Skip to content

ComputingTopics/DiabetesAI

BranchesTags

Repository files navigation

DiabetesAI Care - Sistema Inteligente de Planejamento Alimentar

Sistema colaborativo de agentes IA especializados em planejamento alimentar personalizado para gestão de Diabetes Tipo 2 e hipertensão.

🎯 Visão Geral

O DiabetesAI Care utiliza múltiplos agentes especializados trabalhando em conjunto através de uma arquitetura RAG (Retrieval-Augmented Generation):

🤖 Agentes Principais

Agente Especialização Função
Nutrition Agent Planejamento nutricional Gera planos alimentares personalizados
Diabetic Agent Controle glicêmico Calcula TIR/TAR/TBR e alertas
Judge Agent Coordenação Resolve conflitos e valida planos
Causal Inference Padrões Analisa relações causa-efeito
Chat Agent Conversação Assistente nutricional com RAG

🏗️ Arquitetura

  • Backend: FastAPI + SQLAlchemy + PostgreSQL
  • Frontend: AngularJS 1.x responsivo
  • IA: CrewAI + LangChain + Gemini API
  • Banco: PostgreSQL (produção) / SQLite (desenvolvimento)

📋 Pré-requisitos

  • Python 3.8+ com virtualenv
  • PostgreSQL 13+ (recomendado) ou SQLite
  • Node.js (para desenvolvimento frontend)
  • Gemini API Key (Google AI Studio)

🚀 Instalação Rápida

1. Clonagem e Dependências

# Clonar repositório
git clone <repository-url>
cd diabetes-ai-care

# Criar ambiente virtual
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# Instalar dependências
pip install -r requirements.txt

2. Configuração da API Key

# Obter chave no Google AI Studio
# https://makersuite.google.com/app/apikey

# Configurar variável
export GEMINI_API_KEY="sua-chave-aqui"

3. Banco de Dados

# PostgreSQL (recomendado)
./scripts/setup_postgresql_complete.sh

# Ou SQLite (desenvolvimento)
# Banco será criado automaticamente

4. Executar Sistema

# Setup completo
./scripts/setup.sh

# Iniciar servidor
./scripts/start_server.sh

# Acessar: http://localhost:8080

📁 Estrutura do Projeto

diabetes-ai-care/
├── 📄 README.md                    # Este arquivo
├── 🔧 scripts/                     # Scripts de automação
│   ├── 📄 README.md               # Documentação scripts
│   ├── start_server.sh           # Iniciar servidor
│   ├── setup_postgresql_complete.sh # Setup PostgreSQL
│   └── ...
├── 🤖 services/                    # Serviços de IA
│   ├── 📄 README.md               # Documentação agentes
│   ├── nutrition_service.py       # Agente nutricional
│   ├── diabetic_service.py        # Agente diabético
│   ├── judge_service.py          # Agente juiz
│   └── ...
├── 🎨 frontend/                    # Interface web
│   ├── 📄 README.md               # Documentação frontend
│   ├── home.html                  # Dashboard principal
│   ├── login.html                 # Autenticação
│   └── ...
├── 🧪 tests/                       # Testes automatizados
│   ├── 📄 README.md               # Documentação testes
│   ├── test_api.py               # Testes API
│   ├── test_services.py          # Testes agentes
│   └── ...
├── 💾 data/                        # Bases de dados
│   ├── 📄 README.md               # Documentação dados
│   ├── diabetesai.db             # Banco SQLite
│   ├── taco_unified.jsonl        # Base TACO
│   └── ...
├── 💻 backend/                     # Backend da aplicação
│   ├── 📄 __init__.py             # Pacote backend
│   ├── 📊 api.py                  # API FastAPI principal
│   ├── 🔄 storage.py              # Camada de persistência
│   ├── 🤖 meal_plan_rag.py       # Sistema RAG principal
│   ├── 🧠 llm_providers.py       # Provedores de LLM
│   ├── ⚡ llm_with_rate_limit.py  # LLM com rate limiting
│   ├── 🔍 rag_system.py          # Sistema RAG
│   ├── 🛡️ rate_limiter.py        # Rate limiter
│   └── 🕸️ neo4j_client.py       # Cliente Neo4j
└── 📋 requirements.txt            # Dependências Python

📖 Documentação Detalhada

✨ Funcionalidades Principais

👤 Gestão de Usuários

  • ✅ Cadastro e autenticação OAuth2
  • ✅ Perfis personalizados (métricas de saúde, preferências)
  • ✅ Histórico médico completo

🤖 Planejamento Alimentar Inteligente

  • ✅ Planos personalizados baseados em perfil individual
  • ✅ 5 agentes especializados trabalhando em conjunto
  • ✅ Controle de restrições (alergias, preferências, religião)

📊 Monitoramento Glicêmico

  • ✅ Cálculo TIR/TAR/TBR em tempo real
  • ✅ Alertas inteligentes de hipoglicemia/hiperglicemia
  • ✅ Timeline interativo com lembretes

💬 Assistente Nutricional

  • ✅ Chat conversacional com IA
  • ✅ Sistema RAG para respostas precisas
  • ✅ Voz sintetizada (acessibilidade)

📱 Interface Acessível

  • ✅ Design responsivo (mobile-first)
  • ✅ Cores semânticas e alto contraste
  • ✅ Fonte ampliada e navegação por teclado
  • ✅ Leitura em voz alta

🛠️ Desenvolvimento

Executar Testes

# Todos os testes
python -m pytest tests/ -v

# Testes específicos
python -m pytest tests/test_api.py -k "test_health"

# Com coverage
python -m pytest tests/ --cov=. --cov-report=html

Debug e Logs

# Ver logs em tempo real
tail -f logs/server.log

# Debug API
curl -X GET "http://localhost:8000/health"

# Debug agentes
python -c "from services.nutrition_service import NutritionService; svc = NutritionService(); print('OK')"

🤝 Contribuição

Processo de Desenvolvimento

  1. Fork o repositório
  2. Criar branch para feature: git checkout -b feature/nova-funcionalidade
  3. Commit mudanças: git commit -m 'Adiciona nova funcionalidade'
  4. Push para branch: git push origin feature/nova-funcionalidade
  5. Pull Request com descrição detalhada

Padrões de Código

  • Python: PEP 8, type hints obrigatórios
  • JavaScript: ESLint, JSDoc para funções
  • Commits: Conventional commits
  • Testes: Mínimo 80% cobertura

📄 Licença

Este projeto está sob a licença MIT. Ver LICENSE para detalhes.

📞 Suporte

  • Issues: GitHub Issues
  • Documentação: Ver READMEs das subpastas
  • Wiki: Em desenvolvimento

🎯 Roadmap

Próximas Features

  • Aplicativo mobile (React Native)
  • Integração wearables (Apple Watch, Fitbit)
  • Análise preditiva avançada
  • Suporte multi-idiomas
  • Dashboard médico para profissionais

Melhorias Técnicas

  • API GraphQL para consultas complexas
  • Cache Redis para performance
  • Containerização completa (Docker)
  • CI/CD automatizado
  • Monitoramento com Prometheus

Rollback to SQLite (if needed)

python rollback_to_sqlite.py

4. Test the RAG System

python test_rag_system.py

This will load nutritional data into the vector database (first run takes a few minutes).

5. Generate Meal Plans

python meal_plan_rag.py

For detailed instructions, see QUICK_START.md or MEAL_PLAN_RAG_README.md.

Using the System Programmatically

from meal_plan_rag import generate_meal_plan

user_query = {
    "meal_history": [
        "Café da manhã: Pão integral com queijo, café sem açúcar",
        "Almoço: Arroz, feijão, frango grelhado, salada",
        "Jantar: Sopa de legumes"
    ],
    "health_metrics": {
        "diabetes_type": "Type 2",
        "glucose_levels": "Elevated (140-180 mg/dL)",
        "weight": "85 kg",
        "height": "1.75 m"
    },
    "preferences": {
        "cuisine": "Brasileira",
        "region": "Sudeste",
        "likes": ["feijão", "frutas", "vegetais", "carne"],
        "dislikes": ["comida muito doce"]
    },
    "goals": [
        "Controlar glicemia",
        "Perder peso moderadamente",
        "Melhorar saúde cardiovascular"
    ],
    "restrictions": [
        "Diabetes tipo 2",
        "Limitar carboidratos refinados",
        "Evitar açúcar adicionado"
    ],
    "region": "Sudeste brasileiro"
}

result = generate_meal_plan(user_query)
print(result)

Project Structure

topicos/
├── api.py                   # REST API (FastAPI)
├── meal_plan_rag.py         # Main system - Meal planning RAG with collaborative agents
├── rag_system.py            # RAG infrastructure (vector DB, embeddings, retrieval)
├── test_rag_system.py       # Test script for RAG system
├── test_meal_plan_simple.py # Simple test script
├── API_README.md            # REST API documentation
├── OLLAMA_SETUP.md          # Ollama setup guide
├── TROUBLESHOOTING.md       # Troubleshooting guide
├── requirements.txt         # Python dependencies
├── setup.sh                 # Setup script (optional)
├── example_request.json     # Example API request
├── data/                    # Nutritional databases (TACO, TBCA)
├── chroma_db/               # Vector database (created automatically)
└── README.md                # This file

Features

  • Vector Database: Semantic search over 6,890+ nutritional items using ChromaDB
  • Multilingual Support: Works with Portuguese and English queries
  • Type 2 Diabetes Focus: Built-in considerations for diabetes management
  • Regional Preferences: Supports regional/cultural food preferences
  • Collaborative Agents: 5 specialized agents working together
  • Local LLM: Uses Ollama for free, private, local processing

Documentation

  • QUICK_START.md - Quick start guide
  • MEAL_PLAN_RAG_README.md - Comprehensive documentation
  • OLLAMA_SETUP.md - Detailed Ollama setup instructions
  • TROUBLESHOOTING.md - Common issues and solutions

REST API

The system includes a REST API built with FastAPI:

# Start the API server
python api.py

The API will be available at http://localhost:8000

Endpoints:

  • POST /meal-plan/generate - Generate a personalized meal plan
  • GET /health - Health check
  • GET /docs - Interactive API documentation (Swagger UI)

See API_README.md for detailed API documentation and examples.

Resources

License

This is a project template. Modify as needed for your use case.

About

Sistema inteligente de planejamento alimentar para Diabetes

Resources

Readme
Activity
Custom properties

Stars

0 stars

Watchers

0 watching

Forks

1 fork
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages