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) 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()
    try:
        # Make API call using OpenAI client
        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"}
        )
        # Extract content from response
        content = response.choices[0].message.content
        # Check if content is None or empty
        if content is None or content.strip() == "":
            raise ValueError("API returned empty or None response 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):
    # 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}")