Update views/rag_med.py

views/rag_med.py

@@ -1,7 +1,264 @@
-import streamlit as st
-
-
-st.title("Enciclopédia médica")
-
-
-st.write('## Em breve!')
+import json
+import os
+
+import faiss
+import numpy as np
+import streamlit as st
+from openai import OpenAI
+from sentence_transformers import SentenceTransformer
+
+from prompts_template import prompt
+
+# Initialize the messages list in the session state
+if "messages" not in st.session_state:
+    st.session_state.messages = []
+
+STYLE = "static/style.css"
+with open(STYLE, "r", encoding="utf-8") as f:
+    st.markdown(f"<style>{f.read()}</style>", unsafe_allow_html=True)
+
+# STYLE = "static/styles.html"
+# with open(STYLE, "r", encoding="utf-8") as f:
+#     st.markdown(f"<style>{f.read()}</style>", unsafe_allow_html=True)
+
+client = OpenAI(api_key=os.environ['OPENAI_API'])
+model = SentenceTransformer("all-MiniLM-L6-v2")
+
+# índice FAISS
+json_file = "scr/faiss/chunks .json"
+embeddings_file = "scr/faiss/embeddings.npy"
+index_file = "scr/faiss/faiss_index.index"
+text_chunks_file = "scr/faiss/text_chunks.npy"
+
+with open(json_file, "r") as file:
+    chunks = json.load(file)
+
+embeddings = np.load(embeddings_file)
+index = faiss.read_index(index_file)
+text_chunks = np.load(text_chunks_file)
+
+with st.sidebar:
+    openai_api_key = st.text_input(
+        "OpenAI API Key", key="chatbot_api_key", type="password"
+    )
+    st.markdown(
+        "[Pegue aqui sua chave OpenAI API](https://platform.openai.com/account/api-keys)"
+    )
+if st.sidebar.button("Limpar Conversa"):
+    st.session_state.messages = []
+    st.rerun()
+
+def retrieve(query, k=3):
+    """
+    Retrieves the most similar document chunks to a given query.
+    """
+    query_embedding = model.encode([query])
+    distances, indices = index.search(query_embedding, k)
+    return [chunks[idx] for idx in indices[0]]
+
+
+def generate_response(query, context):
+    """
+    Generates a response to a given query based on a provided context.
+    """
+    prompt_query = (
+        f"Com base nos seguintes dados: {context}\n\nPergunta: {query}\n\nResposta:"
+    )
+    response = client.chat.completions.create(
+        model="gpt-4o-mini",
+        messages=[
+            {
+                "role":
+                "system",
+                "content":
+                "Você é um assistente especializado em análise de encaminhamentos médicos.",
+            },
+            {
+                "role": "user",
+                "content": prompt_query
+            },
+        ],
+    )
+    return response.choices[0].message.content
+
+co1, co2, co3 = st.columns([1.5, 0.4, 3])
+with co1:
+    st.write('')
+with co2:
+    st.image('icons/icon.svg', width=80)
+
+with co3:
+    st.title("Encaminhamento Médico")
+
+col1, col2, col3, col4, col5 = st.columns([1, 3, 0.5, 3, 1])
+
+fem= 'icons/iconF.svg'
+with col1:
+    st.write('')
+
+with col2:
+    st.header(" :black_nib: Entrada de Dados")
+    st.markdown("#### ")
+    # Campos para preenchimento do relatório
+    cl1, cl2, cl3 = st.columns([2, 1, 2])
+    with cl1:
+        idade = st.text_input("###### IDADE", value="")
+        sexo_opcao = st.radio("Sexo", ("Masculino", "Feminino"),
+              index=0)
+        sexo = (sexo_opcao == "Masculino")
+    with cl2:
+        st.write("")
+    with cl3:
+        st.write("Condições")
+        has = st.checkbox("HAS", value=False)
+        dm = st.checkbox("DM TIPO 2", value=False)
+        tabaco = st.checkbox("TABAGISTA?", value=False)
+        alcool = st.checkbox("ALCOOLISTA?", value=False)
+
+    comorbidades = st.text_area("Outras Comorbidades e medicamentos em uso")
+    motivo = st.text_area("Motivo do Encaminhamento")
+    historia_clinica = st.text_area("História Clínica Resumida")
+    exame_fisico = st.text_area(
+        "Exame Físico Relevante",
+        "EF:\nBEG, hidratado, s/ edema\nAR: MVUA s/ RA | AC: RCR 2t bnf",
+    )
+    exames_complementares = st.text_area("Exames Complementares")
+    hipotese_diagnostica = st.text_input("Hipótese Diagnóstica")
+    justificativa = st.text_area("Justificativa do Encaminhamento")
+
+    # Prioridade
+    prioridade = st.selectbox("Prioridade",
+                              ["Selecione...", "P0", "P1", "P2", "P3"])
+
+    especialidades = [
+        "Cardiologia",
+        "Dermatologia",
+        "Endocrinologia",
+        "Gastroenterologia",
+        "Geriatria",
+        "Hematologia",
+        "Infectologia",
+        "Medicina de Família e Comunidade",
+        "Nefrologia",
+        "Neurologia",
+        "Obstetrícia",
+        "Oftalmologia",
+        "Oncologia",
+        "Ortopedia",
+        "Otorrinolaringologia",
+        "Pediatria",
+        "Pneumologia",
+        "Psiquiatria",
+        "Reumatologia",
+        "Urologia",
+    ]
+
+    especialidade_selecionada = st.multiselect(
+        "Selecione a(s) Especialidade(s):", especialidades)
+
+with col3:
+    st.write("")
+
+with col4:
+    st.header(" 🤖  Relatório Gerado por IA ")
+
+    # Botão para gerar relatório
+    if st.button("Gerar Relatório"):
+        user_prompt = f"""
+                    Relatório de Encaminhamento Médico
+
+                    1. Identificação do Paciente
+                    Idade: {idade}, {sexo}
+
+                    2. Fatores de Risco e Comorbidades
+                    HAS: {'Sim' if has else 'Não'}
+                    DM TIPO 2: {'Sim' if dm else 'Não'}
+                    TABAGISTA: {'Sim' if tabaco else 'Não'}
+                    ALCOOLISTA: {'Sim' if alcool else 'Não'}
+                    Outras Comorbidades e medicamentos em uso: {comorbidades}
+
+                    3. Motivo do Encaminhamento
+                    {motivo}
+
+                    4. História Clínica Resumida
+                    {historia_clinica}
+
+                    5. Exame Físico Relevante
+                    {exame_fisico}
+
+                    6. Exames Complementares
+                    {exames_complementares}
+
+                    7. Hipótese Diagnóstica
+                    {hipotese_diagnostica}
+
+                    8. Justificativa do Encaminhamento
+                    {justificativa}
+
+                    9. Prioridade
+                    {prioridade}
+
+                    10. Especialidade(s) de Destino
+                    {', '.join(especialidade_selecionada)}
+
+                    Com base nessas informações, elabore um relatório de
+                    encaminhamento médico conciso, mas informativo.
+                    Certifique-se de:
+
+                    1. Manter uma linguagem profissional e clara.
+                    2. Destacar os pontos mais relevantes para a especialidade
+                    de destino.
+                    3. Incluir apenas informações pertinentes ao encaminhamento.
+                    4. Justificar claramente a necessidade do encaminhamento e a
+                    prioridade atribuída.
+                    5. Limitar o relatório a no máximo 300 palavras.
+
+                    Por favor, gere o relatório mantendo a estrutura fornecida,
+                    mas adaptando o conteúdo para ser mais fluido e coeso.
+                    """
+        st.text_area("Prompt gerado:", user_prompt, height=600)
+
+        completion = client.chat.completions.create(
+            model="gpt-4o-mini",
+            messages=[{
+                "role": "system",
+                "content": prompt() + user_prompt
+            }],
+            temperature=0.4,
+            max_tokens=1500,
+        )
+        resposta = completion.choices[0].message.content
+        st.text_area("Resposta da IA:", resposta, height=800)
+        st.write(
+            "O relatório gerado pela IA será exibido aqui após o processamento dos dados inseridos."
+        )
+
+#---------------------------------------------------------------
+
+# Interface do chat
+st.title("Chat Médico Baseado em Query")
+
+# Exibe as mensagens já enviadas
+for message in st.session_state.messages:
+    with st.chat_message(message["role"]):
+        st.markdown(message["content"])
+
+# Campo de entrada de texto para o usuário
+if prompt := st.chat_input("Digite sua pergunta"):
+    st.session_state.messages.append({"role": "user", "content": prompt})
+    with st.chat_message("user"):
+        st.markdown(prompt)
+
+    # Processa a query e gera a resposta
+    retrieved_context = retrieve(prompt)
+    response = generate_response(prompt, retrieved_context)
+
+    # Adiciona a resposta do bot
+    st.session_state.messages.append({
+        "role": "assistant",
+        "content": response
+    })
+    with st.chat_message("assistant"):
+        st.markdown(response)
+with col5:
+    st.write('')