Epic: Insights-Engine erweitern

[mpwg]

Ziel

Dieses Epic bündelt die Erweiterung der Symi-Insight-Engine. Alle Sub-Issues müssen die höherwertige Analyse-Logik aus #339 verwenden. Simple Median-, Quartils- oder Durchschnittsvergleiche sind nur noch als Debug-/Fallback-Metriken erlaubt, aber nicht als finale Grundlage für sichtbare Insights.

Die Engine soll lokal, vorsichtig, nicht-diagnostisch und privacy-first bleiben. Sie soll keine medizinischen Ursachen behaupten, sondern robuste, individuelle Muster in bisherigen Einträgen sichtbar machen.

Leitprinzipien für alle Sub-Issues

Alle neuen Insights müssen nach dieser Methodik gebaut werden:

1. Feature-Windows statt Momentaufnahmen

   • Kontextwerte werden als Zeitfenster modelliert, z. B. 4 h, 8 h, 12 h, 24 h vor Episode.
   • Zusätzlich werden Änderungen/Delta-Werte berechnet, z. B. pressureDelta12h.

2. Matched Case-Control statt einfacher Gruppenvergleiche

   • Episoden werden mit vergleichbaren Kontrollzeitpunkten ohne Episode verglichen.
   • Matching berücksichtigt mindestens Tagesbereich, Wochentag/Wochenende, Zeitraum/Saison und Datenverfügbarkeit.

3. Effektstärke + Unsicherheit statt nur Häufigkeit

   • Jeder Insight-Kandidat braucht Effektstärke, Support, Coverage und Bootstrap-Konfidenzintervall.
   • Sichtbare Insights benötigen praktische Relevanz, nicht nur statistische Signifikanz.

4. Multiple-Testing-Kontrolle

   • Kandidaten werden gesammelt und gemeinsam bewertet.
   • FDR/Benjamini-Hochberg oder ein konservatives internes Multiplicity-Gating muss verwendet werden.

5. Nicht-diagnostische Texte

   • Keine Aussage über Ursachen.
   • Keine medizinischen Ratschläge.
   • Formulierungen nur als Muster in bisherigen Einträgen.

Sub-Issues

• Insights-Engine: Basisdatenmodell und Aggregation für Kontextdaten erweitern #335 Basisdatenmodell, Feature-Windows und Aggregation für robuste Kontextdaten erweitern
• Insights-Engine: Wetter-basierte Detektoren implementieren #336 Wetter-basierte Feature-Windows und robuste Wetter-Detektoren implementieren
• Insights-Engine: Schlaf- und Aktivitäts-Detektoren implementieren #337 Schlaf- und Aktivitätsanalyse mit Case-Control, Lags und Effektstärken implementieren
• Insights-Engine: Herz- und HRV-Detektoren implementieren #338 Herz- und HRV-Analyse mit z-Scores, Case-Control und kombinierten Stress-Scores implementieren
• Insights-Engine: Höherwertige statistische Auswertungsmethoden spezifizieren #339 Höherwertige statistische Auswertungsmethoden spezifizieren

Noch offene Sub-Issues

• Zyklus-Analyse mit relativen Zyklustagen und Case-Control implementieren
• Texte, UI-Darstellung und Detailansicht für robuste Insights
• Cache/Fingerprint und Datenschutz/Logging für Feature-Windows absichern
• Tests und Qualitätsabsicherung für robuste Statistik, Matching, Bootstrap und FDR

Epic-Akzeptanzkriterien

• Alle Sub-Issues referenzieren Insights-Engine: Höherwertige statistische Auswertungsmethoden spezifizieren #339 als methodische Grundlage.
• Keine sichtbaren neuen Insights basieren nur auf Median-, Quartils- oder Durchschnittsvergleichen.
• Feature-Windows für relevante Kontexte sind implementiert.
• Matched Case-Control-Auswertung ist implementiert.
• Effektstärken und Bootstrap-Konfidenzintervalle sind implementiert.
• Multiple-Testing-Korrektur oder konservatives Multiplicity-Gating ist implementiert.
• Wetter-, Schlaf-, Aktivitäts-, Herz-/HRV- und Zyklusmuster nutzen die robuste Logik.
• Neue Insights werden nur bei ausreichender Datenlage und stabiler Unsicherheit angezeigt.
• Texte bleiben nicht-diagnostisch und behaupten keine Ursachen.
• HealthKit-Berechtigungen werden respektiert.
• Cache wird bei geänderten Kontextdaten invalidiert.
• Unit Tests decken Feature-Windows, Matching, Effektstärken, Bootstrap, FDR und Scoring ab.
• UI/Detaildarstellung erklärt Datenbasis, Support und Unsicherheit transparent.

Nicht-Ziele

• Keine medizinischen Empfehlungen.
• Kein Backend.
• Keine Cloud-Auswertung.
• Kein verpflichtendes neuronales ML-Modell in dieser ersten Umsetzung.
• Kein Forecasting für Nutzer:innen ohne ausreichende Datenbasis.