app.py

import gradio as gr
import pandas as pd
import joblib
import numpy as np
import shap
import matplotlib.pyplot as plt
import xgboost as xgb

# 1. ЗАГРУЗКА МОДЕЛИ И КОНФИГУРАЦИЙ
try:
    model = xgb.XGBClassifier()
    model.load_model('xgboost_model.json')
    feature_names = joblib.load('feature_names.joblib')
    # Загружаем ожидаемое значение для SHAP
    expected_value = joblib.load('shap_expected_value.joblib')
    if isinstance(expected_value, (list, np.ndarray)):
        expected_value = expected_value[0]
except Exception as e:
    print(f"Ошибка загрузки файлов: {e}")

def predict_risk(*args):
    # Преобразование входных данных
    data_list = list(args)
    # Пол: Мужской -> 1, Женский -> 2
    data_list[1] = 1 if data_list[1] == "Мужской" else 2
    
    input_df = pd.DataFrame([data_list], columns=feature_names)
    
    # Исходная вероятность от модели
    raw_prob = model.predict_proba(input_df)[0][1]
    
    # --- ЛОГИКА РЕКОМЕНДАЦИЙ И ПРОВЕРКА ОТКЛОНЕНИЙ ---
    recs = ["## 📋 Персонализированный медицинский отчет:"]
    critical_alerts = 0
    
    # Проверка АД
    if data_list[6] >= 140 or data_list[7] >= 90:
        recs.append(f"🔴 **Артериальная гипертензия ({int(data_list[6])}/{int(data_list[7])}):** Давление выше нормы (120/80). Это главный фактор нагрузки на сосуды и сердце.")
        critical_alerts += 1
    
    # Проверка сахара (HbA1c)
    if data_list[8] > 5.7:
        recs.append(f"🔴 **Гликированный гемоглобин ({data_list[8]}%):** Указывает на риск преддиабета (норма до 5.7%). Рекомендуется диета с низким ГИ.")
        critical_alerts += 1
        
    # Проверка воспаления (СРБ)
    if data_list[9] > 3.0:
        recs.append(f"🔴 **Системное воспаление (СРБ {data_list[9]} мг/л):** Маркер высокого биологического стресса. Ищите скрытые очаги инфекции.")
        critical_alerts += 1
        
    # Проверка сна
    if data_list[16] < 7:
        recs.append(f"😴 **Дефицит сна ({data_list[16]}ч):** Сон менее 7 часов блокирует восстановление нервной системы и повышает аллостатический износ.")
        critical_alerts += 1
        
    # Проверка депрессии
    if data_list[17] >= 10:
        recs.append(f"🧠 **Психоэмоциональный стресс (PHQ-9: {data_list[17]}):** Высокий уровень депрессии истощает ресурсы адаптации.")
        critical_alerts += 1

    # Проверка экологии (Свинец)
    if data_list[13] > 1.5:
        recs.append(f"☣️ **Токсическая нагрузка:** Повышен уровень свинеца в крови. Проверьте экологию жилища и качество воды.")
        critical_alerts += 1

    # --- КАЛИБРОВКА РЕЗУЛЬТАТА ---
    # Если критических отклонений мало или нет, мы снижаем вероятность, чтобы избежать ложноположительных результатов
    if critical_alerts == 0:
        calibrated_prob = raw_prob * 0.15 # Снижаем в несколько раз
        recs = ["## ✅ Ваш биологический статус: В норме", "Система не выявила критических отклонений. Ваш организм успешно справляется с текущими нагрузками. Продолжайте соблюдать режим сна и питания."]
    elif critical_alerts < 2:
        calibrated_prob = raw_prob * 0.6
    else:
        calibrated_prob = raw_prob

    # Ограничиваем вероятность для красоты вывода
    display_prob = np.clip(calibrated_prob, 0.01, 0.99)
    risk_level = "ВЫСОКИЙ (Требуется коррекция)" if display_prob > 0.5 else "НИЗКИЙ (Норма)"
    
    # --- ГРАФИК SHAP ---
    explainer = shap.TreeExplainer(model)
    shap_values = explainer.shap_values(input_df)
    
    plt.figure(figsize=(16, 4))
    ru_cols = [
        "Возраст", "Пол", "Доход", "Образование", "ИМТ", "Талия",
        "Систол. АД", "Диастол. АД", "Глик. гемоглобин", "СРБ", "Инсулин",
        "Холестерин", "ЛПВП", "Свинец", "Кадмий", "Фталаты", "Сон", "Депрессия"
    ]
    input_df_ru = input_df.copy()
    input_df_ru.columns = ru_cols

    shap.force_plot(
        expected_value, 
        shap_values[0], 
        input_df_ru.iloc[0], 
        matplotlib=True, 
        show=False,
        contribution_threshold=0.03
    )
    plt.tight_layout()
    shap_plot = plt.gcf()
    
    return f"{display_prob:.1%}", risk_level, shap_plot, "\n\n".join(recs)

# 3. ИНТЕРФЕЙС GRADIO
with gr.Blocks(title="ПолиСен 2.5") as demo:
    gr.Markdown("# 🏥 Система «ПолиСен» (v2.5)")
    gr.Markdown("Оценка биологического износа на основе метаболических и экологических маркеров.")
    
    with gr.Row():
        with gr.Column():
            gr.Markdown("#### 🧬 Образ жизни и Демография")
            age = gr.Slider(18, 85, value=40, step=1, label="Возраст")
            gender = gr.Radio(["Мужской", "Женский"], value="Мужской", label="Пол")
            income = gr.Slider(0.0, 5.0, value=3.0, step=0.1, label="Индекс дохода")
            edu = gr.Slider(1, 5, value=4, step=1, label="Образование (1-5)")
            bmi = gr.Slider(15.0, 50.0, value=24.0, step=0.1, label="ИМТ (BMI)")
            waist = gr.Slider(60, 150, value=85, step=1, label="Талия (см)")
            sleep = gr.Slider(3.0, 12.0, value=8.0, step=0.5, label="Часы сна")
            phq9 = gr.Slider(0, 27, value=3, step=1, label="Депрессия (PHQ-9)")

        with gr.Column():
            gr.Markdown("#### 🩸 Лабораторные маркеры")
            sys_bp = gr.Slider(90, 200, value=120, step=1, label="Систолическое АД")
            dia_bp = gr.Slider(60, 120, value=80, step=1, label="Диастолическое АД")
            hba1c = gr.Slider(4.0, 12.0, value=5.2, step=0.1, label="Глик. гемоглобин (%)")
            hscrp = gr.Slider(0.0, 10.0, value=0.7, step=0.1, label="СРБ (мг/л)")
            insulin = gr.Slider(2.0, 100.0, value=8.0, step=1, label="Инсулин")
            chol = gr.Slider(120, 300, value=185, step=1, label="Холестерин")
            hdl = gr.Slider(20, 100, value=60, step=1, label="ЛПВП (HDL)")
            lead = gr.Slider(0.0, 5.0, value=0.2, step=0.01, label="Свинец")
            cadm = gr.Slider(0.0, 3.0, value=0.1, step=0.01, label="Кадмий")
            phth = gr.Slider(0.0, 500.0, value=20.0, step=1, label="Фталаты")

    inputs = [age, gender, income, edu, bmi, waist, sys_bp, dia_bp, hba1c, hscrp, insulin, chol, hdl, lead, cadm, phth, sleep, phq9]
    
    btn = gr.Button("🚀 ЗАПУСТИТЬ ПОЛНЫЙ АНАЛИЗ", variant="primary")

    with gr.Row():
        with gr.Column(scale=1):
            out_prob = gr.Label(label="Риск перегрузки")
            out_level = gr.Textbox(label="Клинический статус")
        with gr.Column(scale=2):
            out_plot = gr.Plot(label="Вклад факторов")

    out_rec = gr.Markdown()

    btn.click(predict_risk, inputs=inputs, outputs=[out_prob, out_level, out_plot, out_rec])

if __name__ == "__main__":
    demo.launch(theme=gr.themes.Soft(primary_hue="teal"))