Este projeto tem como objetivo desenvolver um Sistema de Suporte à Decisão para auxiliar médicos no diagnóstico de doenças cardiovasculares. Utilizando técnicas de aprendizado de máquina, especificamente o modelo Random Forest da biblioteca scikit-learn, o sistema pode prever a probabilidade de um paciente ter uma doença cardiovascular com base em seus dados médicos. O sistema é construído com Flask, um microframework web em Python, e utiliza SQLite como banco de dados.

• Cadastro e login de usuários (profissionais de saúde).
• Registro de pacientes com informações detalhadas.
• Entrada de dados médicos do paciente para predição.
• Predição de doenças cardiovasculares usando o modelo Random Forest.
• Visualização das previsões e histórico de diagnósticos.
• Visualização dos pacientes e seu diagnósticos.
• Interface web responsiva com Bootstrap.

/SYSAD-AI
|
├── bd/
│   ├── bd_sysad.db
│   └── bd_sysad.sql
│   └── bd_sysad.py
|
├── ml/
│   ├── rf_model.pkl # Modelo "random forest" treinado
│   └── gb_model.pkl  # Modelo "Gradient Boosting" treinado
│   └── heart_disease_data.csv  # Dataset do projecto
│   └── scaler.pkl
│   └── sysad-ai.ipynb
│   └── treinar_modelo.py
|
├── static/
│   ├── css/
│   └── fonts/
│   └── img/
│   └── js/
│
├── templates/
│   ├── base.html
│   ├── cadastroUsuariio.html
│   └── consultaPaciente.html
│   └── consultaPrevisao.html
│   ├── dashboard.html
│   └── index.html
│   ├── login.html
│   └── previsao.html
│
├── app.py
└── README.md

• Backend: Flask(Python)
• Frontend: HTML, CSS, Javascript, Bootstrap
• Banco de Dados: SQLite
• Modelos de Machine Learning: scikit-learn (Random Forest, Gradient Boosting), o random forest é o principal moelo usado
• Outras Bibliotecas: pandas, numpy, SQLAlchemy, werkzeug

• Python 3.7+
• pip (Python package installer)

1. Clone o repositório:

   git clone https://github.com/Ximana/sysad-ai.git
   cd sysad-ai

2. Crie um ambiente virtual:

   python -m venv venv
   source venv/bin/activate  # No Windows, use `venv\Scripts\activate`

3. Instale as dependências:

   pip install -r pandas
   pip install -r numpy
   pip install -r flask

4. Prepare o banco de dados:

   python bd_sysad.py

5. Treine o modelo de machine learning:

   python ml/treinar_modelo.py

6. Execute o aplicativo:

   flask run

   O aplicativo estará disponível em http://127.0.0.1:5000.

• Acesse a página inicial e faça o cadastro de um novo usuário (profissional de saúde).
• Após o cadastro, faça login com suas credenciais.

• Após o login, você será redirecionado para o dashboard.
• No dashboard, registre novos pacientes com suas informações pessoais e médicas.

• No formulário de registro de previsões, insira os dados do paciente e os dados médicos necessários.
• O sistema realizará a predição e exibirá os resultados.

• Acesse a página de histórico para visualizar todas as previsões feitas por você.

O modelo Random Forest é usado para realizar as predições de doenças cardiovasculares. Este modelo foi escolhido por sua robustez e precisão em tarefas de classificação. O código para treinamento do modelo está no arquivo treinar_modelo.py.

No entanto o arquivo treinar_modelo.py treina e gera modelo "Gradient Boosting" como segunda opção.

O arquivo app.py contém a funcao predict_GB() que usa o "Gradient Boosting"

O script treinar_modelo.py carrega os dados, treina os modelos "Random Forest" e "Gradient Boosting" e salva o modelos treinados em um arquivo para uso posterior.

Contribuições são bem-vindas! Por favor, abra uma issue ou envie um pull request para discutir qualquer mudança que você gostaria de fazer.

Espero que este README forneça uma visão clara e detalhada do projeto. Se houver qualquer dúvida ou sugestão, sinta-se à vontade para entrar em contato.