demo-1

demo.py

@@ -0,0 +1,236 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+import joblib
+
+plt.style.use('seaborn-v0_8-muted')
+sns.set_theme(style="whitegrid")
+
+import warnings
+warnings.filterwarnings('ignore')
+
+# Load mô hình
+try:
+    models = joblib.load('dental_models_v1.pkl')
+    print("✅ Load model thành công.")
+except:
+    print("⚠️ Lỗi: Không tìm thấy file model.")
+
+def preprocess_input(tuoi, gioi_tinh, ben_pt, kinh_nghiem,
+                     r7, canh_dung, goc, chan_rang, ord_lq,
+                     ha_mieng, ma, so_thuoc):
+
+    # Ở đây 'tuoi' đóng vai trò là năm sinh theo mẫu dữ liệu
+    raw_data = {
+        'Tuổi': tuoi, 'Giới tính': gioi_tinh, 'Bên PT': ben_pt,
+        'Kinh nghiệm PTV': kinh_nghiem, 'Tương quan R7': r7,
+        'Tương quan cành đứng': canh_dung, 'Góc nghiêng': goc,
+        'Hình thái chân răng': chan_rang, 'Liên quan ORD': ord_lq,
+        'Độ há miệng': ha_mieng, 'Độ linh động má': ma,
+        'Số viên thuốc GD': so_thuoc,
+        'Thời gian PT (phút)': 0 # Placeholder sẽ cập nhật sau
+    }
+    df = pd.DataFrame([raw_data])
+
+    # Tính toán các đặc trưng (Feature Engineering)
+    df['Age'] = 2025 - df['Tuổi']
+    df['R7_Grouped'] = 'Class A' if df['Tương quan R7'].iloc[0] == 'A' else 'Class B/C'
+    canh_dung_val = df['Tương quan cành đứng'].iloc[0]
+    df['Ramus_Grouped'] = 'Class I/II' if canh_dung_val in ['I', 'II'] else 'Class III'
+
+    chan_val = str(df['Hình thái chân răng'].iloc[0])
+    if chan_val in ['2', '3']: df['Root_Grouped'] = 'Easy (2/3)'
+    elif chan_val in ['1', '4']: df['Root_Grouped'] = 'Hard (1/4)'
+    else: df['Root_Grouped'] = 'Other'
+
+    df['Age_Group'] = pd.cut(df['Age'], bins=[0, 22, 30, 100], labels=['Young (<22)', 'Adult (22-30)', 'Senior (>30)'])
+
+    return df
+
+def predict_with_uncertainty(model, input_df):
+    rf_model = model.named_steps['model']
+    preprocessor = model.named_steps['preprocessor']
+    X_transformed = preprocessor.transform(input_df)
+    predictions = [tree.predict(X_transformed)[0] for tree in rf_model.estimators_]
+    mean_pred = np.mean(predictions)
+    std_pred = np.std(predictions)
+    return mean_pred, std_pred
+
+def predict_with_error(model, input_df):
+    mean_pred, std_pred = predict_with_uncertainty(model, input_df)
+    error_margin = 1. * std_pred
+    return mean_pred, error_margin
+
+def predict_general_v2(tuoi, gioi, ben, exp, r7, cd, goc, chan, ord_lq, ha, ma, thuoc):
+    df = preprocess_input(tuoi, gioi, ben, exp, r7, cd, goc, chan, ord_lq, ha, ma, thuoc)
+    time_mean, time_err = predict_with_error(models['Op_Time'], df)
+    df['Thời gian PT (phút)'] = time_mean
+
+    p1_m, p1_e = predict_with_error(models['Pain_D1'], df)
+    p3_m, p3_e = predict_with_error(models['Pain_D3'], df)
+    p7_m, p7_e = predict_with_error(models['Pain_D7'], df)
+    end_m, end_e = predict_with_error(models['End_Day'], df)
+
+    res_text = (
+        f"⏱️ THỜI GIAN NHỔ RĂNG DỰ KIẾN: {time_mean:.1f} ± {time_err:.1f} phút\n"
+        f"(Dải biến thiên: {max(0, time_mean-time_err):.1f} - {time_mean+time_err:.1f} phút)\n\n"
+        f"📈 DỰ BÁO MỨC ĐỘ ĐAU:\n"
+        f"• Ngày 1: {p1_m:.1f} (±{p1_e:.1f})\n"
+        f"• Ngày 3: {p3_m:.1f} (±{p3_e:.1f})\n"
+        f"• Ngày 7: {p7_m:.1f} (±{p7_e:.1f})\n"
+        f"• Hết đau hoàn toàn: Ngày thứ {end_m:.1f} (±{end_e:.1f})"
+    )
+
+    fig, ax = plt.subplots(figsize=(8, 4.5))
+    days = np.array([1, 3, 7])
+    means = np.array([p1_m, p3_m, p7_m])
+    errors = np.array([p1_e, p3_e, p7_e])
+
+    ax.fill_between(days, means - errors, means + errors, color='#4A90E2', alpha=0.2, label='Dải sai số dự báo')
+    ax.plot(days, means, 'o-', color='#4A90E2', linewidth=3, markersize=8, label='Mức đau trung bình')
+
+    for i, m in enumerate(means):
+        ax.text(days[i], m + 0.3, f"{m:.1f}", ha='center', fontweight='bold', color='#2C3E50')
+
+    ax.set_ylim(0, 5.5)
+    ax.set_xticks([1, 3, 7])
+    ax.set_xticklabels(['Ngày 1', 'Ngày 3', 'Ngày 7'])
+    ax.set_title("Biểu đồ diễn tiến đau và sai số dự báo", fontsize=14, pad=15)
+    ax.set_ylabel("Mức độ đau (VAS)")
+    ax.legend()
+    plt.tight_layout()
+    plt.close()
+
+    return res_text, fig
+
+def predict_experience(tuoi, gioi, ben, r7, cd, goc, chan, ord_lq, ha, ma, thuoc):
+    exp_mapping = ["<5 năm", "5-10 năm", ">10 năm"]
+    times = []
+    for e in exp_mapping:
+        df = preprocess_input(tuoi, gioi, ben, e, r7, cd, goc, chan, ord_lq, ha, ma, thuoc)
+        times.append(models['Op_Time'].predict(df)[0])
+
+    fig, ax = plt.subplots(figsize=(7, 3.5))
+    colors = ['#FFADAD', '#FFD6A5', '#CAFFBF']
+    bars = ax.barh(["Dưới 5 năm", "5-10 năm", "Trên 10 năm"], times, color=colors, height=0.6)
+    ax.bar_label(bars, fmt='%.1f phút', padding=5, fontweight='bold')
+    ax.set_title("So sánh thời gian nhổ theo kinh nghiệm bác sĩ", fontsize=12)
+    ax.set_xlim(0, max(times) * 1.3)
+    plt.tight_layout()
+    plt.close()
+
+    advice = f"💡 Bác sĩ trên 10 năm kinh nghiệm làm nhanh hơn bác sĩ mới khoảng {times[0]-times[2]:.1f} phút."
+    return fig, advice
+
+def predict_actual_with_range(tuoi, gioi, ben, exp, r7, cd, goc, chan, ord_lq, ha, ma, thuoc_ke_don, time_actual):
+    df = preprocess_input(tuoi, gioi, ben, exp, r7, cd, goc, chan, ord_lq, ha, ma, thuoc_ke_don)
+    df['Thời gian PT (phút)'] = time_actual
+
+    targets = {
+        'Ngày 1': models['Pain_D1'],
+        'Ngày 3': models['Pain_D3'],
+        'Ngày 7': models['Pain_D7'],
+        'Hết đau': models['End_Day']
+    }
+
+    results_mean = []
+    results_std = []
+    labels = ['Ngày 1', 'Ngày 3', 'Ngày 7']
+
+    for label in labels:
+        m, s = predict_with_uncertainty(targets[label], df)
+        results_mean.append(m)
+        results_std.append(s)
+
+    end_mean, end_std = predict_with_uncertainty(targets['Hết đau'], df)
+
+    fig, ax = plt.subplots(figsize=(8, 4))
+    x_vals = [1, 3, 7]
+    means = np.array(results_mean)
+    stds = np.array(results_std)
+
+    ax.plot(x_vals, means, 'o-', color='#d9534f', linewidth=2, label='Dự báo trung bình')
+    ax.fill_between(x_vals, means - 1.96*stds, means + 1.96*stds, color='#d9534f', alpha=0.2, label='Khoảng sai số dự báo')
+
+    for i, txt in enumerate(means):
+        ax.annotate(f'{txt:.1f}', (x_vals[i], means[i]), xytext=(0, 10), textcoords='offset points', ha='center')
+
+    ax.set_ylim(0, 5.5)
+    ax.set_xticks([1, 3, 7])
+    ax.set_xticklabels(['Ngày 1', 'Ngày 3', 'Ngày 7'])
+    ax.set_title(f"Diễn tiến đau thực tế (Thời gian: {time_actual}ph, Thuốc: {thuoc_ke_don} viên)")
+    ax.set_ylabel("Mức độ đau (VAS)")
+    ax.legend()
+    plt.tight_layout()
+    plt.close()
+
+    res_text = (f"✅ CẬP NHẬT SAU PHẪU THUẬT:\n"
+                f"• Thời gian thực hiện: {time_actual} phút\n"
+                f"• Thuốc giảm đau kê đơn: {thuoc_ke_don} viên\n"
+                f"----------------------------------------\n"
+                f"🕒 DỰ KIẾN HỒI PHỤC:\n"
+                f"• Ngày hết đau trung bình: Ngày thứ {end_mean:.1f} (± {end_std*1.96:.1f} ngày)\n"
+                f"• Mức độ đau ngày đầu: {results_mean[0]:.1f} / 5")
+
+    return res_text, fig
+    
+ with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 🦷 HỆ THỐNG DỰ BÁO THỜI GIAN PHẪU THUẬT RĂNG KHÔN VÀ PHÂN TÍCH MỨC ĐỘ ĐAU")
+
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown("### 📋 Thông tin người bệnh")
+            tuoi = gr.Number(label="Tuổi", value=2005)
+            gioi_tinh = gr.Dropdown(["Nam", "Nữ"], label="Giới tính", value="Nữ")
+            ben_pt = gr.Dropdown(["Trái", "Phải"], label="Bên PT", value="Trái")
+            ha_mieng = gr.Slider(10, 70, value=52, label="Độ há miệng")
+            linh_dong_ma = gr.Slider(10, 70, value=48, label="Độ linh động má")
+            so_thuoc = gr.Number(label="Số viên thuốc GD", value=5, visible=False)
+
+        with gr.Column():
+            gr.Markdown("### 🔍 Đặc điểm răng (X-quang)")
+            kinh_nghiem = gr.Dropdown(["<5 năm", "5-10 năm", ">10 năm"], label="Kinh nghiệm PTV", value="<5 năm")
+            r7 = gr.Dropdown(["A", "B", "C"], label="Tương quan R7", value="B")
+            canh_dung = gr.Dropdown(["I", "II", "III"], label="Tương quan cành đứng", value="II")
+            goc_nghieng = gr.Number(label="Góc nghiêng", value=7)
+            chan_rang = gr.Dropdown([1, 2, 3, 4], label="Hình thái chân răng", value=4)
+            ord_lq = gr.Dropdown(["Không", "Có"], label="Liên quan ORD", value="Không")
+
+    base_inputs = [tuoi, gioi_tinh, ben_pt, kinh_nghiem, r7, canh_dung, goc_nghieng, chan_rang, ord_lq, ha_mieng, linh_dong_ma]
+    inputs_all = base_inputs + [so_thuoc]
+
+    with gr.Tabs():
+        with gr.TabItem("🕒 Thời gian phẫu thuật dự kiến"):
+            btn1 = gr.Button("🚀 Dự đoán thời gian phẫu thuật", variant="primary")
+            with gr.Row():
+                out_txt1 = gr.Textbox(label="Kết quả dự báo chi tiết", lines=8)
+                out_plot1 = gr.Plot(label="Diễn tiến đau")
+            btn1.click(predict_general_v2, inputs=inputs_all, outputs=[out_txt1, out_plot1])
+
+        with gr.TabItem("👨‍⚕️ So sánh theo kinh nghiệm bác sĩ"):
+            btn2 = gr.Button("📊 Dự đoán thời gian phẫu thuật theo kinh nghiệm bác sĩ")
+            with gr.Row():
+                out_plot2 = gr.Plot(label="Biểu đồ so sánh")
+                out_txt2 = gr.Textbox(label="Nhận xét", lines=2)
+            inputs_for_exp = [tuoi, gioi_tinh, ben_pt, r7, canh_dung, goc_nghieng, chan_rang, ord_lq, ha_mieng, linh_dong_ma, so_thuoc]
+            btn2.click(predict_experience, inputs=inputs_for_exp, outputs=[out_plot2, out_txt2])
+
+        with gr.TabItem("📝 Đánh giá sau Phẫu thuật"):
+            gr.Markdown("### Nhập thông số thực tế sau ca mổ để tư vấn cho bệnh nhân")
+            with gr.Row():
+                time_actual = gr.Number(label="Thời gian mổ thực tế (phút)", value=20)
+                thuoc_post = gr.Number(label="Số viên thuốc giảm đau đã kê đơn", value=10)
+
+            btn3 = gr.Button("🔄 Dự đoán thời gian hết đau", variant="secondary")
+
+            with gr.Row():
+                out_txt3 = gr.Textbox(label="Chi tiết", lines=8)
+                out_plot3 = gr.Plot(label="Biểu đồ diễn tiến đau")
+
+            btn3.click(predict_actual_with_range,
+                      inputs=base_inputs + [thuoc_post, time_actual],
+                      outputs=[out_txt3, out_plot3])
+
+demo.launch(share=True)

dental_models_v1.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b830de97a48e2a02e8cac63c6b5d6b519ffb68e9fcbf34588f0902478a817acb
+size 418516