app.py

# app.py
import tempfile
import requests
import streamlit as st
from services.pdf_processor import extract_text_from_pdf
from services.config import ORQUESTRATOR_URL
import tempfile
import cv2
import time
import base64
from dotenv import load_dotenv

load_dotenv()


# =========================
# 🔧 UTIL
# =========================

def encode_file(path):
    with open(path, "rb") as f:
        return base64.b64encode(f.read()).decode()


# =========================
# 🧠 UI
# =========================

st.title("Análise Multimodal com Suporte Clínico")


# =========================
# ⚙️ CONFIGURAÇÕES
# =========================
MAX_PDF_CHARS = 2000      # Caracteres do PDF
MAX_TEXT_CHARS = 300      # Caracteres do Text Area
MAX_VIDEO_DURATION = 150  # Duração máxima (segundos)
MAX_VIDEO_FPS = 300       # FPS limite

# =========================
# 📥 Uploads
# =========================

video_file = st.file_uploader("Upload de vídeo", type=["mp4"])
pdf_file = st.file_uploader("Upload de laudo PDF (opcional)", type=["pdf"])

manual_text = st.text_area(
    f"Informações clínicas adicionais (máx {MAX_TEXT_CHARS} caracteres)",
    max_chars=MAX_TEXT_CHARS
)


# =========================
# ▶️ BOTÃO
# =========================

if st.button("Analisar"):

    if video_file is None:
        st.error("Envie um vídeo")
        st.stop()

    # =========================
    # 🎥 VALIDAR VÍDEO
    # =========================

    with tempfile.NamedTemporaryFile(delete=False, suffix=".mp4") as tmp_video:
        tmp_video.write(video_file.read())
        video_path = tmp_video.name

    cap = cv2.VideoCapture(video_path)

    fps = cap.get(cv2.CAP_PROP_FPS)
    frame_count = cap.get(cv2.CAP_PROP_FRAME_COUNT)
    duration = frame_count / fps if fps > 0 else 0

    cap.release()

    if duration > MAX_VIDEO_DURATION:
        st.error(f"Vídeo muito longo ({duration:.1f}s). Máx permitido: {MAX_VIDEO_DURATION}s")
        st.stop()

    if fps > MAX_VIDEO_FPS:
        st.error(f"FPS muito alto ({fps:.1f}). Máx permitido: {MAX_VIDEO_FPS}")
        st.stop()

    # =========================
    # 📄 PROCESSAR PDF
    # =========================

    medical_text = ""

    if pdf_file:
        extracted = extract_text_from_pdf(pdf_file)

        if len(extracted) > MAX_PDF_CHARS:
            st.warning(f"PDF truncado para {MAX_PDF_CHARS} caracteres")
            extracted = extracted[:MAX_PDF_CHARS]

        medical_text += extracted

    if manual_text:
        medical_text += "\n\nInformações clínicas adicionais:\n" + manual_text

    # =========================
    # 📡 ENVIAR JOB
    # =========================

    video_base64 = encode_file(video_path)

    data = {
        "video_base64": video_base64,
        "audio_base64": None,
        "medical_text": medical_text,
    }

    with st.spinner("Enviando para processamento..."):

        try:
            response = requests.post(
                ORQUESTRATOR_URL + "/analyze",
                json=data,
                timeout=180
            )
        except Exception as e:
            st.error(f"Erro ao conectar com backend: {e}")
            st.stop()

    if response.status_code != 200:
        st.error(f"Erro no backend: {response.status_code}")
        st.text(response.text)
        st.stop()

    job_id = response.json().get("job_id")

    if not job_id:
        st.error("Job ID não retornado")
        st.stop()

    st.success(f"Job criado: {job_id}")

    # =========================
    # 🔄 POLLING RESULTADO
    # =========================

    progress = st.progress(0)
    status_text = st.empty()

    start_time = time.time()
    timeout = 300  # 5 minutos

    while True:

        if time.time() - start_time > timeout:
            st.error("Timeout aguardando resultado")
            break

        try:
            result = requests.get(
                ORQUESTRATOR_URL + f"/result/{job_id}",
                timeout=10
            ).json()
        except Exception:
            st.warning("Erro ao consultar resultado")
            time.sleep(2)
            continue

        status = result.get("status")

        if status == "queued":
            status_text.info("Na fila...")
            progress.progress(20)

        elif status == "processing":
            status_text.info("Processando...")
            progress.progress(60)

        elif status == "done":
            progress.progress(100)
            status_text.success("Processamento concluído!")

            final = result.get("result")

            if not final:
                st.error("Resultado vazio")
                break

            # =========================
            # 🧠 RESULTADO COMPLETO
            # =========================

            llm = final.get("llm_analysis", {})
            ml = final.get("ml_decision", {})
            emotion = final.get("emotion", {})
            audio = final.get("audio", {})
            video = final.get("video", {})

            # =========================
            # 🚨 LLM (CAMADA CLÍNICA)
            # =========================

            st.header("🚨 Análise Clínica (LLM)")

            col1, col2 = st.columns(2)

            with col1:
                st.subheader("Nível de Risco")
                risk = llm.get("risk_level", "desconhecido")

                if risk.lower() in ["alto", "high"]:
                    st.error(risk)
                elif risk.lower() in ["médio", "medio"]:
                    st.warning(risk)
                else:
                    st.success(risk)

            with col2:
                st.subheader("Revisão Humana")
                if llm.get("requires_human_review"):
                    st.error("⚠️ Necessária")
                else:
                    st.success("Não necessária")

            st.subheader("Alerta")
            st.warning(llm.get("alert"))

            st.subheader("Explicação")
            st.write(llm.get("explanation"))

            st.subheader("Recomendação")
            st.info(llm.get("recommendation"))

            st.caption(llm.get("disclaimer"))
            st.caption(f"Fonte: {llm.get('source')}")

            # =========================
            # 🤖 DECISÃO ML
            # =========================

            st.header("🤖 Decisão do Modelo (ML)")

            col1, col2 = st.columns(2)

            with col1:
                st.subheader("Classificação")

                label = ml.get("label")

                if "AGRESSAO" in label:
                    st.error(label)
                elif "ESTRESSE" in label:
                    st.warning(label)
                elif "APATIA" in label:
                    st.info(label)
                elif "INQUIETACAO" in label:
                    st.warning(label)
                elif "AGITACAO" in label:
                    st.warning(label)
                else:
                    st.success(label)

            with col2:
                st.metric("Confiança", f"{ml.get('confidence', 0):.2f}")

            st.subheader("Evidências")

            evidence = ml.get("evidence", {})

            st.subheader("📊 Indicadores comportamentais")

            col1, col2, col3 = st.columns(3)

            with col1:
                st.metric("Head Movement", f"{evidence.get('head_movement', 0):.3f}")

            with col2:
                st.metric("Arm Movement", f"{evidence.get('arm_movement', 0):.3f}")

            with col3:
                st.metric("Leg Movement", f"{evidence.get('leg_movement', 0):.3f}")

            st.subheader("🧠 Interpretação do comportamento")

            if evidence.get("leg_movement", 0) > evidence.get("arm_movement", 0) * 2:
                st.info("Movimento predominante nas pernas (possível inquietação)")

            if evidence.get("arm_movement", 0) > 0.04:
                st.info("Movimentação elevada de braços (possível agitação)")

            if evidence.get("head_movement", 0) > 0.02:
                st.info("Movimento de cabeça elevado (possível desconforto)")

            st.json(evidence)

            # =========================
            # 😀 EMOÇÃO FACIAL
            # =========================

            st.header("😀 Emoção Facial")

            st.write(f"Emoção detectada: **{emotion.get('emotion')}**")

            # =========================
            # 🎤 ÁUDIO
            # =========================

            st.header("🎤 Análise de Áudio")

            st.subheader("Transcrição")
            st.write(audio.get("transcription"))

            st.subheader("Tradução")
            st.write(audio.get("translation"))

            st.subheader("Sentimento")

            sentiment = audio.get("sentiment", {})

            st.write(f"Emoção: {sentiment.get('emotion')}")
            st.write(f"Confiança: {sentiment.get('confidence')}")

            # =========================
            # 🎥 VÍDEO
            # =========================

            st.header("🎥 Análise de Vídeo")

            video_result = video.get("result", {})
            motion = video_result.get("motion", {})

            col1, col2, col3 = st.columns(3)

            with col1:
                st.metric("Movimento total", f"{motion.get('motion', 0):.3f}")
                st.metric("Movimento corporal", f"{motion.get('body_movement', 0):.3f}")

            with col2:
                st.metric("Mov. cabeça", f"{motion.get('head_movement', 0):.3f}")
                st.metric("Inclinação cabeça", f"{motion.get('head_tilt', 0):.3f}")

            with col3:
                st.metric("Mov. braços", f"{motion.get('arm_movement', 0):.3f}")
                st.metric("Mov. pernas", f"{motion.get('leg_movement', 0):.3f}")

            st.write(f"Pessoa detectada: {motion.get('person_detected')}")

            # =========================
            # 📊 DEBUG COMPLETO
            # =========================

            with st.expander("🔍 JSON completo"):
                st.json(final)

            break

        else:
            status_text.warning("Status desconhecido")

        time.sleep(2)