update

AzA march 2026/workforce_planner/ai/__init__.py

@@ -0,0 +1 @@
+# -*- coding: utf-8 -*-

AzA march 2026/workforce_planner/ai/service.py

@@ -0,0 +1,147 @@
+# -*- coding: utf-8 -*-
+"""
+KI-Service – zentrale Stelle für alle OpenAI-Aufrufe.
+
+Kein Client hat direkten Zugriff auf den API-Key.
+Desktop und Web schicken Requests hierher.
+"""
+
+import os
+import tempfile
+from typing import Optional
+
+from openai import OpenAI
+from dotenv import load_dotenv
+
+load_dotenv()
+
+_client: Optional[OpenAI] = None
+
+TRANSCRIBE_MODEL = "whisper-1"
+DEFAULT_SUMMARY_MODEL = "gpt-4o"
+
+WHISPER_MEDICAL_PROMPT = (
+    "Medizinische Konsultation, Arzt-Patient-Gespräch, Schweizerdeutsch und Hochdeutsch. "
+    "Medizinische Fachbegriffe: Anamnese, Status, Befund, Diagnose, Therapie, Verlauf, "
+    "Medikation, Dosierung, Labor, Röntgen, MRI, CT, Sonographie, EKG, Spirometrie, "
+    "ICD-10, SOAP, Krankengeschichte, Kostengutsprache, Arztbrief."
+)
+
+DEFAULT_SYSTEM_PROMPT = (
+    "Du bist ein medizinischer Dokumentationsassistent. "
+    "Erstelle aus dem Transkript eine strukturierte Krankengeschichte im SOAP-Format. "
+    "Verwende medizinische Fachterminologie. Sprache: Deutsch."
+)
+
+
+def _get_client() -> OpenAI:
+    global _client
+    if _client is None:
+        api_key = os.getenv("OPENAI_API_KEY", "").strip()
+        if not api_key:
+            raise RuntimeError("OPENAI_API_KEY nicht gesetzt")
+        _client = OpenAI(api_key=api_key)
+    return _client
+
+
+def transcribe_audio(wav_bytes: bytes, language: str = "de") -> dict:
+    """WAV-Bytes transkribieren → {"text": "...", "tokens_estimated": int}"""
+    client = _get_client()
+
+    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmp:
+        tmp.write(wav_bytes)
+        tmp_path = tmp.name
+
+    try:
+        with open(tmp_path, "rb") as f:
+            resp = client.audio.transcriptions.create(
+                model=TRANSCRIBE_MODEL,
+                file=f,
+                language=language,
+                prompt=WHISPER_MEDICAL_PROMPT,
+            )
+        text = getattr(resp, "text", "") or ""
+        if text.strip().startswith("Medizinische Dokumentation auf Deutsch"):
+            text = ""
+        tokens_est = len(text) // 4
+        return {"text": text, "tokens_estimated": tokens_est}
+    finally:
+        try:
+            os.unlink(tmp_path)
+        except OSError:
+            pass
+
+
+def summarize_transcript(
+    transcript: str,
+    system_prompt: str = "",
+    model: str = DEFAULT_SUMMARY_MODEL,
+) -> dict:
+    """Transkript → Krankengeschichte (SOAP)."""
+    client = _get_client()
+    sys_prompt = system_prompt or DEFAULT_SYSTEM_PROMPT
+
+    resp = client.chat.completions.create(
+        model=model,
+        messages=[
+            {"role": "system", "content": sys_prompt},
+            {"role": "user", "content": f"TRANSKRIPT:\n{transcript}"},
+        ],
+    )
+
+    content = resp.choices[0].message.content or ""
+    total_tokens = 0
+    if hasattr(resp, "usage") and resp.usage:
+        total_tokens = getattr(resp.usage, "total_tokens", 0)
+
+    return {"text": content, "tokens_used": total_tokens, "model": model}
+
+
+def merge_kg(
+    existing_kg: str,
+    full_transcript: str,
+    system_prompt: str = "",
+    model: str = DEFAULT_SUMMARY_MODEL,
+) -> dict:
+    """Bestehende KG mit neuem Transkript zusammenführen."""
+    client = _get_client()
+    sys_prompt = system_prompt or DEFAULT_SYSTEM_PROMPT
+
+    user_text = (
+        f"BESTEHENDE KRANKENGESCHICHTE:\n{existing_kg}\n\n"
+        f"VOLLSTÄNDIGES TRANSKRIPT (bisher + Ergänzung):\n{full_transcript}\n\n"
+        "Aktualisiere die KG: neue Informationen aus dem Transkript in die "
+        "passenden Abschnitte einfügen, gleiche Überschriften beibehalten."
+    )
+
+    resp = client.chat.completions.create(
+        model=model,
+        messages=[
+            {"role": "system", "content": sys_prompt},
+            {"role": "user", "content": user_text},
+        ],
+    )
+
+    content = resp.choices[0].message.content or ""
+    total_tokens = 0
+    if hasattr(resp, "usage") and resp.usage:
+        total_tokens = getattr(resp.usage, "total_tokens", 0)
+
+    return {"text": content, "tokens_used": total_tokens, "model": model}
+
+
+def chat_completion(
+    messages: list[dict],
+    model: str = DEFAULT_SUMMARY_MODEL,
+) -> dict:
+    """Generischer Chat-Completion Aufruf."""
+    client = _get_client()
+
+    resp = client.chat.completions.create(model=model, messages=messages)
+
+    content = resp.choices[0].message.content or ""
+    total_tokens = 0
+    if hasattr(resp, "usage") and resp.usage:
+        total_tokens = getattr(resp.usage, "total_tokens", 0)
+
+    return {"text": content, "tokens_used": total_tokens, "model": model}