🏥 Avicena Care - Sistema Inteligente de Triagem com Machine Learning

Sistema avançado de triagem médica desenvolvido em Python com Streamlit, integrando Machine Learning, Scores Clínicos Validados e Protocolo PCACR para classificação automatizada de risco e priorização de atendimento.

🎯 Visão Geral

O Avicena Care é uma solução completa para serviços de emergência e triagem hospitalar que combina:

🤖 Inteligência Artificial com modelo Random Forest (93.85% de acurácia)
📊 6 Scores Clínicos Validados (qSOFA, NEWS2, SIRS, MEWS, GCS, EVA)
🛡️ Validação Clínica Inteligente que sobrescreve o ML em casos críticos
🎨 Interface Moderna e intuitiva para profissionais de saúde
📈 Análise Preditiva com explicações clínicas detalhadas
📋 Gestão Completa de fila de atendimento e histórico

✨ Funcionalidades Principais

🔴 Classificação PCACR (Manchester)

Sistema baseado no Protocolo de Classificação de Risco que categoriza pacientes em 5 níveis:

🔴 PRIORIDADE MÁXIMA - Atendimento imediato (0 min)
🟠 ALTA PRIORIDADE - Muito urgente (15 min)
🟡 MÉDIA PRIORIDADE - Urgente (60 min)
🟢 BAIXA PRIORIDADE - Pouco urgente (120 min)
🔵 MÍNIMA (ELETIVA) - Não urgente (240 min)

🤖 Machine Learning com Validação Clínica

Modelo Preditivo

Algoritmo: Random Forest Classifier
Acurácia: 93.85% (teste) | 95.61% (treino)
Features: 9 parâmetros vitais + demográficos
- Frequência Cardíaca, Saturação O2, Temperatura
- PA Sistólica, PA Diastólica, PAM
- Frequência Respiratória, Idade, Gênero

Camada de Segurança Clínica

O sistema valida automaticamente as predições do ML e sobrescreve quando detecta:

🧠 GCS ≤ 8 → Coma (intubação)
🧠 GCS 9-14 + ML baixo → Rebaixamento de consciência
🚨 qSOFA ≥ 2 → Suspeita de SEPSE
📈 NEWS2 ≥ 10 → Deterioração grave
⚠️ Confiança ML < 40% → Prioriza avaliação clínica

📊 Scores Clínicos Validados

1. qSOFA (Quick SOFA)

Objetivo: Detecção rápida de sepse
Critérios: FR ≥22, PAS ≤100, Alteração mental
Alerta: qSOFA ≥ 2 = Alto risco de morte

2. NEWS2 (National Early Warning Score)

Objetivo: Identificar deterioração clínica
Escala: 0-20 pontos
Uso: Padrão ouro internacional

3. SIRS (Síndrome da Resposta Inflamatória)

Objetivo: Detectar resposta inflamatória sistêmica
Critérios: FC >90, FR >20, Temp anormal
Alerta: SIRS ≥ 2 = Processo infeccioso

4. MEWS (Modified Early Warning Score)

Objetivo: Sistema de alerta precoce
Escala: 0-15 pontos
Uso: Amplamente usado no Brasil

5. GCS (Glasgow Coma Scale)

Objetivo: Avaliar nível de consciência
Componentes: Abertura ocular + Resposta verbal + Resposta motora
Crítico: GCS ≤ 8 indica necessidade de intubação

6. EVA (Escala Visual Analógica)

Objetivo: Quantificar dor do paciente
Escala: 0-10 pontos
Uso: Priorização e analgesia

🎯 Interfaces por Perfil

👨‍⚕️ Enfermagem

🧾 Fila de atendimento com classificação automática
➕ Cadastro completo de pacientes
🔄 Reclassificação manual de urgência
✅ Marcar pacientes como atendidos
📋 Histórico de atendimentos

👨‍⚕️ Médico

Inclui tudo da Enfermagem, mais:

🤖 Análise preditiva com ML
📊 Análise clínica com gráficos
📈 Dashboard com métricas
📑 Relatórios estatísticos
🔍 Explicabilidade do modelo

💻 Tecnologias Utilizadas

Backend

Python 3.8+
Streamlit 1.28+ - Framework web
Scikit-learn - Machine Learning
Pandas - Manipulação de dados
SQLite - Banco de dados

Frontend

Plotly - Gráficos interativos
CSS3 - Estilização responsiva
Streamlit Components - Interface moderna

Machine Learning

Random Forest Classifier
StandardScaler - Normalização
Train/Test Split - Validação
Feature Importance - Interpretabilidade

🚀 Instalação e Execução

Pré-requisitos

Python 3.8 ou superior
pip (gerenciador de pacotes)

Instalação Rápida

# 1. Clone o repositório
git clone https://github.com/seu-usuario/avicena-care.git
cd avicena-care

# 2. Instale as dependências
pip install -r requirements.txt

# 3. Execute o sistema
streamlit run app_triagem.py

Execução Alternativa (Windows)

# Duplo clique no arquivo
iniciar_app.bat

Primeira Execução

O sistema irá automaticamente:

Criar o banco de dados SQLite
Carregar o modelo de ML treinado
Inicializar os módulos de scores clínicos
Abrir o navegador em http://localhost:8501

📁 Estrutura do Projeto

Avicena-Care/
├── app_triagem.py              # Aplicação principal (3214 linhas)
├── ml_predictor.py             # Módulo de predição ML (224 linhas)
├── train_model.py              # Treinamento do modelo (218 linhas)
├── scores_clinicos.py          # Scores clínicos (550+ linhas)
├── validacao_clinica.py        # Validação de segurança (117 linhas)
├── auth.py                     # Autenticação
├── requirements.txt            # Dependências Python
├── iniciar_app.bat            # Script de inicialização
├── avicena_auth.db            # Banco de dados SQLite
├── data/
│   └── Dataset.csv            # Dataset de treino (153MB)
├── models/
│   ├── pcacr_model.pkl        # Modelo treinado
│   └── scaler.pkl             # Normalizador
└── README.md                  # Esta documentação

🎓 Guia de Uso

1. Login no Sistema

Escolha o perfil de acesso:

Enfermagem: Triagem e gestão da fila
Médico: Acesso completo + análises avançadas

2. Cadastro de Paciente

Dados Obrigatórios

Nome completo
Idade
Sinais vitais (PA, FC, FR, Temp, SpO2)
Queixa principal
Nível de consciência

Dados Opcionais

Comorbidades
Alergias
Intensidade de dor (0-10)
Gênero

Após o Cadastro

O sistema exibe automaticamente:

✅ Classificação por regras (PCACR)
🤖 Predição do ML com confiança
🛡️ Validação clínica (se necessário)
📊 6 Scores clínicos calculados
⚠️ Alertas de risco (sepse, hipoxemia, etc.)

3. Gestão da Fila

Visualização

Pacientes ordenados por prioridade
Tempo máximo de espera por categoria
Sinais vitais resumidos
Queixa principal

Ações Disponíveis

🔄 Reclassificar urgência manualmente
🏥 Marcar como atendido
📋 Ver histórico completo

4. Análise Preditiva (Médicos)

Selecione um paciente para ver:

📊 Distribuição de probabilidades (5 classes)
🩺 Interpretação clínica dos sinais vitais
📈 Importância dos fatores clínicos
📊 6 Scores clínicos validados
💡 Recomendações baseadas em confiança

5. Histórico de Atendimentos

📅 Filtro por período (Hoje, Semana, Mês)
🔍 Busca por nome
↩️ Retornar paciente à fila (se necessário)
📊 Estatísticas de atendimento

🔬 Detalhes Técnicos

Modelo de Machine Learning

Treinamento

# Dados: 50.000 pacientes do Dataset.csv
# Features: 9 variáveis clínicas
# Target: 5 classes de prioridade PCACR
# Método: Random Forest (100 árvores, max_depth=10)
# Validação: 80/20 train/test split

Performance

Acurácia Geral: 93.85%
Precisão Balanceada: class_weight='balanced'
Feature Importance:
- Frequência Respiratória: 27.7%
- PA Sistólica: 16.0%
- Idade: 15.5%
- Frequência Cardíaca: 14.9%
- Saturação O2: 13.3%

Explicabilidade

O modelo fornece:

Probabilidades para cada classe
Nível de confiança da predição
Interpretação clínica dos sinais vitais
Alertas automáticos de desvios

Validação Clínica

Critérios de Sobrescrita

A camada de segurança intervém quando:

Consciência crítica: GCS ≤8 ou GCS <15 + ML baixo
Sepse: qSOFA ≥2 (sempre sobrescreve)
Deterioração: NEWS2 ≥10 + ML muito baixo
Incerteza: Confiança <40% + regras sugerem urgência

Logs e Transparência

Toda sobrescrita gera:

⚠️ Alerta visual destacado
📝 Motivo clínico detalhado
📊 Scores que justificaram a decisão
🤖 Predição original do ML (para comparação)

Banco de Dados

Tabela: `triagem`

CREATE TABLE triagem (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    Nome TEXT,
    Idade INTEGER,
    PA TEXT,
    FC INTEGER,
    FR INTEGER,
    Temp REAL,
    SpO2 INTEGER,
    nivel_consciencia TEXT,
    genero TEXT,
    intensidade_dor INTEGER,
    Comorbidade TEXT,
    Alergia TEXT,
    Queixa_Principal TEXT,
    urgencia_automatica TEXT,
    urgencia_manual TEXT,
    status TEXT DEFAULT 'AGUARDANDO',
    data_cadastro TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    data_atendimento TIMESTAMP
)

📊 Interpretação Clínica Automática

Sinais Vitais - Valores de Referência

Frequência Cardíaca

Normal: 60-100 bpm
Bradicardia: <60 bpm (grave <40)
Taquicardia: >100 bpm (grave >120)

Pressão Arterial (AHA/ACC 2017)

Normal: <120/80 mmHg
Elevada: 120-129/<80 mmHg
HAS Estágio 1: 130-139/80-89 mmHg
HAS Estágio 2: ≥140/90 mmHg
Crise: ≥180/120 mmHg

Temperatura

Normal: 36.0-37.4°C
Febrícula: 37.5-37.9°C
Febre: 38.0-39.0°C
Febre Alta: >39.0°C
Hipotermia: <36.0°C

Frequência Respiratória

Normal: 12-20 irpm
Bradipneia: <12 irpm (grave <10)
Taquipneia: >20 irpm (grave ≥30)

Saturação de O2

Normal: ≥95%
Limítrofe: 92-94%
Hipoxemia: 88-91% (necessita O2)
Hipoxemia Severa: <88% (O2 urgente!)

🎨 Interface e UX

Design System

Cores PCACR: Sistema de cores padronizado Manchester
Tipografia: Arial, sans-serif para legibilidade clínica
Ícones: Emojis para rápida identificação visual
Responsivo: Adaptável a tablets e desktops

Acessibilidade

Alto contraste para ambientes hospitalares
Feedback visual imediato em todas as ações
Mensagens de erro claras e acionáveis
Interface intuitiva para profissionais sob pressão

🔧 Configuração Avançada

Customizar Thresholds de Validação

Edite validacao_clinica.py:

# Exemplo: Tornar validação mais conservadora
elif news2 >= 8 and ml_class in ['BAIXA PRIORIDADE', 'MÍNIMA (ELETIVA)']:
    should_override = True
    new_classification = "ALTA PRIORIDADE"

Retreinar o Modelo

# Com seus próprios dados
python train_model.py

# O sistema criará novos arquivos:
# - models/pcacr_model.pkl
# - models/scaler.pkl

Ajustar Scores Clínicos

Edite scores_clinicos.py para modificar critérios ou adicionar novos scores.

🐛 Solução de Problemas

Erro: "Modelo ML não disponível"

# Treinar o modelo
python train_model.py

Erro: "Módulo não encontrado"

# Reinstalar dependências
pip install --upgrade -r requirements.txt

Erro: "Porta 8501 em uso"

# Usar porta alternativa
streamlit run app_triagem.py --server.port 8502

Banco de dados corrompido

# Deletar e reiniciar
del avicena_auth.db
streamlit run app_triagem.py

📈 Roadmap Futuro

Integração com PACS/RIS
API REST para integração com outros sistemas
App mobile para enfermeiros
Suporte multi-idioma
Dashboard administrativo
Exportação de relatórios (PDF/Excel)
Integração com prontuário eletrônico
Notificações push para médicos

🤝 Contribuindo

Contribuições são bem-vindas! Para contribuir:

Faça um fork do projeto
Crie uma branch para sua feature (git checkout -b feature/MinhaFeature)
Commit suas mudanças (git commit -m 'Adiciona MinhaFeature')
Push para a branch (git push origin feature/MinhaFeature)
Abra um Pull Request

Áreas para Contribuição

🐛 Correção de bugs
✨ Novas features
📝 Melhorias na documentação
🎨 Aprimoramentos de UI/UX
🔬 Validação clínica adicional
🧪 Testes unitários

📄 Licença

Este projeto é de código aberto para fins educacionais e de saúde. Sinta-se livre para usar, modificar e distribuir, mantendo os créditos originais.

⚠️ IMPORTANTE: Este sistema é uma ferramenta de apoio à decisão clínica. A avaliação e decisão final sempre devem ser realizadas por profissional de saúde habilitado.

🏆 Agradecimentos

Protocolo Manchester - Inspiração para classificação PCACR
NEWS2 - Royal College of Physicians
Glasgow Coma Scale - Universidade de Glasgow
Comunidade Python - Bibliotecas e ferramentas
Streamlit - Framework web incrível

📞 Contato e Suporte

Para dúvidas, sugestões ou reportar problemas:

📧 Email: [seu-email]
🐛 Issues: [GitHub Issues]
💬 Discussões: [GitHub Discussions]

📊 Estatísticas do Projeto

Linhas de Código: ~5.000+
Módulos: 6 principais
Scores Clínicos: 6 validados
Acurácia ML: 93.85%
Dataset: 50.000 pacientes
Tempo de Desenvolvimento: Novembro 2025

Desenvolvido com ❤️ para salvar vidas através da tecnologia

🏥 Avicena Care - Triagem Inteligente, Atendimento Eficiente

Name		Name	Last commit message	Last commit date
Latest commit History 1 Commit
models		models
.gitignore		.gitignore
COMO_USAR_ML.md		COMO_USAR_ML.md
FUNCIONALIDADES_URGENCIA.md		FUNCIONALIDADES_URGENCIA.md
IMPLEMENTACAO_ML_RESUMO.md		IMPLEMENTACAO_ML_RESUMO.md
ML_README.md		ML_README.md
NOVO_SISTEMA_COMPLETO.md		NOVO_SISTEMA_COMPLETO.md
README.md		README.md
add_data_atendimento.py		add_data_atendimento.py
analise_sepse.py		analise_sepse.py
app_triagem.py		app_triagem.py
app_triagem_backup.py		app_triagem_backup.py
app_triagem_new.py		app_triagem_new.py
auth.py		auth.py
check_columns.py		check_columns.py
iniciar_app.bat		iniciar_app.bat
init_data.py		init_data.py
migrate_db.py		migrate_db.py
ml_predictor.py		ml_predictor.py
patch_validacao.py		patch_validacao.py
requirements.txt		requirements.txt
scores_clinicos.py		scores_clinicos.py
styles.css		styles.css
test_ml.py		test_ml.py
test_scores.py		test_scores.py
test_todos_scores.py		test_todos_scores.py
train_model.py		train_model.py
update_leli.py		update_leli.py
validacao_clinica.py		validacao_clinica.py

Folders and files

Latest commit

History

Repository files navigation