Upload 2 files

app.py

@@ -121,6 +121,37 @@ def pca_biplot(color_feature="bmi", arrow_scale=2.0, point_size=32, alpha=0.85,
 # ------------------------------
 # UI
 # ------------------------------
+STORY_MD_MEDICAL = r'''
+### Wat is dit en waarom is het belangrijk?  
+
+Artsen en onderzoekers meten vaak heel veel dingen van patiënten: **BMI, bloeddruk, bloedwaarden, cholesterol, suikers** enzovoort.  
+Al die getallen tegelijk vergelijken is bijna onmogelijk.  
+
+Met deze techniek (**PCA-biplot**) maak je er een **kaart** van:  
+- Elk **punt** = één patiënt.  
+- Patiënten die **op elkaar lijken** in hun metingen liggen dicht bij elkaar.  
+- **Kleuren** (bijv. BMI) laten zien of een eigenschap een duidelijke **trend** of **gradiënt** vormt.  
+- **Pijlen** tonen welke metingen het meest bijdragen aan de richting van de kaart.  
+
+> Belangrijk: dit voorbeeld gebruikt een **echte medische dataset** (de `diabetes` dataset uit de scikit-learn bibliotheek).  
+> De gegevens zijn afkomstig uit een onderzoek met **echte mensen**, maar zijn **geanonimiseerd** en uitsluitend bedoeld voor educatie en analyse.  
+
+---
+
+### Wat levert dit op in de medische wetenschap?  
+- Ziekenhuizen kunnen **patronen ontdekken** in grote hoeveelheden patiëntgegevens.  
+- Je ziet of **bepaalde metingen samenhangen** met ziektebeelden of risico’s (bijvoorbeeld of BMI samen oploopt met bepaalde bloedwaarden).  
+- Onderzoekers krijgen zo **hypotheses**: *“Deze groep patiënten lijkt op elkaar — misschien hebben ze een vergelijkbaar risico of dezelfde behandeling nodig.”*  
+- Het helpt ook om **uitbijters** te vinden: patiënten die heel anders scoren dan de rest, wat een signaal kan zijn om nader te onderzoeken.  
+
+---
+
+### Simpel gezegd  
+Dit is een manier om **veel medische informatie overzichtelijk te maken**.  
+Artsen kunnen sneller zien **welke metingen ertoe doen** en **waar mogelijk verbanden zitten**.  
+Dat maakt onderzoek en diagnose een stuk slimmer en efficiënter.  
+'''
+
 with gr.Blocks(title="PCA Biplot — Diabetes (kleur: BMI)") as demo:
     gr.Markdown("# PCA Biplot — Diabetes (kleur: BMI)")
     gr.Markdown("""In deze demo zie je **live** hoe PCA de data samenvat. De punten zijn personen; pijlen laten zien welke features
@@ -140,6 +171,7 @@ with gr.Blocks(title="PCA Biplot — Diabetes (kleur: BMI)") as demo:
             n_components = gr.Slider(2, 10, value=10, step=1, label="Aantal PCA-componenten (voor variatieplot)")
             standardize = gr.Checkbox(value=True, label="Standaardiseer features (aanbevolen)")
             run_btn = gr.Button("Update visualisaties")
+            gr.Markdown(STORY_MD_MEDICAL)
         with gr.Column(scale=2):
             plot_biplot = gr.Plot(label="PCA biplot — punten + pijlen")
             plot_expl = gr.Plot(label="Uitlegvariantie per component")