["T_Befunde"]) + "\n"
-#    )
-#
-#if __name__ == "__main__":
-#    # Read CSV file ONLY inside main block
-#    df = pd.read_csv(INPUT_CSV, sep=';')
-#    results = []
-#
-#    # Process each row
-#    for idx, row in df.iterrows():
-#        print(f"Processing row {idx + 1}/{len(df)}")
-#        try:
-#            patient_text = build_patient_text(row)
-#            result = run_inference(patient_text)
-#
-#            # Add unique_id and MedDatum to result for tracking
-#            result["unique_id"] = row.get("unique_id", f"row_{idx}")
-#            result["MedDatum"] = row.get("MedDatum", None)
-#
-#            results.append(result)
-#            print(json.dumps(result, indent=2))
-#        except Exception as e:
-#            print(f"Error processing row {idx}: {e}")
-#            results.append({
-#                "success": False,
-#                "error": str(e),
-#                "unique_id": row.get("unique_id", f"row_{idx}"),
-#                "MedDatum": row.get("MedDatum", None)
-#            })
-#
-#    # Save results to a JSON file
-#    output_json = INPUT_CSV.replace(".csv", "_results_Nisch.json")
-#    with open(output_json, 'w') as f:
-#        json.dump(results, f, indent=2)
-#    print(f"Results saved to {output_json}")
-##
-
-
-
-# %% API call1 - Enhanced with certainty scoring
-#import time
-#import json
-#import os
-#from datetime import datetime
-#import pandas as pd
-#from openai import OpenAI
-#from dotenv import load_dotenv
-#
-## Load environment variables
-#load_dotenv()
-#
-## === CONFIGURATION ===
-#OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
-#OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL")
-#MODEL_NAME = "GPT-OSS-120B"
-#
-## File paths
-#INPUT_CSV = "/home/shahin/Lab/Doktorarbeit/Barcelona/Data/Test.csv"
-#EDSS_INSTRUCTIONS_PATH = "/home/shahin/Lab/Doktorarbeit/Barcelona/attach/Komplett.txt"
-#
-## Initialize OpenAI client
-#client = OpenAI(
-#    api_key=OPENAI_API_KEY,
-#    base_url=OPENAI_BASE_URL
-#)
-#
-## Read EDSS instructions from file
-#with open(EDSS_INSTRUCTIONS_PATH, 'r') as f:
-#    EDSS_INSTRUCTIONS = f.read().strip()
-#
-## === PROMPT WITH CERTAINTY REQUEST ===
-#def build_prompt(patient_text):
-#    return f'''Du bist ein medizinischer Assistent, der spezialisiert darauf ist, EDSS-Scores (Expanded Disability Status Scale), alle Unterkategorien und die Bewertungssicherheit aus klinischen Berichten zu extrahieren.
-#
-#### Deine Aufgabe:
-#1. Analysiere den Patientenbericht und extrahiere:
-#   - Den Gesamt-EDSS-Score (0.0–10.0)
-#   - Alle 8 EDSS-Unterkategorien (mit jeweils eigener Maximalpunktzahl)
-#2. Schätze für jede Entscheidung die Sicherheit als Ganzzahl von 0–100 % ein.
-#
-#### Struktur der JSON-Ausgabe (VERPFLICHTEND):
-#Gib NUR gültiges JSON zurück — kein Markdown, kein Text davor/dahinter.
-#
-#{{
-#  "reason": "Kernaussage zur EDSS-Begründung (max. 400 Zeichen, auf Deutsch).",
-#  "klassifizierbar": true/false,
-#  "EDSS": null ODER Zahl zwischen 0.0 und 10.0 (nur wenn klassifizierbar=true)",
-#  "certainty_percent": 0 ODER Zahl zwischen 0 und 100 (Ganzzahl)",
-#  "subcategories": {{
-#    "VISUAL_OPTIC_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "BRAINSTEM_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "PYRAMIDAL_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "CEREBELLAR_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "SENSORY_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "BOWEL_AND_BLADDER_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "CEREBRAL_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-#    "AMBULATION": null ODER Zahl zwischen 0.0 und 10.0
-#  }}
-#}}
-#
-#### Regeln:
-#- **reason**: Kurze, prägnante Begründung (auf Deutsch, max. 400 Zeichen), warum du den EDSS-Wert und die Unterkategorien so bewertest.
-#- **klassifizierbar**:
-#  - `true`, wenn EDSS und mindestens die wichtigsten Unterkategorien *eindeutig ableitbar* oder *plausibel inferierbar* sind.
-#  - `false`, **nur**, wenn keine relevanten Daten vorliegen, oder diese so widersprüchlich/inkonsistent sind, dass keine vernünftige Einschätzung möglich ist.
-#- **EDSS**:
-#  - **VERPFLICHTEND**, wenn `klassifizierbar=true`.
-#  - Zahl zwischen 0.0 und 10.0 (z.B. 3.0, 5.5). Darf **nicht** erscheinen, wenn `klassifizierbar=false`.
-#- **certainty_percent**:
-#  - **Immer present** — Ganzzahl (0–100), basierend auf:
-#    - Klarheit und Vollständigkeit der Berichtsangaben,
-#    - Stichhaltigkeit der Schlussfolgerung (inkl. Inferenz),
-#    - Konsistenz zwischen den Unterkategorien.
-#- **subcategories**:
-#  - **Immer present** — **alle 8 Unterkategorien** müssen enthalten sein.
-#  - Jeder Wert ist entweder:
-#    - `null` (wenn keine ausreichende Information vorliegt), **oder**
-#    - eine Zahl ≤ jeweiliger Obergrenze (z.B. Ambulation ≤ 10.0).
-#  - Wenn die Unterkategorie plausibel inferiert werden kann (auch indirekt), gib einen sinnvollen Wert ab.
-#  - Beispiel: Wenn „Gang mit Krückstock auf ebenem Boden bis 200 m“ steht, setze `AMBULATION: 5.5`.
-#
-#### EDSS-Bewertungsrichtlinien:
-#{EDSS_INSTRUCTIONS}
-#
-#Patientenbericht:
-#{patient_text}
-#'''
-#
-## === INFERENCE FUNCTION ===
-#def run_inference(patient_text):
-#    prompt = build_prompt(patient_text)
-#
-#    start_time = time.time()
-#
-#    try:
-#        response = client.chat.completions.create(
-#            messages=[
-#                {"role": "system", "content": "Du gibst EXKLUSIV gültiges JSON zurück — keine weiteren Erklärungen."}
-#            ] + [
-#                {"role": "user", "content": prompt}
-#            ],
-#            model=MODEL_NAME,
-#            max_tokens=2048,
-#            temperature=0.1,  # Slightly higher for more natural certainty estimation (still low for reliability)
-#            response_format={"type": "json_object"}
-#        )
-#
-#        content = response.choices[0].message.content
-#
-#        # Parse and validate JSON
-#        try:
-#            parsed = json.loads(content)
-#        except json.JSONDecodeError as e:
-#            print(f"⚠️  JSON parsing failed: {e}")
-#            print("Raw response:", content[:500])
-#            raise ValueError("Model did not return valid JSON")
-#
-#        # Enforce required keys
-#        if "certainty_percent" not in parsed:
-#            print("⚠️  Missing 'certainty_percent' in output! Force-adding fallback.")
-#            parsed["certainty_percent"] = 0  # fallback
-#        elif not isinstance(parsed["certainty_percent"], (int, float)):
-#            parsed["certainty_percent"] = int(parsed["certainty_percent"])
-#
-#        # Clamp certainty to [0, 100]
-#        pct = parsed["certainty_percent"]
-#        parsed["certainty_percent"] =max(0, min(100, int(pct)))
-#
-#        # Enforce EDSS rules: if not classifiable → remove EDSS
-#        if not parsed.get("klassifizierbar", False):
-#            if "EDSS" in parsed:
-#                del parsed["EDSS"]  # per spec, must not appear if not classifiable
-#        else:
-#            if "EDSS" not in parsed:
-#                print("⚠️  'klassifizierbar' is true but EDSS missing — adding fallback.")
-#                parsed["EDSS"] = 7.0  # last-resort fallback
-#
-#        inference_time = time.time() - start_time
-#
-#        return {
-#            "success": True,
-#            "result": parsed,
-#            "inference_time_sec": inference_time
-#        }
-#
-#    except Exception as e:
-#        print(f"❌ Inference error: {e}")
-#        return {
-#            "success": False,
-#            "error": str(e),
-#            "inference_time_sec": -1,
-#            "result": None  # no structured output
-#        }
-#
-## === BUILD PATIENT TEXT ===
-#def build_patient_text(row):
-#    return (
-#        str(row.get("T_Zusammenfassung", "")) + "\n" +
-#        str(row.get("Diagnosen", "")) + "\n" +
-#        str(row.get("T_KlinBef", "")) + "\n" +
-#        str(row.get("T_Befunde", ""))
-#    )
-#
-#if __name__ == "__main__":
-#    # Load data
-#    df = pd.read_csv(INPUT_CSV, sep=';')
-#    results = []
-#
-#    # Optional: limit for testing
-#    # df = df.head(3)
-#
-#    print(f"Processing {len(df)} rows...")
-#    for idx, row in df.iterrows():
-#        print(f"\n— Row {idx + 1}/{len(df)} —")
-#        try:
-#            patient_text = build_patient_text(row)
-#            result = run_inference(patient_text)
-#
-#            # Attach metadata
-#            result["unique_id"] = row.get("unique_id", f"row_{idx}")
-#            result["MedDatum"] = row.get("MedDatum", None)
-#
-#            results.append(result)
-#
-#            # Print summary
-#            if result["success"]:
-#                res = result["result"]
-#                edss = res.get("EDSS", "N/A") if res.get("klassifizierbar") else "N/A"
-#                print(f"✅ Result → EDSS={edss}, certainty={res.get('certainty_percent', 'N/A')}%")
-#                print(f"   Reason: {res.get('reason', 'N/A')[:100]}…")
-#            else:
-#                print(f"❌ Failed: {result.get('error', 'Unknown error')[:100]}")
-#
-#        except Exception as e:
-#            print(f"⚠️  Error processing row {idx}: {e}")
-#            results.append({
-#                "success": False,
-#                "error": str(e),
-#                "unique_id": row.get("unique_id", f"row_{idx}"),
-#                "MedDatum": row.get("MedDatum", None),
-#                "result": None
-#            })
-#
-#    # Save results
-#    output_json = INPUT_CSV.replace(".csv", "_results_Nisch_certainty.json")
-#    with open(output_json, 'w', encoding='utf-8') as f:
-#        json.dump(results, f, indent=2, ensure_ascii=False)
-#    print(f"\n✅ Saved results to: {output_json}")
-#
-##
-
-
-# %% API call - Multi-iteration EDSS + certainty extraction
-
-import time
-import json
-import os
-from datetime import datetime
-import pandas as pd
-from openai import OpenAI
-from dotenv import load_dotenv
-
-# Load environment variables
-load_dotenv()
-
-# === CONFIGURATION ===
-OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
-OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL")
-MODEL_NAME = "GPT-OSS-120B"
-
-# File paths
-INPUT_CSV = "/home/shahin/Lab/Doktorarbeit/Barcelona/Data/MS_Briefe_400_with_unique_id_SHA3_explore_cleaned_unique.csv"
-EDSS_INSTRUCTIONS_PATH = "/home/shahin/Lab/Doktorarbeit/Barcelona/attach/Komplett.txt"
-
-# Iteration settings
-NUM_ITERATIONS = 20
-STOP_ON_FIRST_ERROR = False  # Set to True for debugging
-
-# Initialize OpenAI client
-client = OpenAI(
-    api_key=OPENAI_API_KEY,
-    base_url=OPENAI_BASE_URL
-)
-
-# Read EDSS instructions from file
-with open(EDSS_INSTRUCTIONS_PATH, 'r') as f:
-    EDSS_INSTRUCTIONS = f.read().strip()
-
-# === PROMPT (unchanged from before) ===
-def build_prompt(patient_text):
-    return f'''Du bist ein medizinischer Assistent, der spezialisiert darauf ist, EDSS-Scores (Expanded Disability Status Scale), alle Unterkategorien und die Bewertungssicherheit aus klinischen Berichten zu extrahieren.
-
-### Deine Aufgabe:
-1. Analysiere den Patientenbericht und extrahiere:
-   - Den Gesamt-EDSS-Score (0.0–10.0)
-   - Alle 8 EDSS-Unterkategorien (mit jeweils eigener Maximalpunktzahl)
-2. Schätze für jede Entscheidung die Sicherheit als Ganzzahl von 0–100 % ein.
-
-### Struktur der JSON-Ausgabe (VERPFLICHTEND):
-Gib NUR gültiges JSON zurück — kein Markdown, kein Text davor/dahinter.
-
-{{
-  "reason": "Kernaussage zur EDSS-Begründung (max. 400 Zeichen, auf Deutsch).",
-  "klassifizierbar": true/false,
-  "EDSS": null ODER Zahl zwischen 0.0 und 10.0 (nur wenn klassifizierbar=true)",
-  "certainty_percent": 0 ODER Zahl zwischen 0 und 100 (Ganzzahl)",
-  "subcategories": {{
-    "VISUAL_OPTIC_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "BRAINSTEM_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "PYRAMIDAL_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "CEREBELLAR_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "SENSORY_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "BOWEL_AND_BLADDER_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "CEREBRAL_FUNCTIONS": null ODER Zahl zwischen 0.0 und 6.0,
-    "AMBULATION": null ODER Zahl zwischen 0.0 und 10.0
-  }}
-}}
-
-### Regeln:
-- **reason**: Kurze, prägnante Begründung (auf Deutsch, max. 400 Zeichen), warum du den EDSS-Wert und die Unterkategorien so bewertest.
-- **klassifizierbar**:
-  - `true`, wenn EDSS und mindestens die wichtigsten Unterkategorien *eindeutig ableitbar* oder *plausibel inferierbar* sind.
-  - `false`, **nur**, wenn keine relevanten Daten vorliegen, oder diese so widersprüchlich/inkonsistent sind, dass keine vernünftige Einschätzung möglich ist.
-- **EDSS**:
-  - **VERPFLICHTEND**, wenn `klassifizierbar=true`.
-  - Zahl zwischen 0.0 und 10.0 (z.B. 3.0, 5.5). Darf **nicht** erscheinen, wenn `klassifizierbar=false`.
-- **certainty_percent**:
-  - **Immer present** — Ganzzahl (0–100), basierend auf:
-    - Klarheit und Vollständigkeit der Berichtsangaben,
-    - Stichhaltigkeit der Schlussfolgerung (inkl. Inferenz),
-    - Konsistenz zwischen den Unterkategorien.
-- **subcategories**:
-  - **Immer present** — **alle 8 Unterkategorien** müssen enthalten sein.
-  - Jeder Wert ist entweder:
-    - `null` (wenn keine ausreichende Information vorliegt), **oder**
-    - eine Zahl ≤ jeweiliger Obergrenze (z.B. Ambulation ≤ 10.0).
-  - Wenn die Unterkategorie plausibel inferiert werden kann (auch indirekt), gib einen sinnvollen Wert ab.
-  - Beispiel: Wenn „Gang mit Krückstock auf ebenem Boden bis 200 m“ steht, setze `AMBULATION: 5.5`.
-
-### EDSS-Bewertungsrichtlinien:
-{EDSS_INSTRUCTIONS}
-
-Patientenbericht:
-{patient_text}
-'''
-
-# === INFERENCE FUNCTION (unchanged) ===
-def run_inference(patient_text):
-    prompt = build_prompt(patient_text)
-
-    start_time = time.time()
-
-    try:
-        response = client.chat.completions.create(
-            messages=[
-                {"role": "system", "content": "Du gibst EXKLUSIV gültiges JSON zurück — keine weiteren Erklärungen."}
-            ] + [
-                {"role": "user", "content": prompt}
-            ],
-            model=MODEL_NAME,
-            max_tokens=2048,
-            temperature=0.1,
-            response_format={"type": "json_object"}
-        )
-
-        content = response.choices[0].message.content
-
-        # Parse and validate JSON
-        try:
-            parsed = json.loads(content)
-        except json.JSONDecodeError as e:
-            print(f"⚠️   JSON parsing failed: {e}")
-            print("Raw response:", content[:500])
-            raise ValueError("Model did not return valid JSON")
-
-        # Enforce required keys
-        if "certainty_percent" not in parsed:
-            print("⚠️   Missing 'certainty_percent' in output! Force-adding fallback.")
-            parsed["certainty_percent"] = 0
-        elif not isinstance(parsed["certainty_percent"], (int, float)):
-            parsed["certainty_percent"] = int(parsed["certainty_percent"])
-
-        # Clamp certainty to [0, 100]
-        pct = parsed["certainty_percent"]
-        parsed["certainty_percent"] = max(0, min(100, int(pct)))
-
-        # Enforce EDSS rules
-        if not parsed.get("klassifizierbar", False):
-            if "EDSS" in parsed:
-                del parsed["EDSS"]
-        else:
-            if "EDSS" not in parsed:
-                print("⚠️   'klassifizierbar' is true but EDSS missing — adding fallback.")
-                parsed["EDSS"] = 7.0
-
-        inference_time = time.time() - start_time
-
-        return {
-            "success": True,
-            "result": parsed,
-            "inference_time_sec": inference_time
-        }
-
-    except Exception as e:
-        print(f"❌ Inference error: {e}")
-        return {
-            "success": False,
-            "error": str(e),
-            "inference_time_sec": -1,
-            "result": None
-        }
-
-# === BUILD PATIENT TEXT ===
-def build_patient_text(row):
-    return (
-        str(row.get("T_Zusammenfassung", "")) + "\n" +
-        str(row.get("Diagnosen", "")) + "\n" +
-        str(row.get("T_KlinBef", "")) + "\n" +
-        str(row.get("T_Befunde", ""))
-    )
-
-# === MAIN LOOP (NEW: MULTI-ITERATION) ===
-if __name__ == "__main__":
-    # Load data ONCE (to avoid repeated I/O overhead)
-    df = pd.read_csv(INPUT_CSV, sep=';')
-    total_rows = len(df)
-    print(f"Loaded {total_rows} patient records.")
-
-    for iteration in range(1, NUM_ITERATIONS + 1):
-        print(f"\n{'='*60}")
-        print(f"🔄 ITERATION {iteration}/{NUM_ITERATIONS}")
-        print(f"{'='*60}")
-
-        iteration_results = []
-        start_iter = time.time()
-
-        for idx, row in df.iterrows():
-            print(f"\rRow {idx+1}/{total_rows} | Iter {iteration}", end='', flush=True)
-            try:
-                patient_text = build_patient_text(row)
-                result = run_inference(patient_text)
-
-                # Attach metadata
-                if result["success"]:
-                    res = result["result"].copy()  # avoid mutation
-                    res["iteration"] = iteration
-                    res["unique_id"] = row.get("unique_id", f"row_{idx}")
-                    res["MedDatum"] = row.get("MedDatum", None)
-                    result["result"] = res
-
-                else:
-                    result["iteration"] = iteration
-                    result["unique_id"] = row.get("unique_id", f"row_{idx}")
-                    result["MedDatum"] = row.get("MedDatum", None)
-
-                iteration_results.append(result)
-
-                if result["success"]:
-                    res = result["result"]
-                    edss = res.get("EDSS", "N/A") if res.get("klassifizierbar") else "N/A"
-                    print(f" ✅ EDSS={edss}, cert={res.get('certainty_percent', '?')}%")
-                else:
-                    print(f" ❌ {result.get('error', 'Unknown')}")
-
-            except Exception as e:
-                print(f"\n⚠️   Row {idx} failed: {e}")
-                iteration_results.append({
-                    "success": False,
-                    "error": str(e),
-                    "iteration": iteration,
-                    "unique_id": row.get("unique_id", f"row_{idx}"),
-                    "MedDatum": row.get("MedDatum", None),
-                    "result": None
-                })
-                if STOP_ON_FIRST_ERROR:
-                    break
-
-        # Save per-iteration results
-        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
-        output_path = INPUT_CSV.replace(".csv", f"_results_iter_{iteration}_{timestamp}.json")
-        with open(output_path, 'w', encoding='utf-8') as f:
-            json.dump(iteration_results, f, indent=2, ensure_ascii=False)
-        print(f"\n✅ Iteration {iteration} complete. Saved to: {output_path}")
-
-        elapsed = time.time() - start_iter
-        print(f"⏱️   Iteration {iteration} took {elapsed:.1f}s ({elapsed/total_rows:.1f}s/row)")
-
-    print(f"\n🎉 All {NUM_ITERATIONS} iterations completed!")
-
-
-
-##

figure1.py

@@ -263,120 +263,3 @@ plt.legend(frameon=False, loc='upper center', bbox_to_anchor=(0.5, -0.05))
 plt.tight_layout()
 plt.show()
 ##
-
-
-
-
-# %% name
-import matplotlib.pyplot as plt
-
-# Data
-data = {
-    'Visit': [9, 8, 7, 6, 5, 4, 3, 2, 1],
-    'patient_count': [2, 3, 3, 6, 13, 17, 28, 24, 32]
-}
-
-# Create figure and axis
-fig, ax = plt.subplots(figsize=(10, 6))
-
-# Plot the bar chart
-bars = ax.bar(data['Visit'], data['patient_count'], color='darkblue', label='Patients by Visit Count')
-
-# Add labels and title
-ax.set_xlabel('Visit Number (from last to first)', fontsize=12)
-ax.set_ylabel('Number of Patients', fontsize=12)
-ax.set_title('Patient Visits by Visit Number', fontsize=14)
-
-# Invert x-axis to show Visit 9 on the left (descending order) if desired, but keep natural order (1–9 left to right)
-# For descending order (9→1 from left to right), we'd need to reverse:
-# Visit = data['Visit'][::-1], patient_count = data['patient_count'][::-1]
-# But standard practice is ascending (1 to 9), so we'll sort accordingly:
-# Let's sort by Visit to ensure left-to-right: 1,2,...,9
-
-# Actually, your current Visit list is [9,8,...,1], which is descending.
-# Let's sort by Visit for intuitive left-to-right increasing order:
-sorted_indices = sorted(range(len(data['Visit'])), key=lambda i: data['Visit'][i])
-visit_sorted = [data['Visit'][i] for i in sorted_indices]
-count_sorted = [data['patient_count'][i] for i in sorted_indices]
-
-# Re-plot with sorted x-axis:
-ax.clear()
-bars = ax.bar(visit_sorted, count_sorted, color='darkblue', label='Patients by Visit Count')
-
-# Re-apply labels, etc.
-ax.set_xlabel('Number of Visits', fontsize=12)
-ax.set_ylabel('Number of Unique Patients', fontsize=12)
-#ax.set_title('Number of Patients by Visit Number', fontsize=14)
-
-# Add legend
-ax.legend()
-
-# Improve layout and grid
-ax.grid(axis='y', linestyle='--', alpha=0.7)
-plt.xticks(visit_sorted)  # Ensure all integer visit numbers are shown
-
-# Show the plot
-plt.tight_layout()
-plt.show()
-
-##
-
-# %% Patientjourney Bubble chart
-import matplotlib.pyplot as plt
-import numpy as np
-
-import matplotlib as mpl
-
-mpl.rcParams["font.family"] = "DejaVu Sans"   # or "Arial", "Calibri", "Times New Roman", ...
-mpl.rcParams["font.size"] = 12                # default size for text
-mpl.rcParams["axes.titlesize"] = 14
-mpl.rcParams["axes.titleweight"] = "bold"
-
-
-# Data (your counts)
-visits = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
-patient_count = np.array([32, 24, 28, 17, 13, 6, 3, 3, 2])
-
-# "Remaining" = patients with >= that many visits (cumulative from the right)
-remaining = np.array([patient_count[i:].sum() for i in range(len(patient_count))])
-
-# --- Plot ---
-fig, ax = plt.subplots(figsize=(12, 3))
-
-y = 0.0  # all bubbles on one horizontal line
-
-# Horizontal line
-ax.hlines(y, visits.min() - 0.4, visits.max() + 0.4, color="#1f77b4", linewidth=3)
-
-# Bubble sizes (scale as needed)
-# (Matplotlib scatter uses area in points^2)
-sizes = patient_count * 35  # tweak this multiplier if you want bigger/smaller bubbles
-
-ax.scatter(visits, np.full_like(visits, y), s=sizes, color="#1f77b4", zorder=3)
-
-# Title
-#ax.set_title("Patient Journey by Visit Count", fontsize=14, pad=18)
-
-# Top labels: "1 visits", "2 visits", ...
-for x in visits:
-    label = f"{x} visit" if x == 1 else f"{x} visits"
-    ax.text(x, y + 0.18, label, ha="center", va="bottom", fontsize=10)
-
-# Bottom labels: "X patients" and "Y remaining"
-for x, pc, rem in zip(visits, patient_count, remaining):
-    ax.text(x, y - 0.20, f"{pc} patients", ha="center", va="top", fontsize=9)
-    ax.text(x, y - 0.32, f"{rem} remaining", ha="center", va="top", fontsize=9)
-
-# Cosmetics: remove axes, keep spacing nice
-ax.set_xlim(visits.min() - 0.6, visits.max() + 0.6)
-ax.set_ylim(-0.5, 0.35)
-ax.set_xticks([])
-ax.set_yticks([])
-for spine in ax.spines.values():
-    spine.set_visible(False)
-
-plt.tight_layout()
-plt.show()
-plt.savefig("patient_journey.svg", format="svg", bbox_inches="tight")
-##
-

total_app.py

@@ -1,149 +0,0 @@
-import time
-import json
-import os
-from datetime import datetime
-import pandas as pd
-from openai import OpenAI
-from dotenv import load_dotenv
-
-# Load environment variables
-load_dotenv()
-
-# === CONFIGURATION ===
-OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
-OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL")
-MODEL_NAME = "GPT-OSS-120B"
-HEALTH_URL = f"{OPENAI_BASE_URL}/health"  # Placeholder - actual health check would need to be implemented
-CHAT_URL = f"{OPENAI_BASE_URL}/chat/completions"
-# File paths
-INPUT_CSV = "/home/shahin/Lab/Doktorarbeit/Barcelona/Data/MS_Briefe_400_with_unique_id_SHA3_explore_cleaned_unique.csv"
-EDSS_INSTRUCTIONS_PATH = "/home/shahin/Lab/Doktorarbeit/Barcelona/attach/Komplett.txt"
-#GRAMMAR_FILE = "/home/shahin/Lab/Doktorarbeit/Barcelona/attach/just_edss_schema.gbnf"
-# Initialize OpenAI client
-client = OpenAI(
-    api_key=OPENAI_API_KEY,
-    base_url=OPENAI_BASE_URL
-)
-# Read EDSS instructions from file
-with open(EDSS_INSTRUCTIONS_PATH, 'r') as f:
-    EDSS_INSTRUCTIONS = f.read().strip()
-
-# === RUN INFERENCE 2 ===
-def run_inference(patient_text, max_retries=3):
-    prompt = f'''Du bist ein medizinischer Assistent, der spezialisiert darauf ist, EDSS-Scores (Expanded Disability Status Scale) sowie alle Unterkategorien aus klinischen Berichten zu extrahieren.
-### Regeln für die Ausgabe:
-1. **Reason**: Erstelle eine prägnante Zusammenfassung (max. 400 Zeichen) der Befunde auf **DEUTSCH**, die zur Einstufung führen.
-2. **klassifizierbar**:
-   - Setze dies auf **true**, wenn ein EDSS-Wert identifiziert, berechnet oder basierend auf den klinischen Hinweisen plausibel geschätzt werden kann.
-   - Setze dies auf **false**, NUR wenn die Daten absolut unzureichend oder so widersprüchlich sind, dass keinerlei Einstufung möglich ist.
-3. **EDSS**:
-   - Dieses Feld ist **VERPFLICHTEND**, wenn "klassifizierbar" auf true steht.
-   - Es muss eine Zahl zwischen 0.0 und 10.0 sein.
-   - Versuche stets, den EDSS-Wert so präzise wie möglich zu bestimmen, auch wenn die Datenlage dünn ist (nutze verfügbare Informationen zu Gehstrecke und Funktionssystemen).
-   - Dieses Feld **DARF NICHT ERSCHEINEN**, wenn "klassifizierbar" auf false steht.
-4. **Unterkategorien**:
-   - Extrahiere alle folgenden Unterkategorien aus dem Bericht:
-   - VISUAL OPTIC FUNCTIONS (max. 6.0)
-   - BRAINSTEM FUNCTIONS (max. 6.0)
-   - PYRAMIDAL FUNCTIONS (max. 6.0)
-   - CEREBELLAR FUNCTIONS (max. 6.0)
-   - SENSORY FUNCTIONS (max. 6.0)
-   - BOWEL AND BLADDER FUNCTIONS (max. 6.0)
-   - CEREBRAL FUNCTIONS (max. 6.0)
-   - AMBULATION (max. 10.0)
-   - Jede Unterkategorie sollte eine Zahl zwischen 0.0 und der jeweiligen Obergrenze enthalten, wenn sie klassifizierbar ist
-   - Wenn eine Unterkategorie nicht klassifizierbar ist, setze den Wert auf null
-### Einschränkungen:
-- Erfinde keine Fakten, aber nutze klinische Herleitungen aus dem Bericht, um den EDSS und die Unterkategorien zu bestimmen.
-- Priorisiere die Vergabe eines EDSS-Wertes gegenüber der Markierung als nicht klassifizierbar.
-- Halte dich strikt an die JSON-Struktur.
-- Die Unterkategorien müssen immer enthalten sein, auch wenn sie null sind.
-EDSS-Bewertungsrichtlinien:
-{EDSS_INSTRUCTIONS}
-Patientenbericht:
-{patient_text}
-'''
-
-    start_time = time.time()
-    for attempt in range(max_retries + 1):
-        try:
-            response = client.chat.completions.create(
-                messages=[
-                    {
-                        "role": "system",
-                        "content": "You extract EDSS scores and all subcategories. You prioritize providing values even if data is partial, by using clinical inference."
-                    },
-                    {
-                        "role": "user",
-                        "content": prompt
-                    }
-                ],
-                model=MODEL_NAME,
-                max_tokens=2048,
-                temperature=0.0,
-                response_format={"type": "json_object"}
-            )
-            content = response.choices[0].message.content
-
-            if content is None or content.strip() == "":
-                raise ValueError("API returned empty or None response content")
-
-            parsed = json.loads(content)
-            inference_time = time.time() - start_time
-            return {
-                "success": True,
-                "result": parsed,
-                "inference_time_sec": inference_time
-            }
-
-        except Exception as e:
-            print(f"Attempt {attempt + 1} failed: {e}")
-            if attempt < max_retries:
-                time.sleep(2 ** attempt)  # Exponential backoff
-                continue
-            else:
-                print("All retries exhausted.")
-                return {
-                    "success": False,
-                    "error": str(e),
-                    "inference_time_sec": -1
-                }
-
-# === BUILD PATIENT TEXT ===
-def build_patient_text(row):
-    # Handle potential NaN or None values in the row
-    summary = str(row.get("T_Zusammenfassung", "")) if pd.notna(row.get("T_Zusammenfassung")) else ""
-    diagnoses = str(row.get("Diagnosen", "")) if pd.notna(row.get("Diagnosen")) else ""
-    clinical = str(row.get("T_KlinBef", "")) if pd.notna(row.get("T_KlinBef")) else ""
-    findings = str(row.get("T_Befunde", "")) if pd.notna(row.get("T_Befunde")) else ""
-    return "\n".join([summary, diagnoses, clinical, findings]).strip()
-if __name__ == "__main__":
-    # Read CSV file ONLY inside main block
-    df = pd.read_csv(INPUT_CSV, sep=';')
-    results = []
-    # Process each row
-    for idx, row in df.iterrows():
-        print(f"Processing row {idx + 1}/{len(df)}")
-        try:
-            patient_text = build_patient_text(row)
-            result = run_inference(patient_text)
-            # Add unique_id and MedDatum to result for tracking
-            result["unique_id"] = row.get("unique_id", f"row_{idx}")
-            result["MedDatum"] = row.get("MedDatum", None)
-            results.append(result)
-            print(json.dumps(result, indent=2, ensure_ascii=False))
-        except Exception as e:
-            print(f"Error processing row {idx}: {e}")
-            results.append({
-                "success": False,
-                "error": str(e),
-                "unique_id": row.get("unique_id", f"row_{idx}"),
-                "MedDatum": row.get("MedDatum", None)
-            })
-    # Save results to a JSON file
-    output_json = INPUT_CSV.replace(".csv", "_results_total.json")
-    with open(output_json, 'w', encoding='utf-8') as f:
-        json.dump(results, f, indent=2, ensure_ascii=False)
-    print(f"Results saved to {output_json}")
-
-