# -*- coding: utf-8 -*-
"""
CKD Markov 預測應用 - Streamlit 完整最終版
=======================================================================
功能完整版本：改進首頁 + 患者預測 + 智能AI對話
"""

import streamlit as st
import pandas as pd
import numpy as np
import plotly.graph_objects as go
import plotly.express as px
import os
from datetime import datetime
import json
from openai import OpenAI

# 自訂模塊
import sys
sys.path.insert(0, os.path.dirname(__file__))

from ckd_markov_final_predictor import CKDMarkovPredictor

# ============================================================
# 頁面配置
# ============================================================
st.set_page_config(
    page_title="CKD Markov 風險預測系統",
    page_icon="🏥",
    layout="wide",
    initial_sidebar_state="expanded"
)

st.markdown("""
    <style>
    .metric-card {
        background-color: #f0f2f6;
        padding: 20px;
        border-radius: 10px;
        margin: 10px 0;
    }
    </style>
""", unsafe_allow_html=True)

# ============================================================
# 初始化 session state
# ============================================================
if "messages" not in st.session_state:
    st.session_state.messages = []

if "current_patient_data" not in st.session_state:
    st.session_state.current_patient_data = None

if "intervention_results" not in st.session_state:
    st.session_state.intervention_results = None

if "prediction_results" not in st.session_state:
    st.session_state.prediction_results = None

if "visit_data" not in st.session_state:
    st.session_state.visit_data = []

# ============================================================
# 初始化模型
# ============================================================
@st.cache_resource
def load_model():
    """載入Markov模型"""
    theta_path = './10cov_theta.npy'
    q_path = './10cov_Q_params.csv'
    
    if os.path.exists(theta_path) and os.path.exists(q_path):
        return CKDMarkovPredictor(theta_path, q_path)
    else:
        st.error("⚠️ 模型文件未找到！")
        return None

# ============================================================
# 側邊欄 - 導航和設定
# ============================================================
def judge_ckd_state_kdigo(egfr, pro_coded):
    """
    根據 KDIGO 標準判斷 CKD 狀態
    
    蛋白尿分類：
    - A1: 正常 (-) → pro_coded < 1
    - A2: 微量 (+/-) → pro_coded == 1
    - A3: ≥1+ → pro_coded >= 2
    """
    
    # 判斷蛋白尿分類
    if pro_coded < 1:
        albuminuria = "A1"
    elif pro_coded == 1:
        albuminuria = "A2"
    else:
        albuminuria = "A3"
    
    # 根據 KDIGO 表判斷狀態和等級
    if egfr >= 90:
        gfr_grade = "G1"
        if albuminuria == "A1":
            state_idx, state_name = 0, "Low"
        elif albuminuria == "A2":
            state_idx, state_name = 1, "Moderate"
        else:
            state_idx, state_name = 2, "High"
    elif egfr >= 60:
        gfr_grade = "G2"
        if albuminuria == "A1":
            state_idx, state_name = 0, "Low"
        elif albuminuria == "A2":
            state_idx, state_name = 1, "Moderate"
        else:
            state_idx, state_name = 2, "High"
    elif egfr >= 45:
        gfr_grade = "G3a"
        if albuminuria == "A1":
            state_idx, state_name = 1, "Moderate"
        elif albuminuria == "A2":
            state_idx, state_name = 2, "High"
        else:
            state_idx, state_name = 3, "VeryHigh"
    elif egfr >= 30:
        gfr_grade = "G3b"
        if albuminuria == "A1":
            state_idx, state_name = 2, "High"
        else:
            state_idx, state_name = 3, "VeryHigh"
    elif egfr >= 15:
        gfr_grade = "G4"
        state_idx, state_name = 3, "VeryHigh"
    else:
        gfr_grade = "G5"
        state_idx, state_name = 3, "VeryHigh"
    
    return state_idx, state_name, gfr_grade, albuminuria


st.sidebar.title("🏥 CKD Markov 風險預測")
st.sidebar.markdown("---")

page = st.sidebar.radio(
    "選擇功能：",
    ["🏠 首頁", "👤 單患者預測", "👥 多患者對比", "📊 患者追蹤", "💬 AI 諮詢", "📋 患者記錄"]
)

st.sidebar.markdown("---")

# API 設定部分
with st.sidebar.expander("🔑 OpenAI API 設定", expanded=False):
    st.markdown("### 輸入你的 API Key")
    
    api_key_input = st.text_input(
        "API Key",
        type="password",
        value=st.session_state.get("openai_api_key", ""),
        help="從 https://platform.openai.com/api/keys 取得"
    )
    
    if api_key_input:
        st.session_state.openai_api_key = api_key_input
        st.success("✅ API Key 已設定")

st.sidebar.markdown("---")

# ============================================================
# 頁面 1：首頁 - 改進版
# ============================================================
if page == "🏠 首頁":
    st.title("🏥 多階段CKD疾病進展機器學習預測模型")
    
    st.markdown("""
    ## 🎯 AI 驅動的腎臟病風險評估與臨床決策支持
    
    基於馬可夫連鎖模型的 CKD 進展預測，整合機器學習和 ChatGPT 智能對話
    """)
    
    st.markdown("---")
    
    # 系統功能概覽卡片
    st.subheader("✨ 核心功能")
    
    col1, col2, col3, col4 = st.columns(4)
    
    with col1:
        st.metric("📊 預測功能", "完整", "7 轉移")
    with col2:
        st.metric("🤖 AI 對話", "實時", "個性化")
    with col3:
        st.metric("📈 批量處理", "CSV/Excel", "自動")
    with col4:
        st.metric("💾 數據記憶", "自動", "智能")
    
    st.markdown("---")
    
    # KDIGO CKD 分類表
    st.subheader("🔬 KDIGO CKD 分類（eGFR × 蛋白尿）")
    
    st.markdown("""
    系統使用 KDIGO 標準將 CKD 分為 **5 個風險等級**：
    
    | eGFR 分級 | 正常 (A1) | 微量 (A2) | ≥1+ (A3) |
    |---------|---------|---------|---------|
    | G1 (≥90) | **Low** | Moderate | High |
    | G2 (60-89) | **Low** | Moderate | High |
    | G3a (45-59) | Moderate | High | **VeryHigh** |
    | G3b (30-44) | High | **VeryHigh** | VeryHigh |
    | G4 (15-29) | **VeryHigh** | VeryHigh | VeryHigh |
    | G5 (<15) | **VeryHigh** | VeryHigh | VeryHigh |
    
    > 📌 **關鍵概念：**
    > - **eGFR**：估計腎臟過濾能力（mL/min/1.73m²）
    > - **蛋白尿**：A1=正常(-)，A2=微量(+/-)，A3=≥1+
    > - 同一 eGFR 等級下，蛋白尿越多，風險越高
    """)
    
    st.markdown("---")
    st.subheader("📋 CKD 5個狀態分類")
    
    states_visual = pd.DataFrame({
        '狀態': ['Low', 'Moderate', 'High', 'VeryHigh', 'Dialysis'],
        '定義': ['eGFR≥90', 'G2-3a或有蛋白尿', 'G3b', 'G4-5或有蛋白尿', '已進入透析'],
        '風險': [10, 25, 50, 75, 95],
    })
    
    fig_states = go.Figure()
    
    fig_states.add_trace(go.Bar(
        x=states_visual['狀態'],
        y=states_visual['風險'],
        marker=dict(
            color=['green', 'yellow', 'orange', 'red', 'darkred'],
            line=dict(color='black', width=2)
        ),
        text=states_visual['定義'],
        textposition='outside',
        showlegend=False
    ))
    
    fig_states.update_layout(
        title="CKD 狀態與相對風險程度",
        xaxis_title="CKD 狀態",
        yaxis_title="相對風險",
        height=350,
        template='plotly_white'
    )
    
    st.plotly_chart(fig_states, use_container_width=True)
    
    # 狀態轉移圖
    st.markdown("---")
    st.subheader("🔄 CKD 狀態轉移路徑")
    
    col1, col2 = st.columns(2)
    
    with col1:
        st.markdown("""
        ### 前進轉移（惡化）
        
        🔴 **進展方向：**
        - Low → Moderate
        - Moderate → High
        - High → VeryHigh
        - VeryHigh → Dialysis
        
        危險因素：年齡、血糖、血壓、尿酸
        """)
    
    with col2:
        st.markdown("""
        ### 後退轉移（改善）
        
        🟢 **改善方向：**
        - Moderate → Low
        - High → Moderate
        - VeryHigh → High
        
        保護因素：血糖控制、血壓控制、蛋白質限制
        """)
    
    st.markdown("---")
    
    # 使用流程
    st.subheader("🚀 四步快速開始")
    
    col1, col2, col3, col4 = st.columns(4)
    
    with col1:
        st.markdown("""
        ### ① 輸入數據
        👤 **單患者預測**
        
        輸入：
        - 年齡、性別
        - 血壓、血糖
        - 腎功能、蛋白尿
        """)
    
    with col2:
        st.markdown("""
        ### ② AI 預測
        🔮 **自動計算**
        
        獲得：
        - 5年洗腎風險
        - 10年洗腎風險
        - 風險分層
        - 轉移速率
        """)
    
    with col3:
        st.markdown("""
        ### ③ 智能對話
        💬 **AI 諮詢**
        
        ChatGPT：
        - 記住患者數據
        - 個性化回答
        - 臨床建議
        """)
    
    with col4:
        st.markdown("""
        ### ④ 決策支持
        📊 **臨床應用**
        
        支持：
        - 隨訪計劃
        - 轉介決策
        - 患者教育
        """)
    
    st.markdown("---")
    
    # 風險分層表
    st.subheader("🎨 風險分層與臨床決策")
    
    risk_data = pd.DataFrame({
        '風險等級': ['🟢 低風險', '🟡 中等風險', '🟠 高風險', '🔴 極高風險'],
        '5年洗腎風險': ['< 5%', '5-15%', '15-30%', '> 30%'],
        '建議隨訪頻率': ['年 1 次', '半年 1 次', '每季 1 次', '每月 1 次'],
        '臨床行動': ['常規管理', '強化血壓血糖控制', '準備透析通路評估', '準備透析治療']
    })
    
    st.dataframe(risk_data, use_container_width=True, hide_index=True)
    
    st.markdown("---")
    
    # 模型特性
    st.subheader("🔬 模型特性與驗證")
    
    col1, col2, col3 = st.columns(3)
    
    with col1:
        st.success("""
        ### 📊 訓練數據規模
        
        ✅ **樣本數**：21,756 轉移段
        ✅ **患者數**：5,455 人
        ✅ **隨訪期**：平均 3.5 年
        ✅ **完整率**：99.2%
        """)
    
    with col2:
        st.info("""
        ### 🧮 模型結構
        
        📌 **狀態**：5 個
        📌 **轉移**：7 種（前進 4 + 後退 3）
        📌 **協變數**：10 個
        📌 **參數**：77 個
        """)
    
    with col3:
        st.warning("""
        ### ⚙️ 技術細節
        
        🔧 **方法**：最大似然估計
        🔧 **優化**：L-BFGS-B
        🔧 **驗證**：Hessian 反演
        🔧 **變數**：標準化
        """)
    
    st.markdown("---")
    
    # 10 個協變數說明
    st.subheader("📊 10 個預測協變數")
    
    covariates_info = pd.DataFrame({
        '協變數': ['age_at_screening', 'hi_UA', 'RBC', 'PDH_HP', 'GENDER', 'sbp', 'waist', 'WBC', 'GLUCOSE', 'EDU_high'],
        '中文名稱': ['年齡', '高尿酸', '紅血球', '高血壓病史', '性別', '收縮壓', '腰圍', '白血球', '血糖', '高教育'],
        '變數類型': ['連續', '二元', '連續', '二元', '二元', '連續', '連續', '連續', '連續', '二元'],
        '臨床意義': ['年紀越大風險越高', '尿酸升高增加風險', '貧血增加風險', '高血壓增加風險', '性別差異', '血壓升高增加風險', '肥胖增加風險', '感染風險', '血糖升高增加風險', '教育程度保護']
    })
    
    st.dataframe(covariates_info, use_container_width=True, hide_index=True)
    
    st.markdown("---")
    
    # 智能對話功能
    st.subheader("🤖 智能 AI 對話功能")
    
    st.markdown("""
    ### 💡 三個特點
    
    **1️⃣ 自動記憶患者數據**
    - 你在「單患者預測」輸入的所有信息，系統自動保存
    - 無需重複輸入
    
    **2️⃣ 個性化智能回答**
    - ChatGPT 知道患者的年齡、血糖、洗腎風險等具體數據
    - 提供的建議是針對這位患者，不是通用建議
    
    **3️⃣ 持續對話支持**
    - 保留完整對話記錄
    - 支持追問和深入討論
    
    ### 📝 可以問的問題範例
    
    - 「這位患者的 5 年洗腎風險為什麼是 72.5%？」
    - 「他/她應該怎樣控制血糖？」
    - 「需要準備透析通路嗎？」
    - 「下次隨訪應該檢查什麼項目？」
    - 「有飲食建議嗎？」
    - 「什麼時候應該轉介給腎臟科？」
    """)
    
    st.info(
        "**✨ 開始使用：**\n\n"
        "1. 👉 點左側「👤 單患者預測」\n"
        "2. 👉 輸入患者信息並點「🔮 預測」\n"
        "3. 👉 再點「💬 AI 諮詢」開始對話！\n\n"
        "系統會自動記住這位患者的所有信息 🎉"
    )

# ============================================================
# 頁面 2：單患者預測
# ============================================================
elif page == "👤 單患者預測":
    st.title("👤 單患者 CKD 風險預測")
    
    predictor = load_model()
    if predictor is None:
        st.stop()
    
    # 初始化session state用來保存預測結果
    if "prediction_results" not in st.session_state:
        st.session_state.prediction_results = None
    
    with st.form("patient_form"):
        st.subheader("📋 患者信息與協變數")
        
        col1, col2, col3 = st.columns(3)
        
        with col1:
            patient_id = st.text_input("患者ID", value="P001")
            patient_name = st.text_input("患者姓名", value="")
        
        with col2:
            age = st.slider("年齡", 20, 100, 60)
            gender = st.radio("性別", ["女 (0)", "男 (1)"], horizontal=True)
            gender_val = 0 if gender == "女 (0)" else 1
        
        with col3:
            st.markdown("### 腎功能指標")
            egfr = st.number_input("eGFR (mL/min/1.73m²)", 5, 120, 60)
            pro_coded = st.selectbox(
                "尿蛋白",
                ["陰性 (0)", "微量 (1)", "1+ (2)", "2+ (3)", "3+ (4)", "4+ (5)"],
                index=0
            )
            pro_coded_val = int(pro_coded.split("(")[1].strip(")"))
            
            # 自動判斷 CKD 狀態
            def judge_ckd_state(egfr, pro_coded):
                """
                根據 KDIGO 標準判斷 CKD 狀態
                
                蛋白尿分類：
                - A1: 正常 (-) → pro_coded < 1
                - A2: 微量 (+/-) → pro_coded == 1
                - A3: ≥1+ → pro_coded >= 2
                """
                
                # 判斷蛋白尿分類
                if pro_coded < 1:
                    albuminuria = "A1"
                elif pro_coded == 1:
                    albuminuria = "A2"
                else:
                    albuminuria = "A3"
                
                # 根據 KDIGO 表判斷狀態和等級
                if egfr >= 90:
                    gfr_grade = "G1"
                    if albuminuria == "A1":
                        state_idx, state_name = 0, "Low"
                    elif albuminuria == "A2":
                        state_idx, state_name = 1, "Moderate"
                    else:
                        state_idx, state_name = 2, "High"
                elif egfr >= 60:
                    gfr_grade = "G2"
                    if albuminuria == "A1":
                        state_idx, state_name = 0, "Low"
                    elif albuminuria == "A2":
                        state_idx, state_name = 1, "Moderate"
                    else:
                        state_idx, state_name = 2, "High"
                elif egfr >= 45:
                    gfr_grade = "G3a"
                    if albuminuria == "A1":
                        state_idx, state_name = 1, "Moderate"
                    elif albuminuria == "A2":
                        state_idx, state_name = 2, "High"
                    else:
                        state_idx, state_name = 3, "VeryHigh"
                elif egfr >= 30:
                    gfr_grade = "G3b"
                    if albuminuria == "A1":
                        state_idx, state_name = 2, "High"
                    else:
                        state_idx, state_name = 3, "VeryHigh"
                elif egfr >= 15:
                    gfr_grade = "G4"
                    state_idx, state_name = 3, "VeryHigh"
                else:
                    gfr_grade = "G5"
                    state_idx, state_name = 3, "VeryHigh"
                
                return state_idx, state_name, gfr_grade, albuminuria
            
            state_idx, state_name, gfr_grade, albuminuria = judge_ckd_state(egfr, pro_coded_val)
            st.info(f"✅ **自動判斷狀態：{state_name}**\n\n**KDIGO 分類：** {gfr_grade} {albuminuria}\n**eGFR：** {egfr} mL/min/1.73m²\n**尿蛋白：** {pro_coded.split('(')[0].strip()}")
        
        st.markdown("---")
        st.subheader("🔬 生化檢驗與測量")
        
        col1, col2, col3, col4, col5 = st.columns(5)
        
        with col1:
            hi_ua = st.selectbox("高尿酸", ["否 (0)", "是 (1)"], index=0)
            hi_ua_val = int(hi_ua.split("(")[1].strip(")"))
        
        with col2:
            rbc = st.number_input("紅血球 (RBC)", 2.0, 8.0, 4.5, 0.1)
        
        with col3:
            sbp = st.number_input("收縮壓", 80, 200, 130)
        
        with col4:
            wbc = st.number_input("白血球 (WBC)", 2.0, 15.0, 7.0, 0.1)
        
        with col5:
            glucose = st.number_input("血糖", 50, 300, 110)
        
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            waist = st.number_input("腰圍", 60, 150, 85)
        
        with col2:
            pdh_hp = st.selectbox("高血壓病史", ["否 (0)", "是 (1)"], index=0)
            pdh_hp_val = int(pdh_hp.split("(")[1].strip(")"))
        
        with col3:
            edu_high = st.selectbox("高教育程度", ["否 (0)", "是 (1)"], index=0)
            edu_high_val = int(edu_high.split("(")[1].strip(")"))
        
        with col4:
            st.empty()
        
        st.markdown("---")
        submitted = st.form_submit_button("🔮 預測", use_container_width=True)
    
    if submitted:
        covariates = {
            'age_at_screening': age,
            'hi_UA': hi_ua_val,
            'RBC': rbc,
            'PDH_HP': pdh_hp_val,
            'GENDER': gender_val,
            'sbp': sbp,
            'waist': waist,
            'WBC': wbc,
            'GLUCOSE': glucose,
            'EDU_high': edu_high_val,
        }
        
        pred_5y = predictor.predict(covariates, start_state=state_idx, years=5)
        pred_10y = predictor.predict(covariates, start_state=state_idx, years=10)
        
        # 保存所有結果到session_state
        st.session_state.prediction_results = {
            'covariates': covariates,
            'pred_5y': pred_5y,
            'pred_10y': pred_10y,
            'state_idx': state_idx,
            'age': age,
            'gender_val': gender_val,
            'sbp': sbp,
            'glucose': glucose,
            'waist': waist,
            'rbc': rbc,
            'wbc': wbc,
            'hi_ua_val': hi_ua_val,
            'pdh_hp_val': pdh_hp_val,
            'edu_high_val': edu_high_val,
            'patient_id': patient_id,
            'patient_name': patient_name
        }
    
    # 如果有保存的預測結果，就顯示
    if st.session_state.prediction_results is not None:
        results = st.session_state.prediction_results
        covariates = results['covariates']
        pred_5y = results['pred_5y']
        pred_10y = results['pred_10y']
        state_idx = results['state_idx']
        age = results['age']
        gender_val = results['gender_val']
        sbp = results['sbp']
        glucose = results['glucose']
        waist = results['waist']
        rbc = results['rbc']
        wbc = results['wbc']
        hi_ua_val = results['hi_ua_val']
        pdh_hp_val = results['pdh_hp_val']
        edu_high_val = results['edu_high_val']
    
        dial_5y = pred_5y['final_probs']['Dialysis'] * 100
        dial_10y = pred_10y['final_probs']['Dialysis'] * 100
        
        if dial_5y < 5:
            risk_level = "🟢 低風險"
        elif dial_5y < 15:
            risk_level = "🟡 中等風險"
        elif dial_5y < 30:
            risk_level = "🟠 高風險"
        else:
            risk_level = "🔴 極高風險"
        
        # 保存患者數據到 session state
        st.session_state.current_patient_data = {
            'patient_id': results.get('patient_id', patient_id),
            'patient_name': results.get('patient_name', patient_name),
            'age': age,
            'gender': gender_val,
            'gender_text': "男" if gender_val == 1 else "女",
            # 腎功能指標
            'egfr': egfr,
            'pro_coded': pro_coded_val,
            'pro_text': pro_coded.split("(")[0].strip(),
            # CKD 狀態
            'state': state_name,
            'state_idx': state_idx,
            'gfr_grade': gfr_grade,
            'albuminuria': albuminuria,
            'kdigo_class': f"{gfr_grade} {albuminuria}",
            # 臨床指標
            'hi_ua': hi_ua_val,
            'rbc': rbc,
            'pdh_hp': pdh_hp_val,
            'pdh_hp_text': "是" if pdh_hp_val == 1 else "否",
            'sbp': sbp,
            'waist': waist,
            'wbc': wbc,
            'glucose': glucose,
            'edu_high': edu_high_val,
            'edu_high_text': "高" if edu_high_val == 1 else "一般",
            # 風險評估
            'dial_5y': dial_5y,
            'dial_10y': dial_10y,
            'risk_level': risk_level
        }
        
        st.success("✅ 預測完成！")
        
        st.subheader("📊 預測結果")
        
        col1, col2, col3, col4 = st.columns(4)
        with col1:
            st.metric("當前狀態", st.session_state.current_patient_data['state'])
        with col2:
            st.metric("洗腎風險 (5年)", f"{dial_5y:.1f}%")
        with col3:
            st.metric("洗腎風險 (10年)", f"{dial_10y:.1f}%")
        with col4:
            st.metric("風險分層", risk_level)
        
        st.markdown("---")
        
        st.subheader("📈 轉移概率預測")
        
        col1, col2 = st.columns(2)
        
        with col1:
            states = ["Low", "Moderate", "High", "VeryHigh", "Dialysis"]
            probs_5y = [pred_5y['final_probs'][s] * 100 for s in states]
            
            fig_5y = go.Figure(data=[
                go.Bar(x=states, y=probs_5y, marker_color=['green', 'yellow', 'orange', 'red', 'darkred'])
            ])
            fig_5y.update_layout(title="5年狀態預測概率", xaxis_title="狀態", yaxis_title="概率 (%)", height=400, showlegend=False)
            fig_5y.update_xaxes(tickformat="%Y-%m-%d")
            st.plotly_chart(fig_5y, use_container_width=True)
        
        with col2:
            probs_10y = [pred_10y['final_probs'][s] * 100 for s in states]
            
            fig_10y = go.Figure(data=[
                go.Bar(x=states, y=probs_10y, marker_color=['green', 'yellow', 'orange', 'red', 'darkred'])
            ])
            fig_10y.update_layout(title="10年狀態預測概率", xaxis_title="狀態", yaxis_title="概率 (%)", height=400, showlegend=False)
            fig_10y.update_xaxes(tickformat="%Y-%m-%d")
            st.plotly_chart(fig_10y, use_container_width=True)
        
        st.markdown("---")
        st.success("✅ 患者數據已保存！現在可以去「💬 AI 諮詢」頁面跟 ChatGPT 討論這位患者！")
        
        st.markdown("---")
        
        # 協變數影響 - 民眾版本
        st.subheader("💊 哪些因素會影響洗腎風險？")
        
        q_params = predictor.q_params
        h4_idx = 3
        if len(q_params) > h4_idx:
            h4_params = q_params.iloc[h4_idx]
            cov_names = ['age_at_screening', 'hi_UA', 'RBC', 'PDH_HP', 'GENDER', 'sbp', 'waist', 'WBC', 'GLUCOSE', 'EDU_high']
            cov_labels = ['年齡', '高尿酸', '紅血球', '高血壓病史', '性別', '收縮壓', '腰圍', '白血球', '血糖', '教育程度']
            
            # 詳細說明
            factor_explanations = {
                '年齡': '年紀越大，腎臟功能衰退風險越高',
                '高尿酸': '尿酸升高會加重腎臟損傷，增加風險',
                '紅血球': '貧血（紅血球低）會加重腎臟缺氧，增加風險',
                '高血壓病史': '長期高血壓直接損傷腎臟，增加風險',
                '性別': '男性患者風險相對較高',
                '收縮壓': '血壓越高，對腎臟損傷越大，增加風險',
                '腰圍': '腹部肥胖增加腎臟負擔，增加風險',
                '白血球': '白血球低可能代表免疫功能差，增加風險；但過高可能代表感染，也會增加風險',
                '血糖': '血糖升高會損傷腎小球，增加風險',
                '教育程度': '教育程度高的患者自我管理能力強，能降低風險'
            }
            
            betas = [h4_params[f'beta_{c}'] for c in cov_names]
            
            # 建立易懂的資料框
            impact_list = []
            for label, beta in zip(cov_labels, betas):
                if beta > 0:
                    impact = "🔴 增加風險"
                    direction = "升高"
                else:
                    impact = "🟢 降低風險"
                    direction = "升高"
                
                impact_list.append({
                    '健康指標': label,
                    '影響': impact,
                    '影響程度': abs(beta),
                    '詳細說明': factor_explanations.get(label, ''),
                    '方向': direction
                })
            
            impact_df = pd.DataFrame(impact_list).sort_values('影響程度', ascending=False)
            
            col1, col2 = st.columns(2)
            
            with col1:
                st.markdown("### 🔴 會增加洗腎風險的因素")
                increase = impact_df[impact_df['影響'] == "🔴 增加風險"][['健康指標', '詳細說明', '影響程度']].head(5)
                for idx, row in increase.iterrows():
                    st.markdown(f"""
**{row['健康指標']}** (影響程度：{row['影響程度']:.2f})
- {row['詳細說明']}
                    """)
            
            with col2:
                st.markdown("### 🟢 會降低洗腎風險的因素")
                decrease = impact_df[impact_df['影響'] == "🟢 降低風險"][['健康指標', '詳細說明', '影響程度']].head(5)
                for idx, row in decrease.iterrows():
                    st.markdown(f"""
**{row['健康指標']}** (保護程度：{row['影響程度']:.2f})
- {row['詳細說明']}
                    """)
            
            # 圖表
            fig_beta = px.bar(
                impact_df.head(10),
                x='影響程度',
                y='健康指標',
                color='影響',
                color_discrete_map={'🔴 增加風險': '#ff6b6b', '🟢 降低風險': '#51cf66'},
                title='各項健康指標對洗腎風險的影響程度',
                height=400,
                orientation='h',
                labels={'健康指標': '', '影響程度': '影響強度'},
                hover_data=['詳細說明']
            )
            fig_beta.update_layout(showlegend=False)
            st.plotly_chart(fig_beta, use_container_width=True)
            
            st.info(
                "💡 **怎麼理解這個圖？**\n\n"
                "• 🔴 **紅色柱子** = 這個因素會增加洗腎風險（數值越高越危險）\n"
                "• 🟢 **綠色柱子** = 這個因素會降低洗腎風險（需要維持在良好狀態）\n"
                "• **柱子越長** = 影響越大\n\n"
                "例如：\n"
                "- 白血球低 → 增加風險（需要提升白血球）\n"
                "- 紅血球低 → 增加風險（需要治療貧血）\n"
                "- 年齡增加 → 增加風險（無法改變，但可以強化其他管理）"
            )
        
        st.markdown("---")
        
        # 時間序列曲線
        st.subheader("📉 時間序列預測曲線")
        
        times_5y = pred_5y['times']
        probs_traj = pred_5y['probs']
        
        fig_traj = go.Figure()
        colors = ['green', 'yellow', 'orange', 'red', 'darkred']
        
        for i, state in enumerate(states):
            fig_traj.add_trace(go.Scatter(
                x=times_5y,
                y=probs_traj[:, i] * 100,
                mode='lines',
                name=state,
                line=dict(color=colors[i], width=2)
            ))
        
        fig_traj.update_layout(
            title="5年轉移概率時間序列",
            xaxis_title="時間 (年)",
            yaxis_title="概率 (%)",
            hovermode='x unified',
            height=450
        )
        st.plotly_chart(fig_traj, use_container_width=True)
        
        st.markdown("---")
        
        # 轉移速率表（摺疊）
        with st.expander("⚙️ 技術詳情 - 轉移速率", expanded=False):
            st.markdown("_僅供研究人員參考_")
            
            Q = pred_5y['Q']
            hazard_names = [
                'h1: Low→Moderate',
                'h2: Moderate→High',
                'h3: High→VeryHigh',
                'h4: VeryHigh→Dialysis',
                'b1: Moderate→Low',
                'b2: High→Moderate',
                'b3: VeryHigh→High'
            ]
            hazard_info = []
            
            hazards = [(0,1), (1,2), (2,3), (3,4), (1,0), (2,1), (3,2)]
            for i, (from_s, to_s) in enumerate(hazards):
                rate = Q[from_s, to_s]
                hazard_info.append({
                    'Hazard': hazard_names[i],
                    '速率 (/年)': f"{rate:.6f}",
                    '倒數 (年)': f"{1/rate:.2f}" if rate > 0 else "∞"
                })
            
            hazard_df = pd.DataFrame(hazard_info)
            st.dataframe(hazard_df, use_container_width=True, hide_index=True)
        
        st.markdown("---")
        
        # 臨床決策建議
        st.subheader("💊 臨床決策建議")
        
        col1, col2 = st.columns(2)
        
        with col1:
            if dial_5y < 5:
                st.info("✅ **低風險** - 常規隨訪\n\n每年檢查一次，注意生活方式改善")
            elif dial_5y < 15:
                st.warning("🟡 **中等風險** - 密集隨訪\n\n建議半年檢查一次，強化營養諮詢和血壓控制")
            elif dial_5y < 30:
                st.error("🟠 **高風險** - 每季隨訪\n\n需要密集監測，準備洗腎通路評估")
            else:
                st.error("🔴 **極高風險** - 每月隨訪\n\n立即準備透析，考慮先制性介入")
        
        with col2:
            st.info(
                "📋 **建議檢驗項目：**\n\n"
                "• 血清肌酐 + eGFR\n"
                "• 尿蛋白/肌酐比\n"
                "• 電解質 (Na, K, Ca, P)\n"
                "• 血紅素 + 鐵代謝\n"
                "• 血糖 + 糖化血紅素"
            )
        
        st.markdown("---")
        
        # 介入效果模擬
        st.subheader("🎯 介入效果模擬")
        
        st.markdown("""
        **自訂參數調整，模擬介入效果**
        
        調整下方參數，系統會自動重新預測洗腎風險，看看介入後會改善多少！
        """)
        
        # 創建可調整的協變數副本
        intervention_covariates = covariates.copy()
        
        # 創建調整區域
        st.markdown("#### 📊 可介入參數調整")
        
        col1, col2, col3 = st.columns(3)
        
        # 只有可以通過介入改變的參數
        with col1:
            st.markdown("**血管與代謝**")
            sbp_adjusted = st.number_input(
                "收縮壓 (mmHg)",
                min_value=80.0,
                max_value=200.0,
                value=float(sbp),
                step=1.0,
                key="sbp_int",
                help="💊 可通過藥物或生活方式改變"
            )
            intervention_covariates['sbp'] = sbp_adjusted
            
            glucose_adjusted = st.number_input(
                "血糖 (mg/dL)",
                min_value=50.0,
                max_value=300.0,
                value=float(glucose),
                step=1.0,
                key="glucose_int",
                help="💊 可通過藥物或飲食改變"
            )
            intervention_covariates['GLUCOSE'] = glucose_adjusted
        
        with col2:
            st.markdown("**身體組成**")
            waist_adjusted = st.number_input(
                "腰圍 (cm)",
                min_value=60.0,
                max_value=150.0,
                value=float(waist),
                step=0.5,
                key="waist_int",
                help="💪 可通過減重改變"
            )
            intervention_covariates['waist'] = waist_adjusted
            
            rbc_adjusted = st.number_input(
                "紅血球 (RBC)",
                min_value=2.0,
                max_value=8.0,
                value=float(rbc),
                step=0.1,
                key="rbc_int",
                help="💊 可通過治療貧血改變"
            )
            intervention_covariates['RBC'] = rbc_adjusted
        
        with col3:
            st.markdown("**血球與代謝**")
            wbc_adjusted = st.number_input(
                "白血球 (WBC)",
                min_value=2.0,
                max_value=15.0,
                value=float(wbc),
                step=0.1,
                key="wbc_int",
                help="💊 可通過感染控制改變"
            )
            intervention_covariates['WBC'] = wbc_adjusted
            
            hi_ua_adjusted = st.selectbox(
                "高尿酸",
                ["否 (0)", "是 (1)"],
                index=hi_ua_val,
                key="hi_ua_int",
                help="💊 可通過藥物改變"
            )
            intervention_covariates['hi_UA'] = int(hi_ua_adjusted.split("(")[1].strip(")"))
        
        # 腎功能指標 - 可調整
        st.markdown("---")
        st.markdown("#### 🫘 腎功能指標調整（介入目標）")
        
        col1, col2 = st.columns(2)
        
        with col1:
            egfr_adjusted = st.number_input(
                "eGFR (mL/min/1.73m²)",
                min_value=5.0,
                max_value=120.0,
                value=float(egfr),
                step=1.0,
                key="egfr_int",
                help="🎯 介入目標：改善腎功能。藥物（如 ACEi/ARB）、控制血壓血糖可能改善。"
            )
        
        with col2:
            pro_adjusted = st.selectbox(
                "尿蛋白",
                ["陰性 (0)", "微量 (1)", "1+ (2)", "2+ (3)", "3+ (4)", "4+ (5)"],
                index=min(pro_coded_val, 5),
                key="pro_int",
                help="🎯 介入目標：減少尿蛋白。血壓控制、ACEi/ARB、減重是關鍵。"
            )
            pro_adjusted_val = int(pro_adjusted.split("(")[1].strip(")"))
        
        # 自動重算 CKD 狀態
        new_state_idx, new_state_name, new_gfr_grade, new_albuminuria = judge_ckd_state_kdigo(egfr_adjusted, pro_adjusted_val)
        
        # 顯示 CKD 狀態變化
        st.markdown("---")
        st.markdown("#### 📊 CKD 狀態變化預測")
        
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            st.info(f"""
**當前狀態**
{state_name}

**{gfr_grade} {albuminuria}**
            """)
        
        with col2:
            st.markdown("**→**")
            st.write("")  # 空白
        
        with col3:
            if new_state_idx != state_idx:
                st.success(f"""
**介入後狀態**
{new_state_name}

**{new_gfr_grade} {new_albuminuria}**
                """)
            else:
                st.info(f"""
**介入後狀態**
{new_state_name}

**{new_gfr_grade} {new_albuminuria}**
                """)
        
        with col4:
            if new_state_idx < state_idx:
                st.success(f"✅ 進展降級\n{state_name} → {new_state_name}")
            elif new_state_idx > state_idx:
                st.error(f"⚠️ 進展升級\n{state_name} → {new_state_name}")
            else:
                st.info(f"➡️ 狀態不變\n{state_name}")
        
        # 保持不變的參數（顯示但不可改）
        st.markdown("---")
        st.markdown("#### 📋 患者基本信息（無法改變）")
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            st.metric("年齡", f"{age:.0f} 歲")
            intervention_covariates['age_at_screening'] = age
        with col2:
            st.metric("性別", "男" if gender_val == 1 else "女")
            intervention_covariates['GENDER'] = gender_val
        with col3:
            st.metric("高血壓病史", "是" if pdh_hp_val == 1 else "否")
            intervention_covariates['PDH_HP'] = pdh_hp_val
        with col4:
            st.metric("教育程度", "高" if edu_high_val == 1 else "一般")
            intervention_covariates['EDU_high'] = edu_high_val
        # 模擬按鈕
        if st.button("🎯 模擬介入效果", use_container_width=True, key="simulate_btn"):
            # 使用新的 CKD 狀態進行預測（如果 eGFR/Pro 改變了）
            pred_5y_int = predictor.predict(intervention_covariates, start_state=new_state_idx, years=5)
            pred_10y_int = predictor.predict(intervention_covariates, start_state=new_state_idx, years=10)
            
            dial_5y_int = pred_5y_int['final_probs']['Dialysis'] * 100
            dial_10y_int = pred_10y_int['final_probs']['Dialysis'] * 100
            
            # 計算改變
            changes = {}
            change_descriptions = []
            
            # 腎功能變化（最重要）
            if egfr_adjusted != egfr:
                change = egfr_adjusted - egfr
                changes['eGFR'] = {
                    '原始': egfr,
                    '介入後': egfr_adjusted,
                    '變化': change
                }
                direction = "改善" if change > 0 else "惡化"
                change_descriptions.append(f"🫘 eGFR {direction} {abs(change):.0f} (從 {egfr:.0f} 到 {egfr_adjusted:.0f} mL/min/1.73m²)")
            
            if pro_adjusted_val != pro_coded_val:
                changes['尿蛋白'] = {
                    '原始': pro_coded_val,
                    '介入後': pro_adjusted_val,
                    '變化': pro_adjusted_val - pro_coded_val
                }
                direction = "減少" if pro_adjusted_val < pro_coded_val else "增加"
                change_descriptions.append(f"🫘 尿蛋白{direction}: {pro_coded.split('(')[0].strip()} → {pro_adjusted.split('(')[0].strip()}")
            
            if new_state_idx != state_idx:
                change_descriptions.append(f"🔄 CKD 狀態進展: {state_name} → {new_state_name}")
            
            if intervention_covariates['sbp'] != covariates['sbp']:
                change = intervention_covariates['sbp'] - covariates['sbp']
                changes['收縮壓'] = {
                    '原始': covariates['sbp'],
                    '介入後': intervention_covariates['sbp'],
                    '變化': change
                }
                change_descriptions.append(f"降低收縮壓 {abs(change):.0f} mmHg (從 {covariates['sbp']:.0f} 到 {intervention_covariates['sbp']:.0f})")
            
            if intervention_covariates['GLUCOSE'] != covariates['GLUCOSE']:
                change = intervention_covariates['GLUCOSE'] - covariates['GLUCOSE']
                changes['血糖'] = {
                    '原始': covariates['GLUCOSE'],
                    '介入後': intervention_covariates['GLUCOSE'],
                    '變化': change
                }
                change_descriptions.append(f"降低血糖 {abs(change):.0f} mg/dL (從 {covariates['GLUCOSE']:.0f} 到 {intervention_covariates['GLUCOSE']:.0f})")
            
            if intervention_covariates['waist'] != covariates['waist']:
                change = intervention_covariates['waist'] - covariates['waist']
                changes['腰圍'] = {
                    '原始': covariates['waist'],
                    '介入後': intervention_covariates['waist'],
                    '變化': change
                }
                change_descriptions.append(f"減少腰圍 {abs(change):.1f} cm (從 {covariates['waist']:.0f} 到 {intervention_covariates['waist']:.0f})")
            
            if intervention_covariates['RBC'] != covariates['RBC']:
                change = intervention_covariates['RBC'] - covariates['RBC']
                changes['紅血球'] = {
                    '原始': covariates['RBC'],
                    '介入後': intervention_covariates['RBC'],
                    '變化': change
                }
                change_descriptions.append(f"提升紅血球 {abs(change):.1f} (從 {covariates['RBC']:.1f} 到 {intervention_covariates['RBC']:.1f})")
            
            if intervention_covariates['WBC'] != covariates['WBC']:
                change = intervention_covariates['WBC'] - covariates['WBC']
                changes['白血球'] = {
                    '原始': covariates['WBC'],
                    '介入後': intervention_covariates['WBC'],
                    '變化': change
                }
                change_descriptions.append(f"調整白血球 {abs(change):.1f} (從 {covariates['WBC']:.1f} 到 {intervention_covariates['WBC']:.1f})")
            
            if intervention_covariates['hi_UA'] != covariates['hi_UA']:
                changes['高尿酸'] = {
                    '原始': '是' if covariates['hi_UA'] == 1 else '否',
                    '介入後': '是' if intervention_covariates['hi_UA'] == 1 else '否',
                }
                change_descriptions.append(f"高尿酸狀態變為 {'是' if intervention_covariates['hi_UA'] == 1 else '否'}")
            
            # 保存介入結果到session_state
            st.session_state.intervention_results = {
                'changes': changes,
                'change_descriptions': change_descriptions,
                'original_dial_5y': dial_5y,
                'original_dial_10y': dial_10y,
                'intervention_dial_5y': dial_5y_int,
                'intervention_dial_10y': dial_10y_int,
                'improvement_5y': dial_5y - dial_5y_int,
                'improvement_10y': dial_10y - dial_10y_int,
                'improvement_5y_percent': ((dial_5y - dial_5y_int)/dial_5y*100) if dial_5y > 0 else 0,
                'improvement_10y_percent': ((dial_10y - dial_10y_int)/dial_10y*100) if dial_10y > 0 else 0,
            }
            
            st.markdown("---")
            st.subheader("📊 介入效果對比")
            
            # 建立對比表
            comparison_data = pd.DataFrame({
                '指標': ['5年洗腎風險', '10年洗腎風險'],
                '原始風險': [f"{dial_5y:.1f}%", f"{dial_10y:.1f}%"],
                '介入後': [f"{dial_5y_int:.1f}%", f"{dial_10y_int:.1f}%"],
                '改善幅度': [f"{dial_5y - dial_5y_int:.1f}%", f"{dial_10y - dial_10y_int:.1f}%"],
                '改善百分比': [f"{((dial_5y - dial_5y_int)/dial_5y*100):.1f}%" if dial_5y > 0 else "N/A",
                              f"{((dial_10y - dial_10y_int)/dial_10y*100):.1f}%" if dial_10y > 0 else "N/A"]
            })
            
            st.dataframe(comparison_data, use_container_width=True, hide_index=True)
            
            # 視覺化對比
            col1, col2 = st.columns(2)
            
            with col1:
                fig_comp_5y = go.Figure(data=[
                    go.Bar(name='原始風險', x=['5年洗腎風險'], y=[dial_5y], marker_color='#ff6b6b'),
                    go.Bar(name='介入後', x=['5年洗腎風險'], y=[dial_5y_int], marker_color='#51cf66')
                ])
                fig_comp_5y.update_layout(
                    title="5年洗腎風險對比",
                    yaxis_title="風險 (%)",
                    barmode='group',
                    height=400
                )
                st.plotly_chart(fig_comp_5y, use_container_width=True)
            
            with col2:
                fig_comp_10y = go.Figure(data=[
                    go.Bar(name='原始風險', x=['10年洗腎風險'], y=[dial_10y], marker_color='#ff6b6b'),
                    go.Bar(name='介入後', x=['10年洗腎風險'], y=[dial_10y_int], marker_color='#51cf66')
                ])
                fig_comp_10y.update_layout(
                    title="10年洗腎風險對比",
                    yaxis_title="風險 (%)",
                    barmode='group',
                    height=400
                )
                st.plotly_chart(fig_comp_10y, use_container_width=True)
            
            # 改善評估
            st.markdown("---")
            st.subheader("💡 介入評估")
            
            improvement_5y = dial_5y - dial_5y_int
            improvement_10y = dial_10y - dial_10y_int
            
            col1, col2 = st.columns(2)
            
            with col1:
                if improvement_5y > 10:
                    st.success(f"✅ **顯著改善** - 5年風險下降 {improvement_5y:.1f}%")
                elif improvement_5y > 5:
                    st.info(f"🟢 **中度改善** - 5年風險下降 {improvement_5y:.1f}%")
                elif improvement_5y > 0:
                    st.info(f"🟡 **輕微改善** - 5年風險下降 {improvement_5y:.1f}%")
                else:
                    st.warning(f"⚠️ **未見改善** - 5年風險無變化或升高")
            
            with col2:
                if improvement_10y > 10:
                    st.success(f"✅ **顯著改善** - 10年風險下降 {improvement_10y:.1f}%")
                elif improvement_10y > 5:
                    st.info(f"🟢 **中度改善** - 10年風險下降 {improvement_10y:.1f}%")
                elif improvement_10y > 0:
                    st.info(f"🟡 **輕微改善** - 10年風險下降 {improvement_10y:.1f}%")
                else:
                    st.warning(f"⚠️ **未見改善** - 10年風險無變化或升高")
            
            st.info("""
            **💡 解讀提示：**
            
            - 改善幅度 > 10% = 這個介入策略效果很好
            - 改善幅度 5-10% = 這個介入策略有效果
            - 改善幅度 < 5% = 這個參數對風險影響較小
            
            可以試試調整不同參數，找出最有效的介入組合！
            """)

# ============================================================
# 頁面 3：多患者對比
# ============================================================
elif page == "👥 多患者對比":
    st.title("👥 多患者對比分析")
    
    predictor = load_model()
    if predictor is None:
        st.stop()
    
    st.info("👇 輸入多個患者進行對比。最多 5 個患者。")
    
    patient_count = st.number_input("患者個數", 2, 5, 2)
    patients_data = []
    
    with st.form("compare_form"):
        for i in range(patient_count):
            st.subheader(f"患者 {i+1}")
            
            col1, col2, col3, col4, col5 = st.columns(5)
            with col1:
                p_id = st.text_input(f"ID", f"P{i+1:03d}", key=f"p_id_{i}")
            with col2:
                p_age = st.number_input(f"年齡", 20, 100, 60, key=f"p_age_{i}")
            with col3:
                p_gender = st.selectbox(f"性別", ["女", "男"], key=f"p_gender_{i}")
                p_gender_val = 0 if p_gender == "女" else 1
            with col4:
                p_state = st.selectbox(f"狀態", ["Low", "Moderate", "High", "VeryHigh"], key=f"p_state_{i}")
                p_state_idx = ["Low", "Moderate", "High", "VeryHigh"].index(p_state)
            with col5:
                p_hi_ua = st.selectbox(f"高尿酸", ["否", "是"], key=f"p_hi_ua_{i}")
                p_hi_ua_val = 0 if p_hi_ua == "否" else 1
            
            col1, col2, col3, col4, col5 = st.columns(5)
            with col1:
                p_rbc = st.number_input(f"RBC", 2.0, 8.0, 4.5, 0.1, key=f"p_rbc_{i}")
            with col2:
                p_pdh = st.selectbox(f"高血壓", ["否", "是"], key=f"p_pdh_{i}")
                p_pdh_val = 0 if p_pdh == "否" else 1
            with col3:
                p_sbp = st.number_input(f"收縮壓", 80, 200, 130, key=f"p_sbp_{i}")
            with col4:
                p_waist = st.number_input(f"腰圍", 60, 150, 85, key=f"p_waist_{i}")
            with col5:
                p_wbc = st.number_input(f"WBC", 2.0, 15.0, 7.0, 0.1, key=f"p_wbc_{i}")
            
            col1, col2 = st.columns(2)
            with col1:
                p_glucose = st.number_input(f"血糖", 50, 300, 110, key=f"p_glucose_{i}")
            with col2:
                p_edu = st.selectbox(f"高教育", ["否", "是"], key=f"p_edu_{i}")
                p_edu_val = 0 if p_edu == "否" else 1
            
            patients_data.append({
                'id': p_id,
                'covariates': {
                    'age_at_screening': p_age,
                    'hi_UA': p_hi_ua_val,
                    'RBC': p_rbc,
                    'PDH_HP': p_pdh_val,
                    'GENDER': p_gender_val,
                    'sbp': p_sbp,
                    'waist': p_waist,
                    'WBC': p_wbc,
                    'GLUCOSE': p_glucose,
                    'EDU_high': p_edu_val,
                },
                'state_idx': p_state_idx
            })
            st.markdown("---")
        
        submitted = st.form_submit_button("🔄 對比分析", use_container_width=True)
    
    if submitted:
        results = []
        for p_data in patients_data:
            pred_5y = predictor.predict(p_data['covariates'], start_state=p_data['state_idx'], years=5)
            dial_5y = pred_5y['final_probs']['Dialysis'] * 100
            dial_10y = predictor.predict(p_data['covariates'], start_state=p_data['state_idx'], years=10)['final_probs']['Dialysis'] * 100
            
            results.append({
                '患者ID': p_data['id'],
                '5年洗腎風險': f"{dial_5y:.1f}%",
                '10年洗腎風險': f"{dial_10y:.1f}%",
                '風險排序': dial_5y
            })
        
        results_df = pd.DataFrame(results).sort_values('風險排序', ascending=False)
        results_df['排名'] = range(1, len(results_df) + 1)
        
        st.subheader("📊 對比結果")
        st.dataframe(results_df[['排名', '患者ID', '5年洗腎風險', '10年洗腎風險']], use_container_width=True, hide_index=True)
        
        fig_compare = px.bar(
            results_df.sort_values('風險排序'),
            x='患者ID',
            y='風險排序',
            title='患者洗腎風險對比 (5年)',
            labels={'風險排序': '洗腎風險 (%)'},
            color='風險排序',
            color_continuous_scale='Reds'
        )
        st.plotly_chart(fig_compare, use_container_width=True)

# ============================================================
# 頁面 4：患者縱向追蹤
# ============================================================
elif page == "📊 患者追蹤":
    st.title("📊 患者縱向追蹤")

    # ✅ 初始化 session_state
    if "tracking_results" not in st.session_state:
        st.session_state.tracking_results = None
        
    predictor = load_model()
    if predictor is None:
        st.stop()
    
    st.info("📋 追蹤同一患者的多次檢驗，查看風險變化趨勢")
    
    # 患者基本信息
    st.subheader("👤 患者基本信息")
    col1, col2 = st.columns(2)
    with col1:
        patient_id = st.text_input("患者ID", value="P001")
    with col2:
        patient_name = st.text_input("患者姓名", value="")
    
    # 患者不變的信息
    st.markdown("---")
    st.subheader("📋 患者固定信息（不變）")
    col1, col2, col3, col4 = st.columns(4)
    with col1:
        age = st.number_input("年齡", 20, 100, 60)
    with col2:
        gender = st.radio("性別", ["女 (0)", "男 (1)"], horizontal=True)
        gender_val = 0 if gender == "女 (0)" else 1
    with col3:
        pdh_hp = st.selectbox("高血壓病史", ["否 (0)", "是 (1)"], index=0)
        pdh_hp_val = int(pdh_hp.split("(")[1].strip(")"))
    with col4:
        edu_high = st.selectbox("高教育程度", ["否 (0)", "是 (1)"], index=0)
        edu_high_val = int(edu_high.split("(")[1].strip(")"))
    
    st.markdown("---")
    st.subheader("📊 多次檢驗數據")
    
    st.markdown("**輸入患者的每次檢驗數據（可輸入多次）：**")
    
    # 初始化檢驗數據列表
    if "visit_data" not in st.session_state:
        st.session_state.visit_data = []
    
    st.subheader("📊 檢驗數據輸入")
    
    # 第一行：基本信息 + 腎功能指標
    col1, col2, col3, col4, col5 = st.columns(5)
    
    with col1:
        visit_date = st.date_input("檢驗日期", key="visit_date_input")
    with col2:
        visit_egfr = st.number_input("eGFR (mL/min/1.73m²)", 5, 120, 60, key="visit_egfr")
    with col3:
        visit_pro_coded = st.selectbox(
            "尿蛋白",
            ["陰性 (0)", "微量 (1)", "1+ (2)", "2+ (3)", "3+ (4)", "4+ (5)"],
            index=0,
            key="visit_pro"
        )
        visit_pro_val = int(visit_pro_coded.split("(")[1].strip(")"))
    
    with col4:
        st.empty()
    
    with col5:
        st.empty()
    
    st.markdown("---")
    st.subheader("🩺 代謝指標")
    
    # 第二行：代謝指標
    col1, col2, col3, col4, col5, col6, col7 = st.columns(7)
    
    with col1:
        visit_sbp = st.number_input("收縮壓 (mmHg)", 80, 200, 130, key="visit_sbp")
    with col2:
        visit_glucose = st.number_input("血糖 (mg/dL)", 50, 300, 110, key="visit_glucose")
    with col3:
        visit_waist = st.number_input("腰圍 (cm)", 60, 150, 85, key="visit_waist")
    with col4:
        visit_rbc = st.number_input("紅血球 (RBC)", 2.0, 8.0, 4.5, 0.1, key="visit_rbc")
    with col5:
        visit_wbc = st.number_input("白血球 (WBC)", 2.0, 15.0, 7.0, 0.1, key="visit_wbc")
    with col6:
        visit_hi_ua = st.selectbox("高尿酸", ["否", "是"], index=0, key="visit_hi_ua")
        visit_hi_ua_val = 0 if visit_hi_ua == "否" else 1
    with col7:
        st.empty()
    
    # 使用全局 KDIGO 函數判斷當前狀態
    state_idx, state_name, gfr_grade, albuminuria = judge_ckd_state_kdigo(visit_egfr, visit_pro_val)
    
    # 顯示當前 CKD 狀態
    st.markdown("---")
    st.markdown("### 📋 當前 CKD 狀態判斷（KDIGO）")
    col1, col2, col3, col4 = st.columns(4)
    
    with col1:
        st.metric("eGFR", f"{visit_egfr:.0f}", "mL/min/1.73m²")
    with col2:
        st.metric("尿蛋白", visit_pro_coded.split("(")[0].strip())
    with col3:
        st.info(f"""
**GFR 等級**
{gfr_grade}

**蛋白尿等級**
{albuminuria}
        """)
    with col4:
        st.success(f"""
**判斷狀態**
{state_name}

**KDIGO：{gfr_grade} {albuminuria}**
        """)
    
    st.markdown("---")
    
    col1, col2 = st.columns([1, 5])
    with col1:
        if st.button("➕ 新增檢驗", use_container_width=True):
            st.session_state.visit_data.append({
                'date': visit_date,
                'date_str': visit_date.strftime("%Y-%m-%d"),
                'egfr': visit_egfr,
                'pro_coded': visit_pro_val,
                'pro_text': visit_pro_coded.split("(")[0].strip(),
                'state_idx': state_idx,
                'state_name': state_name,
                'gfr_grade': gfr_grade,
                'albuminuria': albuminuria,
                'kdigo_class': f"{gfr_grade} {albuminuria}",
                'sbp': visit_sbp,
                'glucose': visit_glucose,
                'waist': visit_waist,
                'rbc': visit_rbc,
                'wbc': visit_wbc,
                'hi_ua': visit_hi_ua_val,
                '5年風險': 0.0,
                '10年風險': 0.0
            })
            st.success(f"✅ 已新增檢驗數據！（{gfr_grade} {albuminuria} - {state_name}）")
    
    with col2:
        if st.button("🗑️ 清除所有數據", use_container_width=True):
            st.session_state.visit_data = []
            st.info("已清除所有檢驗數據")
    
    # 顯示已輸入的數據
    if st.session_state.visit_data:
        st.markdown("---")
        st.subheader("✅ 已輸入的檢驗數據")
        
        visits_df = pd.DataFrame([
            {
                '檢驗日期': v['date_str'],
                'eGFR': f"{v['egfr']:.0f}",
                '尿蛋白': v['pro_text'],
                'KDIGO': v['kdigo_class'],
                'CKD狀態': v['state_name'],
                '收縮壓': f"{v['sbp']:.0f}",
                '血糖': f"{v['glucose']:.0f}",
                '腰圍': f"{v['waist']:.0f}",
                '高尿酸': "是" if v['hi_ua'] == 1 else "否"
            }
            for v in sorted(st.session_state.visit_data, key=lambda x: x['date'])
        ])
        st.dataframe(visits_df, use_container_width=True, hide_index=True)
        
        # 進行縱向追蹤預測
        st.markdown("---")
        if st.button("📊 進行追蹤預測", use_container_width=True, key="predict_tracking"):
            st.subheader("📈 患者風險變化趨勢")
            
            # 為每次檢驗計算風險
            tracking_results = []
            states = ["Low", "Moderate", "High", "VeryHigh", "Dialysis"]
            
            for visit in sorted(st.session_state.visit_data, key=lambda x: x['date']):
                covariates = {
                    'age_at_screening': age,
                    'hi_UA': visit['hi_ua'],
                    'RBC': visit['rbc'],
                    'PDH_HP': pdh_hp_val,
                    'GENDER': gender_val,
                    'sbp': visit['sbp'],
                    'waist': visit['waist'],
                    'WBC': visit['wbc'],
                    'GLUCOSE': visit['glucose'],
                    'EDU_high': edu_high_val,
                }
                
                # 使用自動判斷的 CKD 狀態進行預測
                state_idx = visit['state_idx']
                state_name = visit['state_name']
                
                pred_5y = predictor.predict(covariates, start_state=state_idx, years=5)
                pred_10y = predictor.predict(covariates, start_state=state_idx, years=10)
                
                dial_5y = pred_5y['final_probs']['Dialysis'] * 100
                dial_10y = pred_10y['final_probs']['Dialysis'] * 100
                
                tracking_results.append({
                    '日期': visit['date'],
                    '日期_str': visit['date'].strftime("%Y-%m-%d"),
                    # 腎功能
                    'eGFR': visit['egfr'],
                    '尿蛋白': visit['pro_text'],
                    'KDIGO': visit['kdigo_class'],
                    'CKD狀態': visit['state_name'],
                    # 風險
                    '5年風險': dial_5y,
                    '10年風險': dial_10y,
                    # 臨床指標
                    '收縮壓': visit['sbp'],
                    '血糖': visit['glucose'],
                    '腰圍': visit['waist']
                })
            
            # 創建對比表
            results_df = pd.DataFrame([
                {
                    '檢驗日期': r['日期_str'],
                    '5年洗腎風險': f"{r['5年風險']:.1f}%",
                    '10年洗腎風險': f"{r['10年風險']:.1f}%",
                    '收縮壓': f"{r['收縮壓']:.0f}",
                    '血糖': f"{r['血糖']:.0f}",
                    '腰圍': f"{r['腰圍']:.0f}"
                }
                for r in tracking_results
            ])
            
            st.dataframe(results_df, use_container_width=True, hide_index=True)
            
            # 風險變化趨勢圖
            col1, col2 = st.columns(2)
            
            with col1:
                fig_5y = go.Figure()
                fig_5y.add_trace(go.Scatter(
                    x=[r['日期_str'] for r in tracking_results],
                    y=[r['5年風險'] for r in tracking_results],
                    mode='lines+markers',
                    name='5年洗腎風險',
                    line=dict(color='#ff6b6b', width=3),
                    marker=dict(size=10)
                ))
                fig_5y.update_layout(
                    title="5年洗腎風險變化趨勢",
                    xaxis_title="檢驗日期",
                    yaxis_title="風險 (%)",
                    height=400,
                    hovermode='x unified'
                )
                fig_5y.update_xaxes(tickformat="%Y-%m-%d")
                st.plotly_chart(fig_5y, use_container_width=True)
            
            with col2:
                fig_10y = go.Figure()
                fig_10y.add_trace(go.Scatter(
                    x=[r['日期_str'] for r in tracking_results],
                    y=[r['10年風險'] for r in tracking_results],
                    mode='lines+markers',
                    name='10年洗腎風險',
                    line=dict(color='#ff8c00', width=3),
                    marker=dict(size=10)
                ))
                fig_10y.update_layout(
                    title="10年洗腎風險變化趨勢",
                    xaxis_title="檢驗日期",
                    yaxis_title="風險 (%)",
                    height=400,
                    hovermode='x unified'
                )
                fig_10y.update_xaxes(tickformat="%Y-%m-%d")
                st.plotly_chart(fig_10y, use_container_width=True)
            
            # 綜合健康指標變化
            st.markdown("---")
            st.subheader("📊 健康指標變化趨勢")
            
            col1, col2, col3 = st.columns(3)
            
            with col1:
                fig_sbp = go.Figure()
                fig_sbp.add_trace(go.Scatter(
                    x=[r['日期_str'] for r in tracking_results],
                    y=[r['收縮壓'] for r in tracking_results],
                    mode='lines+markers',
                    name='收縮壓',
                    line=dict(color='#1f77b4', width=2),
                    marker=dict(size=8)
                ))
                fig_sbp.update_layout(
                    title="收縮壓變化",
                    xaxis_title="日期",
                    yaxis_title="mmHg",
                    height=350
                )
                fig_sbp.update_xaxes(tickformat="%Y-%m-%d")
                st.plotly_chart(fig_sbp, use_container_width=True)
            
            with col2:
                fig_glucose = go.Figure()
                fig_glucose.add_trace(go.Scatter(
                    x=[r['日期_str'] for r in tracking_results],
                    y=[r['血糖'] for r in tracking_results],
                    mode='lines+markers',
                    name='血糖',
                    line=dict(color='#ff7f0e', width=2),
                    marker=dict(size=8)
                ))
                fig_glucose.update_layout(
                    title="血糖變化",
                    xaxis_title="日期",
                    yaxis_title="mg/dL",
                    height=350
                )
                fig_glucose.update_xaxes(tickformat="%Y-%m-%d")
                st.plotly_chart(fig_glucose, use_container_width=True)
            
            with col3:
                fig_waist = go.Figure()
                fig_waist.add_trace(go.Scatter(
                    x=[r['日期_str'] for r in tracking_results],
                    y=[r['腰圍'] for r in tracking_results],
                    mode='lines+markers',
                    name='腰圍',
                    line=dict(color='#2ca02c', width=2),
                    marker=dict(size=8)
                ))
                fig_waist.update_layout(
                    title="腰圍變化",
                    xaxis_title="日期",
                    yaxis_title="cm",
                    height=350
                )
                fig_waist.update_xaxes(tickformat="%Y-%m-%d")
                st.plotly_chart(fig_waist, use_container_width=True)
 
            # ✅ 保存到 session_state
            st.session_state.tracking_results = tracking_results            

            # 改善評估
            st.markdown("---")
            st.subheader("🎯 長期改善評估")
            
            if len(tracking_results) >= 2:
                first = tracking_results[0]
                last = tracking_results[-1]
                
                improvement_5y = first['5年風險'] - last['5年風險']
                improvement_10y = first['10年風險'] - last['10年風險']
                
                col1, col2, col3 = st.columns(3)
                
                with col1:
                    if improvement_5y > 0:
                        st.success(f"✅ 5年風險改善\n\n{first['5年風險']:.1f}% → {last['5年風險']:.1f}%\n降低 {improvement_5y:.1f}%")
                    else:
                        st.warning(f"⚠️ 5年風險惡化\n\n{first['5年風險']:.1f}% → {last['5年風險']:.1f}%\n升高 {abs(improvement_5y):.1f}%")
                
                with col2:
                    if improvement_10y > 0:
                        st.success(f"✅ 10年風險改善\n\n{first['10年風險']:.1f}% → {last['10年風險']:.1f}%\n降低 {improvement_10y:.1f}%")
                    else:
                        st.warning(f"⚠️ 10年風險惡化\n\n{first['10年風險']:.1f}% → {last['10年風險']:.1f}%\n升高 {abs(improvement_10y):.1f}%")
                
                with col3:
                    st.info(f"""
📊 **追蹤期間：**
{first['日期'].strftime("%Y-%m-%d")} 到 {last['日期'].strftime("%Y-%m-%d")}
（共 {(last['日期'] - first['日期']).days} 天）

✨ 如果風險下降，說明患者的管理有效！
                    """)
        
        # ============= 新功能：介入對比分析 =============
        st.markdown("---")
        st.subheader("🔄 介入時長有效性對比分析")
        
        if st.session_state.tracking_results and len(st.session_state.tracking_results) >= 2:
            tracking_results = st.session_state.tracking_results
            col1, col2 = st.columns(2)
            
            with col1:
                st.markdown("**選擇介入前的時間點**")
                before_idx = st.slider("介入前", 0, len(tracking_results)-2, 0, key="before_idx")
            
            with col2:
                st.markdown("**選擇介入後的時間點**")
                after_idx = st.slider("介入後", before_idx+1, len(tracking_results)-1, len(tracking_results)-1, key="after_idx")
            
            if st.button("📊 分析介入效果", use_container_width=True):
                before = tracking_results[before_idx]
                after = tracking_results[after_idx]
                
                # 計算介入時長
                days_diff = (after['日期'] - before['日期']).days
                weeks_diff = days_diff / 7
                months_diff = days_diff / 30
                
                # 計算各項指標變化
                sbp_change = after['收縮壓'] - before['收縮壓']
                glucose_change = after['血糖'] - before['血糖']
                waist_change = after['腰圍'] - before['腰圍']
                dial_5y_change = after['5年風險'] - before['5年風險']
                dial_10y_change = after['10年風險'] - before['10年風險']
                
                # 計算改善速度
                sbp_per_week = sbp_change / weeks_diff if weeks_diff > 0 else 0
                dial_5y_per_month = dial_5y_change / months_diff if months_diff > 0 else 0
                
                # 顯示結果
                st.markdown("---")
                st.markdown("### 📈 介入效果分析結果")
                
                col1, col2, col3, col4 = st.columns(4)
                
                with col1:
                    st.metric(
                        "介入時長",
                        f"{days_diff} 天",
                        f"約 {weeks_diff:.1f} 週\n約 {months_diff:.1f} 個月"
                    )
                
                with col2:
                    st.metric(
                        "5年洗腎風險",
                        f"{after['5年風險']:.1f}%",
                        f"{dial_5y_change:+.1f}%",
                        delta_color="inverse"
                    )
                
                with col3:
                    st.metric(
                        "10年洗腎風險",
                        f"{after['10年風險']:.1f}%",
                        f"{dial_10y_change:+.1f}%",
                        delta_color="inverse"
                    )
                
                with col4:
                    st.metric(
                        "收縮壓變化",
                        f"{after['收縮壓']:.0f} mmHg",
                        f"{sbp_change:+.0f} mmHg"
                    )
                
                # 詳細對比表
                st.markdown("---")
                st.markdown("#### 📋 詳細指標對比")
                
                comparison_df = pd.DataFrame({
                    '指標': ['日期', 'CKD 狀態', 'eGFR', '尿蛋白', '收縮壓', '血糖', '腰圍', '5年風險', '10年風險'],
                    '介入前': [
                        before['日期'].strftime("%Y-%m-%d"),
                        before.get('CKD狀態', ''),
                        f"{before.get('eGFR', 0):.0f}",
                        before.get('尿蛋白', ''),
                        f"{before['收縮壓']:.0f} mmHg",
                        f"{before['血糖']:.0f} mg/dL",
                        f"{before['腰圍']:.0f} cm",
                        f"{before['5年風險']:.1f}%",
                        f"{before['10年風險']:.1f}%"
                    ],
                    '介入後': [
                        after['日期'].strftime("%Y-%m-%d"),
                        after.get('CKD狀態', ''),
                        f"{after.get('eGFR', 0):.0f}",
                        after.get('尿蛋白', ''),
                        f"{after['收縮壓']:.0f} mmHg",
                        f"{after['血糖']:.0f} mg/dL",
                        f"{after['腰圍']:.0f} cm",
                        f"{after['5年風險']:.1f}%",
                        f"{after['10年風險']:.1f}%"
                    ],
                    '變化': [
                        '',
                        '',
                        '',
                        '',
                        f"{sbp_change:+.0f}",
                        f"{glucose_change:+.0f}",
                        f"{waist_change:+.0f}",
                        f"{dial_5y_change:+.1f}",
                        f"{dial_10y_change:+.1f}"
                    ]
                })
                
                st.dataframe(comparison_df, use_container_width=True, hide_index=True)
                
                # 改善評估
                st.markdown("---")
                st.markdown("#### 🎯 介入效果評估")
                
                col1, col2 = st.columns(2)
                
                with col1:
                    st.markdown(f"""
**改善速度：**
- 收縮壓：每週平均 {sbp_per_week:+.1f} mmHg
- 5年風險：每月平均 {dial_5y_per_month:+.2f}%

**評估：**
""")
                    if dial_5y_change < -1.0:
                        st.success("✅ 效果顯著 - 風險明顯下降！")
                    elif dial_5y_change < 0:
                        st.info("🟡 效果溫和 - 風險有所改善")
                    else:
                        st.warning("⚠️ 效果不佳 - 風險未改善，建議調整治療方案")
                
                with col2:
                    # 繪製對比圖
                    fig_comparison = go.Figure()
                    
                    fig_comparison.add_trace(go.Bar(
                        name='介入前',
                        x=['5年風險', '10年風險'],
                        y=[before['5年風險'], before['10年風險']],
                        marker_color='rgba(255, 127, 14, 0.7)'
                    ))
                    
                    fig_comparison.add_trace(go.Bar(
                        name='介入後',
                        x=['5年風險', '10年風險'],
                        y=[after['5年風險'], after['10年風險']],
                        marker_color='rgba(44, 160, 44, 0.7)'
                    ))
                    
                    fig_comparison.update_layout(
                        title=f"洗腎風險對比（{days_diff}天介入）",
                        xaxis_title="時間點",
                        yaxis_title="風險 (%)",
                        barmode='group',
                        height=400,
                        showlegend=True
                    )
                    
                    st.plotly_chart(fig_comparison, use_container_width=True)
        else:
            st.info("💡 需要至少 2 次檢驗數據才能進行對比分析")
    else:
        st.info("👇 請在上方輸入至少一次檢驗數據，然後點「📊 進行追蹤預測」")

# ============================================================
# 頁面 5：AI 諮詢 - 智能對話
# ============================================================
elif page == "💬 AI 諮詢":
    st.title("💬 CKD AI 諮詢")
    
    st.markdown("""
    👋 **歡迎來到 CKD AI 諮詢！**
    
    💡 **智能功能：** 系統會自動記住你在「單患者預測」中輸入的患者信息，
    ChatGPT 會根據這位患者的具體數據回答你的問題！
    """)
    
    st.markdown("---")
    
    api_key = st.session_state.get("openai_api_key")
    
    if not api_key:
        st.warning("⚠️ 需要 OpenAI API Key")
        st.info("請在左側邊欄「🔑 OpenAI API 設定」中輸入你的 API Key")
    else:
        st.success("✅ API Key 已設定")
        
        has_patient_data = st.session_state.current_patient_data is not None
        has_intervention = st.session_state.intervention_results is not None
        
        if has_patient_data:
            patient_data = st.session_state.current_patient_data
            st.info(
                f"""✅ **已載入患者數據：**

患者 ID：{patient_data['patient_id']} | 年齡：{patient_data['age']:.0f} 歲 | 性別：{'男' if patient_data['gender'] == 1 else '女'}
當前狀態：{patient_data['state']} | 5年洗腎風險：{patient_data['dial_5y']:.1f}% | 風險分層：{patient_data['risk_level']}"""
            )
            
            # 顯示介入結果（如果有）
            if has_intervention:
                intervention = st.session_state.intervention_results
                st.success(f"""
✅ **已完成介入效果分析：**

介入方案：
{chr(10).join(['• ' + desc for desc in intervention['change_descriptions']])}

改善效果：
• 5年風險：{intervention['original_dial_5y']:.1f}% → {intervention['intervention_dial_5y']:.1f}% ⬇️ 降低 {intervention['improvement_5y']:.1f}% ({intervention['improvement_5y_percent']:.1f}%)
• 10年風險：{intervention['original_dial_10y']:.1f}% → {intervention['intervention_dial_10y']:.1f}% ⬇️ 降低 {intervention['improvement_10y']:.1f}% ({intervention['improvement_10y_percent']:.1f}%)
                """)
        else:
            st.warning(
                "⚠️ **尚未載入患者數據**\n\n"
                "請先去「👤 單患者預測」輸入患者信息，點擊「🔮 預測」後，系統會自動記住患者信息！"
            )
        
        st.markdown("---")
        st.markdown("### 📝 對話記錄")
        
        for message in st.session_state.messages:
            with st.chat_message(message["role"]):
                st.markdown(message["content"])
        
        user_input = st.chat_input("輸入你的問題...")
        
        if user_input:
            st.session_state.messages.append({"role": "user", "content": user_input})
            
            with st.chat_message("user"):
                st.markdown(user_input)
            
            with st.chat_message("assistant"):
                with st.spinner("🤖 ChatGPT 思考中..."):
                    try:
                        client = OpenAI(api_key=api_key)
                        
                        # 患者上下文
                        patient_context = ""
                        intervention_context = ""
                        
                        if has_patient_data:
                            p = st.session_state.current_patient_data
                            patient_context = f"""
【當前患者信息】
- 患者ID：{p['patient_id']}
- 年齡：{p['age']:.0f} 歲，性別：{p['gender_text']}

【腎功能狀態】
- eGFR：{p['egfr']:.0f} mL/min/1.73m²（{p['gfr_grade']}）
- 尿蛋白：{p['pro_text']}（{p['albuminuria']}）
- KDIGO 分類：{p['kdigo_class']}
- CKD 阶段：{p['state']}
- 風險分層：{p['risk_level']}

【臨床指標】
- 血壓：{p['sbp']:.0f} mmHg，血糖：{p['glucose']:.0f} mg/dL，腰圍：{p['waist']:.0f} cm
- 紅血球：{p['rbc']:.1f}，白血球：{p['wbc']:.1f}
- 高尿酸：{'是' if p['hi_ua'] == 1 else '否'}
- 高血壓病史：{p['pdh_hp_text']}，教育程度：{p['edu_high_text']}

【風險評估】
- 5年洗腎概率：{p['dial_5y']:.1f}%
- 10年洗腎概率：{p['dial_10y']:.1f}%
"""
                        
                        # 如果有追蹤數據，添加到上下文
                        tracking_context = ""
                        if st.session_state.visit_data and len(st.session_state.visit_data) > 0:
                            tracking_context = """
【患者追蹤記錄（多次檢驗）】
"""
                            sorted_visits = sorted(st.session_state.visit_data, key=lambda x: x['date'])
                            for i, visit in enumerate(sorted_visits, 1):
                                visit_date_str = visit['date'].strftime("%Y-%m-%d")
                                tracking_context += f"""
檢驗 #{i}（{visit_date_str}）：
  - 收縮壓：{visit['sbp']:.0f} mmHg
  - 血糖：{visit['glucose']:.0f} mg/dL
  - 腰圍：{visit['waist']:.0f} cm
  - 紅血球：{visit['rbc']:.1f}
  - 白血球：{visit['wbc']:.1f}
  - 高尿酸：{'是' if visit['hi_ua'] == 1 else '否'}
"""
                            if len(sorted_visits) > 1:
                                first = sorted_visits[0]
                                last = sorted_visits[-1]
                                tracking_context += f"""
長期變化趨勢（{first['date'].strftime("%Y-%m-%d")} 到 {last['date'].strftime("%Y-%m-%d")}）：
  - 收縮壓變化：{first['sbp']:.0f} → {last['sbp']:.0f} mmHg
  - 血糖變化：{first['glucose']:.0f} → {last['glucose']:.0f} mg/dL
  - 腰圍變化：{first['waist']:.0f} → {last['waist']:.0f} cm
"""
                        
                        patient_context += tracking_context
                        
                        if has_intervention:
                            inter = st.session_state.intervention_results
                            intervention_context = f"""
【已完成的介入效果分析】
患者做過的介入調整：
{chr(10).join(['- ' + desc for desc in inter['change_descriptions']])}

介入效果：
- 5年洗腎風險：從 {inter['original_dial_5y']:.1f}% 降低到 {inter['intervention_dial_5y']:.1f}%，改善 {inter['improvement_5y']:.1f}% ({inter['improvement_5y_percent']:.1f}%)
- 10年洗腎風險：從 {inter['original_dial_10y']:.1f}% 降低到 {inter['intervention_dial_10y']:.1f}%，改善 {inter['improvement_10y']:.1f}% ({inter['improvement_10y_percent']:.1f}%)

請根據患者做過的介入調整，給出具體的臨床建議和實踐方案，包括：
1. 達到這些改變需要的具體措施
2. 可能的治療方案和藥物
3. 生活方式的改變建議
4. 預期的效果時間表
"""
                        
                        system_prompt = f"""你是一位經驗豐富的腎臟科醫生，專門提供 CKD（慢性腎臟病）相關的專業建議。

{patient_context if patient_context else "（暫無患者數據，提供一般性建議）"}

{intervention_context if intervention_context else ""}

請根據上述患者信息（如果有），用簡潔、清楚、患者友善的語言回答問題。
避免過度醫學術語，提供實際可行的建議。"""
                        
                        messages_for_api = [{"role": "system", "content": system_prompt}]
                        
                        recent_messages = st.session_state.messages[-10:]
                        for msg in recent_messages:
                            messages_for_api.append(msg)
                        
                        response = client.chat.completions.create(
                            model="gpt-4",
                            messages=messages_for_api,
                            temperature=0.7,
                            max_tokens=1500
                        )
                        
                        assistant_message = response.choices[0].message.content
                        st.session_state.messages.append({"role": "assistant", "content": assistant_message})
                        st.markdown(assistant_message)
                        
                    except Exception as e:
                        st.error(f"❌ 錯誤：{str(e)}")
elif page == "📋 患者記錄":
    st.title("📋 患者記錄管理")
    
    # API Key 管理
    st.markdown("### 🔑 API Key 管理")
    
    col1, col2 = st.columns([4, 1])
    with col1:
        api_key_input = st.text_input(
            "輸入並保存你的 OpenAI API Key",
            type="password",
            value=st.session_state.get("openai_api_key", ""),
            help="從 https://platform.openai.com/api/keys 取得"
        )
    with col2:
        if st.button("💾 保存", use_container_width=True):
            if api_key_input:
                st.session_state.openai_api_key = api_key_input
                st.success("✅ API Key 已保存！")
            else:
                st.warning("⚠️ 請輸入有效的 API Key")
    
    if st.session_state.get("openai_api_key"):
        st.success("✅ 已保存 API Key（之後無需重新輸入）")
    
    st.markdown("---")
    
    # 當前患者記錄
    st.markdown("### 👤 當前患者記錄")
    
    if st.session_state.current_patient_data:
        patient = st.session_state.current_patient_data
        
        # 顯示基本信息 + KDIGO 分類
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            st.metric("患者ID", patient['patient_id'], patient.get('patient_name', ''), delta_color="off")
        with col2:
            st.metric("年齡", f"{patient['age']:.0f} 歲", patient['gender_text'])
        with col3:
            st.metric("CKD 狀態", patient['state'], patient['risk_level'])
        with col4:
            st.metric("KDIGO 分類", patient['kdigo_class'], "")
        
        # 腎功能詳情卡片
        st.markdown("---")
        st.markdown("#### 🫘 腎功能指標")
        
        col1, col2, col3 = st.columns(3)
        
        with col1:
            st.info(f"""
**eGFR**
{patient['egfr']:.0f} mL/min/1.73m²

**GFR 等級：** {patient['gfr_grade']}
            """)
        
        with col2:
            st.warning(f"""
**尿蛋白**
{patient['pro_text']}

**蛋白尿等級：** {patient['albuminuria']}
            """)
        
        with col3:
            st.success(f"""
**CKD 阶段**
{patient['state']} 期

**KDIGO：** {patient['kdigo_class']}
            """)
        
        # 詳細臨床信息
        st.markdown("---")
        st.markdown("#### 📊 詳細臨床信息")
        
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            st.info(f"""
**血壓**
{patient['sbp']:.0f} mmHg

**血糖**
{patient['glucose']:.0f} mg/dL
            """)
        
        with col2:
            st.info(f"""
**紅血球**
{patient['rbc']:.1f}

**白血球**
{patient['wbc']:.1f}
            """)
        
        with col3:
            st.info(f"""
**腰圍**
{patient['waist']:.0f} cm

**高尿酸**
{patient.get('hi_ua', 0) == 1 and '是' or '否'}
            """)
        
        with col4:
            st.info(f"""
**高血壓病史**
{patient['pdh_hp_text']}

**教育程度**
{patient['edu_high_text']}
            """)
        
        # 風險評估
        st.markdown("---")
        st.markdown("#### ⚠️ 洗腎風險評估")
        
        col1, col2 = st.columns(2)
        
        with col1:
            dial_5y = patient['dial_5y']
            if dial_5y < 5:
                st.success(f"**5年洗腎風險**\n\n{dial_5y:.1f}% 🟢 低風險")
            elif dial_5y < 15:
                st.warning(f"**5年洗腎風險**\n\n{dial_5y:.1f}% 🟡 中等風險")
            elif dial_5y < 30:
                st.error(f"**5年洗腎風險**\n\n{dial_5y:.1f}% 🟠 高風險")
            else:
                st.error(f"**5年洗腎風險**\n\n{dial_5y:.1f}% 🔴 極高風險")
        
        with col2:
            dial_10y = patient['dial_10y']
            if dial_10y < 5:
                st.success(f"**10年洗腎風險**\n\n{dial_10y:.1f}% 🟢 低風險")
            elif dial_10y < 15:
                st.warning(f"**10年洗腎風險**\n\n{dial_10y:.1f}% 🟡 中等風險")
            elif dial_10y < 30:
                st.error(f"**10年洗腎風險**\n\n{dial_10y:.1f}% 🟠 高風險")
            else:
                st.error(f"**10年洗腎風險**\n\n{dial_10y:.1f}% 🔴 極高風險")
        
        # 介入結果（如果有）
        if st.session_state.intervention_results is not None:
            st.markdown("---")
            st.markdown("#### 🎯 最近的介入效果分析")
            
            inter = st.session_state.intervention_results
            
            col1, col2 = st.columns(2)
            
            with col1:
                st.markdown(f"""
**介入方案：**
{chr(10).join(['- ' + desc for desc in inter['change_descriptions'][:3]])}
{'- ...' if len(inter['change_descriptions']) > 3 else ''}
                """)
            
            with col2:
                improvement_5y = inter['improvement_5y']
                improvement_10y = inter['improvement_10y']
                
                if improvement_5y > 10:
                    st.success(f"✅ **顯著改善** (5年)\n降低 {improvement_5y:.1f}%")
                elif improvement_5y > 5:
                    st.info(f"🟢 **中度改善** (5年)\n降低 {improvement_5y:.1f}%")
                elif improvement_5y > 0:
                    st.info(f"🟡 **輕微改善** (5年)\n降低 {improvement_5y:.1f}%")
                else:
                    st.warning(f"⚠️ **無改善** (5年)")
        
        # 操作按鈕
        st.markdown("---")
        st.markdown("#### 🔧 操作")
        
        col1, col2, col3 = st.columns(3)
        
        with col1:
            if st.button("💬 去AI諮詢", use_container_width=True, key="go_ai"):
                st.info("👉 點左側邊欄「💬 AI 諮詢」開始對話！")
        
        with col2:
            if st.button("👤 重新預測", use_container_width=True, key="new_predict"):
                st.info("👉 點左側邊欄「👤 單患者預測」重新輸入數據！")
        
        with col3:
            if st.button("🗑️ 清除記錄", use_container_width=True, key="clear_patient"):
                st.session_state.current_patient_data = None
                st.session_state.intervention_results = None
                st.success("✅ 患者記錄已清除")
                st.rerun()
    
    else:
        st.info("""
📭 **尚未加載患者記錄**

👉 要建立患者記錄，請：
1. 點左側邊欄「👤 單患者預測」
2. 輸入患者信息
3. 點「🔮 預測」
4. 患者記錄會自動保存在這裡
        """)

st.markdown("---")
st.markdown("<p style='text-align: center; color: gray;'>© 2026 多階段CKD疾病進展機器學習預測模型 | 完整最終版</p>", unsafe_allow_html=True)