README.md

metadata

title: Diagnóstico de Diabetes - Random Forest - Otimizado
emoji: 🏥
colorFrom: red
colorTo: blue
sdk: gradio
sdk_version: 6.0.1
app_file: app.py
pinned: true
license: mit
short_description: Suporte ao diagnóstico de diabetes usando Machine Learning
thumbnail: >-
  https://cdn-uploads.huggingface.co/production/uploads/69239245f2835e7820b31ade/eBdPnxehVjii957k4G5zA.png

🏥 Diagnóstico de Diabetes - Random Forest - Otimizado

Sistema de suporte ao diagnóstico de diabetes utilizando Machine Learning (Random Forest) baseado no dataset Pima Indians Diabetes Database.

⚠️ IMPORTANTE: Esta é uma aplicação educacional desenvolvida como projeto acadêmico da FIAP. NÃO substitui avaliação médica profissional. Sempre consulte um médico para diagnóstico e tratamento.

🎯 Funcionalidades

• ✅ Predição de diabetes baseada em parâmetros clínicos
• 📊 Cálculo de probabilidades (Diabético/Não Diabético)
• 📋 Interpretação automática dos parâmetros inseridos
• 🤖 Análise por IA Generativa (OpenAI GPT) — explicações em linguagem natural e insights acionáveis para médicos
• 🎨 Interface intuitiva com controles deslizantes
• 💡 Exemplos pré-configurados para teste

🧠 Modelo (Otimizado via Algoritmo Genético)

• Algoritmo: Random Forest Classifier
• Hiperparâmetros Otimizados:
  • n_estimators: 43
  • max_depth: 19
  • min_samples_leaf: 1
  • min_samples_split: 5
  • max_features: 'log2'
• Acurácia: ~79%

📊 Dataset

Pima Indians Diabetes Database (National Institute of Diabetes and Digestive and Kidney Diseases - NIH)

Características:

• População: Mulheres com ascendência indígena Pima
• Idade mínima: 21 anos
• Total de registros: 768 pacientes
• Features: 8 parâmetros clínicos

Parâmetros de Entrada:

1. Pregnancies (Gestações): Número de vezes que a paciente engravidou
2. Glucose (Glicose): Concentração de glicose plasmática (mg/dL) após 2 horas em teste OGTT
   • < 140: Normal
   • 140-199: Pré-diabetes
   • ≥ 200: Diabetes
3. BloodPressure (Pressão Arterial): Pressão arterial diastólica (mm Hg)
4. SkinThickness (Espessura da Pele): Espessura da dobra cutânea do tríceps (mm)
5. Insulin (Insulina): Nível de insulina sérica (mu U/ml)
6. BMI (IMC): Índice de Massa Corporal (peso kg / altura m²)
7. DiabetesPedigreeFunction: Função de pedigree de diabetes (histórico familiar)
8. Age (Idade): Idade em anos

🚀 Como Usar

1. Ajuste os parâmetros usando os controles deslizantes:
   • Gestações, Glicose, Pressão Arterial, etc.
2. Clique em "Submit" ou use um dos exemplos pré-configurados
3. Visualize o resultado:
   • Predição (Diabético/Não Diabético)
   • Probabilidades calculadas
   • Interpretação dos parâmetros
   • Análise clínica gerada por IA (requer OPENAI_API_KEY)

📝 Exemplos Inclusos

A aplicação inclui 5 casos de teste:

• ✅ Baixo risco de diabetes
• ⚠️ Risco moderado
• 🔴 Alto risco de diabetes
• 👶 Paciente jovem
• 📊 Diversos perfis clínicos

🛠️ Tecnologias

• Python 3.10+
• Gradio - Interface web interativa
• Scikit-learn - Modelo Random Forest
• OpenAI GPT-4o-mini - Explicações em linguagem natural e insights clínicos
• Pandas - Manipulação de dados
• NumPy - Computação numérica
• Pickle - Serialização do modelo

🔑 Configuração da API OpenAI (Hugging Face Space)

Para habilitar a análise por IA Generativa:

1. Acesse as Settings do seu Space no Hugging Face
2. Vá em Variables and secrets
3. Adicione um novo secret com o nome: OPENAI_API_KEY
4. Cole sua chave de API da OpenAI como valor

Sem a chave configurada, as demais funcionalidades (predição e interpretação dos parâmetros) continuam funcionando normalmente.

📚 Projeto Acadêmico

Instituição: FIAP
Curso: IA para DEVs - 8IADT
Fase: 2
Projeto: Tech Challenge - Otimização de Hiperparametros via Algoritmo Genético
Grupo: 61

👥 Integrantes:

• Rodrigo de Araújo Rosa
• Elias Maximiano da Silva
• Fábia Gomes de Jesus
• Danilo Pereira

🎯 Objetivo do Projeto:

Construir uma solução inicial com foco em IA para processamento de exames médicos, aplicando fundamentos de Machine Learning para criar um sistema de suporte ao diagnóstico e otimizar o modelo com base em algoritmos genéticos, bem como integrar com uma LLM para Interpretação de Resultados.

📖 Referências

• NIH - Pima Indians Diabetes Database
• Glucose Tolerance Test - NIH
• Diabetes and Hypertension - ADA

📄 Licença

MIT License - Uso livre para fins acadêmicos e educacionais.

📧 Contato

Para dúvidas ou feedback sobre o projeto:

• Email: rodrigoaraujo.r@gmail.com
• LinkedIn: Rodrigo de Araujo Rosa

---

Desenvolvido para aprendizado em IA e Machine Learning