app.py

"""
Aplicação Gradio para Diagnóstico de Diabetes
Autor: Grupo 61 - FIAP 8IADT
Baseado no dataset Pima Indians Diabetes Database
"""

import gradio as gr
import pickle
import pandas as pd
import numpy as np
import os
from dotenv import load_dotenv
from openai import OpenAI

# Carrega variáveis do arquivo .env para uso local (no Hugging Face usa Secrets)
load_dotenv()

# Carregar modelo
print("📦 Carregando modelo de diabetes...")
try:
    with open('models/diabetes_random_forest_model_optimized.pkl', 'rb') as f:
        modelo = pickle.load(f)
    print("✅ Modelo otimizado por algoritmo genético carregado com sucesso!")
except FileNotFoundError:
    print("❌ Erro: Arquivo 'models/diabetes_random_forest_model_optimized.pkl' não encontrado!")
    raise

def gerar_explicacao_llm(dados_paciente: dict, predicao: int, prob_diabetico: float) -> str:
    """
    Gera explicação em linguagem natural do diagnóstico usando OpenAI GPT.
    Transforma dados numéricos em insights acionáveis para médicos.
    """
    api_key = os.environ.get("OPENAI_API_KEY")
    if not api_key:
        return (
            "⚠️ **Chave da API OpenAI não configurada.**\n\n"
            "Para habilitar explicações por IA, configure a variável de ambiente "
            "`OPENAI_API_KEY` nas **Settings > Secrets** do seu Hugging Face Space "
            "ou no ambiente local."
        )

    status = "DIABÉTICO" if predicao == 1 else "NÃO DIABÉTICO"
    confianca = prob_diabetico * 100 if predicao == 1 else (1 - prob_diabetico) * 100

    # Estrutura do prompt preparada para receber dados textuais no Módulo 3
    prompt_sistema = (
        "Você é um assistente médico especializado em diabetes, com expertise em "
        "interpretar dados clínicos e fornecer insights acionáveis para profissionais "
        "de saúde. Suas respostas devem ser claras, precisas e clinicamente relevantes. "
        "Responda sempre em português brasileiro."
    )

    prompt_usuario = f"""Analise os dados clínicos abaixo e o resultado de um modelo de Machine Learning (Random Forest) treinado no Pima Indians Diabetes Database.

**Dados Clínicos do Paciente:**
- Número de gestações: {dados_paciente['pregnancies']}
- Glicose plasmática: {dados_paciente['glucose']} mg/dL
- Pressão arterial diastólica: {dados_paciente['blood_pressure']} mm Hg
- Espessura da dobra cutânea (tríceps): {dados_paciente['skin_thickness']} mm
- Insulina sérica: {dados_paciente['insulin']} mu U/ml
- IMC: {dados_paciente['bmi']:.1f}
- Função de pedigree de diabetes: {dados_paciente['diabetes_pedigree']:.3f}
- Idade: {dados_paciente['age']} anos

**Resultado do Modelo:**
- Diagnóstico: **{status}**
- Probabilidade de diabetes: {prob_diabetico * 100:.1f}%
- Confiança do diagnóstico: {confianca:.1f}%

Forneça uma análise estruturada com os seguintes tópicos:

1. **Explicação do Diagnóstico**: Explique em linguagem clara o resultado, destacando quais parâmetros mais influenciaram a predição.

2. **Fatores de Risco Identificados**: Liste os principais fatores de risco presentes nos dados do paciente.

3. **Insights Acionáveis para o Médico**: De 3 a 5 recomendações práticas e específicas (exames adicionais, monitoramento, ajustes de conduta, etc.).

4. **Próximos Passos Sugeridos**: Indique as próximas etapas recomendadas para acompanhamento do paciente.

> *Lembrete: este é um modelo preditivo e não substitui avaliação médica completa.*"""

    try:
        client = OpenAI(api_key=api_key)
        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[
                {"role": "system", "content": prompt_sistema},
                {"role": "user", "content": prompt_usuario},
            ],
            temperature=0.3,
            max_tokens=1200,
        )
        return response.choices[0].message.content # type: ignore
    except Exception as e:
        return f"⚠️ **Erro ao gerar explicação por IA:** {e}"


def prever_diabetes(pregnancies, glucose, blood_pressure, skin_thickness,
                   insulin, bmi, diabetes_pedigree, age):
    """
    Prediz se um paciente tem diabetes com base em parâmetros clínicos.

    Parâmetros:
    -----------
    pregnancies : int - Número de gestações
    glucose : float - Concentração de glicose plasmática (mg/dL)
    blood_pressure : float - Pressão arterial diastólica (mm Hg)
    skin_thickness : float - Espessura da dobra cutânea do tríceps (mm)
    insulin : float - Nível de insulina sérica (mu U/ml)
    bmi : float - Índice de Massa Corporal (peso em kg/(altura em m)^2)
    diabetes_pedigree : float - Função de pedigree de diabetes
    age : int - Idade em anos

    Retorna:
    --------
    resultado, probabilidades, interpretação, explicacao_llm
    """
    
    # Validações básicas
    if glucose < 0 or glucose > 300:
        return "⚠️ **Erro**: Glicose deve estar entre 0 e 300 mg/dL", "", "", ""
    
    if bmi < 0 or bmi > 70:
        return "⚠️ **Erro**: IMC deve estar entre 0 e 70", "", "", ""
    
    if age < 21:
        return "⚠️ **Nota**: Este modelo foi treinado com pacientes com 21 anos ou mais", "", "", ""
    
    # Criar dataframe com os dados
    dados = pd.DataFrame({
        'Pregnancies': [pregnancies],
        'Glucose': [glucose],
        'BloodPressure': [blood_pressure],
        'SkinThickness': [skin_thickness],
        'Insulin': [insulin],
        'BMI': [bmi],
        'DiabetesPedigreeFunction': [diabetes_pedigree],
        'Age': [age]
    })
    
    # Fazer previsão
    predicao = modelo.predict(dados)[0]
    probabilidades = modelo.predict_proba(dados)[0]
    
    prob_nao_diabetico = float(probabilidades[0])
    prob_diabetico = float(probabilidades[1])
    
    # Resultado principal
    if predicao == 1:
        resultado = f"⚠️ **DIABÉTICO**\n\n**Confiança:** {prob_diabetico*100:.1f}%"
        emoji = "🔴"
    else:
        resultado = f"✅ **NÃO DIABÉTICO**\n\n**Confiança:** {prob_nao_diabetico*100:.1f}%"
        emoji = "🟢"
    
    # Probabilidades
    prob_texto = f"""
## 📊 Probabilidades:
- **Não Diabético:** {prob_nao_diabetico*100:.1f}%
- **Diabético:** {prob_diabetico*100:.1f}%
"""
    
    # Interpretação dos dados
    interpretacao = f"""
## 📋 Análise dos Parâmetros:

### Glicose: {glucose} mg/dL
"""
    
    if glucose < 140:
        interpretacao += "- ✅ **Normal** (< 140 mg/dL)\n"
    elif glucose < 200:
        interpretacao += "- ⚠️ **Pré-diabetes** (140-199 mg/dL)\n"
    else:
        interpretacao += "- 🔴 **Diabético** (≥ 200 mg/dL)\n"
    
    interpretacao += f"\n### IMC: {bmi:.1f}\n"
    if bmi < 18.5:
        interpretacao += "- Abaixo do peso\n"
    elif bmi < 25:
        interpretacao += "- ✅ Peso normal\n"
    elif bmi < 30:
        interpretacao += "- ⚠️ Sobrepeso\n"
    else:
        interpretacao += "- 🔴 Obesidade\n"
    
    interpretacao += f"\n### Idade: {age} anos\n"
    interpretacao += f"### Gestações: {pregnancies}\n"
    interpretacao += f"### Pressão Arterial: {blood_pressure} mm Hg\n"
    
    interpretacao += """
---
**⚕️ Nota Importante:** Este é um modelo preditivo baseado em Machine Learning
e **NÃO substitui** uma avaliação médica profissional. Consulte sempre um médico
para diagnóstico e tratamento adequados.
"""

    # Geração da explicação via LLM
    dados_paciente = {
        "pregnancies": pregnancies,
        "glucose": glucose,
        "blood_pressure": blood_pressure,
        "skin_thickness": skin_thickness,
        "insulin": insulin,
        "bmi": bmi,
        "diabetes_pedigree": diabetes_pedigree,
        "age": age,
    }
    explicacao_llm = gerar_explicacao_llm(dados_paciente, predicao, prob_diabetico)

    return resultado, prob_texto, interpretacao, explicacao_llm

# Exemplos de casos para teste
exemplos = [
    [6, 155, 80, 35, 85, 33.6, 0.627, 50],  # Alto risco
    [1, 85, 49, 33, 134, 24, 0.351, 31],   # Baixo risco
    [8, 188, 76, 25, 109, 23.3, 0.672, 32],   # Risco moderado
    [1, 89, 66, 23, 94, 27, 0.167, 21],  # Jovem baixo risco
    [0, 137, 40, 35, 168, 43.1, 2.288, 33] # Risco elevado
]

# Interface Gradio
interface = gr.Interface(
    fn=prever_diabetes,
    inputs=[
        gr.Slider(minimum=0, maximum=17, step=1, value=1, label="🤰 Gestações"),
        gr.Slider(minimum=0, maximum=200, step=1, value=141, label="🩸 Glicose (mg/dL)"),
        gr.Slider(minimum=0, maximum=122, step=1, value=43, label="💓 Pressão Arterial Diastólica (mm Hg)"),
        gr.Slider(minimum=0, maximum=99, step=1, value=25, label="📏 Espessura da Pele (mm)"),
        gr.Slider(minimum=0, maximum=846, step=1, value=90, label="💉 Insulina (mu U/ml)"),
        gr.Slider(minimum=0, maximum=67, step=0.1, value=23.3, label="⚖️ IMC"),
        gr.Slider(minimum=0.0, maximum=2.5, step=0.001, value=0.672, label="🧬 Função Pedigree de Diabetes"),
        gr.Slider(minimum=21, maximum=81, step=1, value=32, label="👤 Idade (anos)")
    ],
    outputs=[
        gr.Markdown(label="🎯 Resultado da Predição"),
        gr.Markdown(label="📊 Probabilidades"),
        gr.Markdown(label="📋 Interpretação dos Parâmetros"),
        gr.Markdown(label="🤖 Análise por IA (OpenAI GPT)"),
    ],
    title="🏥 Diagnóstico de Diabetes - Random Forest + IA Generativa",
    description="""
    ### Sistema de Suporte ao Diagnóstico de Diabetes com IA Generativa

    Esta aplicação combina **Machine Learning (Random Forest)** com **IA Generativa (OpenAI GPT)**
    para predizer diabetes e gerar explicações clínicas em linguagem natural.
    **Apenas para uso acadêmico e informativo.**

    **📚 Baseado no dataset:** Pima Indians Diabetes Database (NIH)

    **🎯 Como funciona:**
    1. Ajuste os parâmetros clínicos do paciente usando os controles deslizantes
    2. O modelo Random Forest calcula a probabilidade de diabetes
    3. O GPT (OpenAI) interpreta o resultado e gera insights acionáveis para o médico

    **🔑 Requisito:** Configure a secret `OPENAI_API_KEY` nas configurações do Space para habilitar a análise por IA.

    **💡 Dica:** Experimente os exemplos abaixo para ver diferentes cenários!

    ---
    **👥 Desenvolvido por:** Grupo 61
    **🎓 Projeto:** IA para DEVs - Tech Challenge Fase 2 - Diagnóstico de Doenças com otimização do modelo via algoritmo genético
    """,
    examples=exemplos,
    examples_per_page=5,
    flagging_mode="never"
)

if __name__ == "__main__":
    print("\n" + "="*80)
    print("🚀 GRADIO - DIAGNÓSTICO DE DIABETES COM MODELO OTIMIZADO POR ALGORITMO GENÉTICO")
    print("="*80)
    print("\n💡 Interface será aberta no navegador")
    print("🏥 Grupo 61 - FIAP 8IADT Tech Challenge - Fase 2")
    print("="*80 + "\n")
    
    interface.launch(theme=gr.themes.Soft()) # type: ignore