Subindo Assistente Médico com Docker e Ollama

Dockerfile

@@ -1,21 +1,16 @@
-FROM python:3.9-slim
+FROM python:3.10-slim
 
-WORKDIR /app
-
-RUN apt-get update && apt-get install -y \
-    build-essential \
-    curl \
-    software-properties-common \
-    git \
-    && rm -rf /var/lib/apt/lists/*
+# Instalações básicas e Ollama
+RUN apt-get update && apt-get install -y curl git && \
+    curl -fsSL https://ollama.com/install.sh | sh
 
-COPY requirements.txt ./
-COPY src/ ./src/
+WORKDIR /app
 
-RUN pip3 install -r requirements.txt
+COPY . /app
 
-EXPOSE 8501
+RUN pip install --upgrade pip
+RUN pip install -r requirements.txt
 
-HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health
+EXPOSE 7860
 
-ENTRYPOINT ["streamlit", "run", "src/streamlit_app.py", "--server.port=8501", "--server.address=0.0.0.0"]
+CMD ["streamlit", "run", "app.py", "--server.port=7860", "--server.address=0.0.0.0"]

requirements.txt

@@ -1,3 +1,8 @@
-altair
-pandas
-streamlit
+langchain
+langchain-ollama
+langchain_community
+langchain_chroma
+datasets
+streamlit
+bs4
+lxml

src/app.py

@@ -0,0 +1,96 @@
+import streamlit as st
+from core_agent import chat_with_history, chat_especialista_with_history
+from vector import buscar_contexto
+from scrapping_especialistas import retornar_json
+from obter_endereco import obter_endereco
+import json
+import re
+
+st.set_page_config(page_title="Assistente Médico", page_icon="🩺")
+st.title("Assistente Médico com IA")
+
+if "session_id" not in st.session_state:
+    st.session_state.session_id = "sessao_default"
+
+if "messages_sintomas" not in st.session_state:
+    st.session_state.messages_sintomas = []
+
+if "messages_especialistas" not in st.session_state:
+    st.session_state.messages_especialistas = []
+
+modo = st.radio("Escolha o tipo de assistência:", ["🩺 Sintomas", "👨‍⚕️ Especialistas"])
+
+if modo == "🩺 Sintomas":
+    for msg in st.session_state.messages_sintomas:
+        with st.chat_message(msg["role"]):
+            st.markdown(msg["content"])
+
+    user_input = st.chat_input("Descreva seus sintomas aqui...")
+
+    if user_input:
+        st.session_state.messages_sintomas.append({"role": "user", "content": user_input})
+        with st.chat_message("user"):
+            st.markdown(user_input)
+
+        contexto = buscar_contexto(user_input)
+
+        resposta = chat_with_history.invoke(
+            {
+                "question": user_input,
+                "context": contexto,
+            },
+            config={"configurable": {"session_id": st.session_state.session_id + "_sintomas"}}
+        )
+
+        st.session_state.messages_sintomas.append({"role": "assistant", "content": resposta})
+        with st.chat_message("assistant"):
+            st.markdown(resposta)
+
+if modo == "👨‍⚕️ Especialistas":
+    especialidade = st.selectbox("Escolha a especialidade:", [
+        "pediatras", "cardiologistas", "dermatologistas", "neurologistas", "ginecologistas"
+    ])
+
+    cep = st.text_input("Digite seu CEP (formato 00000-000)", max_chars=9, placeholder="00000-000")
+
+    quantidade = st.slider("Quantidade de especialistas a retornar", min_value=1, max_value=10, value=5)
+
+    botao_consultar = st.button("Consultar Especialistas")
+
+    if botao_consultar:
+        cep_formatado = re.sub(r"[^0-9]", "", cep)
+        if len(cep_formatado) != 8:
+            st.warning("CEP inválido. Use o formato 00000-000.")
+        else:
+            cep_formatado = cep_formatado[:5] + '-' + cep_formatado[5:]
+
+            try:
+                endereco = obter_endereco(cep_formatado)
+                cidade = endereco.get("city", "").lower()
+                estado = endereco.get("state", "").lower()
+
+                st.info(f"🔍 Buscando especialistas em {especialidade} na região de {cidade.upper()} - {estado.upper()}...")
+
+                dados_especialistas = retornar_json(especialidade, cidade, estado)
+
+                if dados_especialistas:
+                    st.success(f"{len(dados_especialistas)} especialistas encontrados.")
+
+                    # Exibe apenas a quantidade solicitada
+                    for i,especialista in enumerate(dados_especialistas[:quantidade]):
+                        st.markdown(f"""
+                        {i + 1}. **Nome:** {especialista.get('name', 'Não informado')}  
+                        - Rua: {especialista.get('rua', 'Não informado')}  
+                        - Bairro: {especialista.get('bairro', 'Não informado')}  
+                        - Cidade: {especialista.get('cidade', 'Não informado')}  
+                        - Estado: {especialista.get('estado', 'Não informado')}  
+                        - Especialidades: {', '.join(especialista.get('especialidades', [])) if especialista.get('especialidades') else 'Não informado'}
+                        - Convênios: {', '.join(especialista.get('convenios', [])) if especialista.get('convenios') else 'Não informado'}
+                        - Nota Total: {especialista.get('nota_total', 'Não informado')}  
+                        """)
+
+                else:
+                    st.warning("Nenhum especialista encontrado para a região e especialidade informada.")
+
+            except Exception as e:
+                st.error(f"Ocorreu um erro ao buscar os especialistas: {e}")

src/core_agent.py

@@ -0,0 +1,97 @@
+from langchain_ollama.llms import OllamaLLM
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.chat_history import BaseChatMessageHistory
+from langchain_community.chat_message_histories import ChatMessageHistory
+from langchain_core.runnables.history import RunnableWithMessageHistory
+from vector import buscar_contexto
+import streamlit as st
+
+llm = OllamaLLM(model="llama3.2", temperature=0.7)
+
+template = """
+    Você é um assistente de IA especializado em ajudar pacientes com informações sobre doenças, sintomas e tratamentos.
+    Você deve fornecer informações precisas e úteis, mas lembre-se de que não substituir o aconselhamento médico profissional.
+    Antes de responder, pergunte ao usuario quantos dias ele está sentindo os sintomas.
+    Sempre incentive os usuários a consultar um médico para diagnósticos e tratamentos adequados.
+    Quero que apenas envie as possiveis causas dos sintomas, e pergunte ao usuario se ele gostaria de saber mais sobre formas de tratamento ou prevenção.
+
+    Contexto: 
+    {context}
+    
+    Histórico:
+    {history}
+
+    Pergunta:
+    {question}
+"""
+
+template_especialista = """
+Você é um assistente de IA que ajuda usuários a encontrar especialistas médicos com base em dados fornecidos.
+
+Seu objetivo é:
+
+- listar **somente os nomes e endereços** dos especialistas disponíveis, **sem inventar dados**.
+- Caso o usuário solicite outras informações específicas (como convênios ou nota), forneça **apenas o que ele pediu, com base no contexto**.
+- Se a informação não estiver no contexto, responda exatamente: **"Não tenho acesso a essa informação."**
+
+Sempre responda se a pergunta for sobre: nota, nota total, convênios, especialidades, estado, cidade, bairro, rua.  
+Apenas envie a informação sobre o médico ou médicos da pergunta.  
+Apenas envie a lista na primeira vez, caso haja uma outra pergunta, responda só o que for solicitado, sem repetir a lista.
+
+Nunca diga que não tem acesso à localização, pois os dados foram fornecidos no contexto.  
+Nunca invente ou crie dados.  
+
+Formato da resposta, mantenha exatamente:
+
+1. Nome: 'name'  
+- Rua: 'rua'  
+- bairro: 'bairro'  
+- Cidade: 'cidade'  
+- Especialidades: 'especialidades'  
+
+Contexto:  
+{context}
+
+Histórico:  
+{history}
+
+Pergunta:  
+{question}
+"""
+
+prompt = ChatPromptTemplate.from_messages([
+    ("system", template),
+    MessagesPlaceholder(variable_name="history"),
+    ("human", "{question}"),
+])
+
+chain = prompt | llm
+
+prompt_especialista = ChatPromptTemplate.from_messages([
+    ("system", template_especialista),
+    MessagesPlaceholder(variable_name="history"),
+    ("human", "{question}"),
+])
+
+chain_especialista = prompt_especialista | llm
+
+
+store = {}
+
+def get_session_history(session_id):
+    if session_id not in store:
+        store[session_id] = ChatMessageHistory()
+    return store[session_id]
+
+chat_with_history = RunnableWithMessageHistory(
+    chain,
+    get_session_history,
+    input_messages_key="question",
+    history_messages_key="history"
+)
+chat_especialista_with_history = RunnableWithMessageHistory(
+    chain_especialista,
+    get_session_history,
+    input_messages_key="question",
+    history_messages_key="history"
+)

src/obter_endereco.py

@@ -0,0 +1,13 @@
+import requests
+
+import re
+
+def formatar_cep(cep):
+    return re.sub(r"[^0-9]", "", cep).zfill(8)[:5] + "-" + re.sub(r"[^0-9]", "", cep).zfill(8)[5:]
+
+def obter_endereco(cep):
+    url = f"https://cdn.apicep.com/file/apicep/{cep}.json"
+    resposta = requests.get(url)
+    data = resposta.json()
+
+    return data

src/scrapping_especialistas.py

@@ -0,0 +1,56 @@
+import requests
+from lxml import html
+
+def obter_links(especialidade, cidade, estado):
+
+    url=f"https://www.boaconsulta.com/especialistas/{especialidade}/{cidade}-{estado}/"
+    headers = {
+        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36",
+        "Accept-Language": "pt-BR,pt;q=0.9",
+    }
+    page = requests.get(url=url, headers=headers)
+    tree = html.fromstring(page.content)
+    list = tree.xpath("//a[@id='search-item-name-profile-link']/@href")
+    return list
+
+def obter_info_especialista(link):
+    url = "https://www.boaconsulta.com" + link
+    headers = {
+        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36",
+        "Accept-Language": "pt-BR,pt;q=0.9",
+    }
+
+    page = requests.get(url=url, headers=headers)
+    tree = html.fromstring(page.content)
+
+    name = tree.xpath("//h1[@itemprop='name']/text()")
+    rua = tree.xpath("//span[@itemprop='streetAddress']/text()")
+    bairro = tree.xpath("//h3[contains(@class,'speakable-locations-name')]/text()")
+    cidade = tree.xpath("//span[@itemprop='addressLocality']/text()")
+    estado = tree.xpath("//span[@itemprop='addressRegion']/text()")
+    especialidades = tree.xpath("//h2[@class='speakable-locations-specialties']//button/text()")
+    convenios = tree.xpath("//a[contains(@href, 'agendamento/convenio')]/text()")
+    nota_total = tree.xpath("//div[contains(@class,'speakable-locations-reviews')]//p[contains(@class,'text-4xl')]/text()")
+    
+    valores = {
+        "name": name[0].strip() if name else "",
+        "rua": rua[0].strip() if rua else "",
+        "bairro": bairro[0].strip() if bairro else "",
+        "cidade": cidade[0].strip() if cidade else "",
+        "estado": estado[0].strip() if estado else "",
+        "especialidades": [i.strip() for i in especialidades] if especialidades else [],
+        "convenios": [i.strip() for i in convenios] if convenios else [],
+        "nota_total": nota_total[0].strip() if nota_total else ""
+    }
+
+    return valores
+
+def retornar_json(especialista, cidade, estado):
+    links = obter_links(especialista,cidade,estado)
+
+    lista = []
+    for i in links:
+        retorno = obter_info_especialista(i)
+        lista.append(retorno)
+
+    return lista

src/streamlit_app.py

@@ -1,40 +0,0 @@
-import altair as alt
-import numpy as np
-import pandas as pd
-import streamlit as st
-
-"""
-# Welcome to Streamlit!
-
-Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
-
-In the meantime, below is an example of what you can do with just a few lines of code:
-"""
-
-num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
-num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
-
-indices = np.linspace(0, 1, num_points)
-theta = 2 * np.pi * num_turns * indices
-radius = indices
-
-x = radius * np.cos(theta)
-y = radius * np.sin(theta)
-
-df = pd.DataFrame({
-    "x": x,
-    "y": y,
-    "idx": indices,
-    "rand": np.random.randn(num_points),
-})
-
-st.altair_chart(alt.Chart(df, height=700, width=700)
-    .mark_point(filled=True)
-    .encode(
-        x=alt.X("x", axis=None),
-        y=alt.Y("y", axis=None),
-        color=alt.Color("idx", legend=None, scale=alt.Scale()),
-        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
-    ))

src/vector.py

@@ -0,0 +1,45 @@
+from datasets import load_dataset
+from langchain_ollama import OllamaEmbeddings
+from langchain_chroma import Chroma
+from langchain_core.documents import Document
+import os
+
+def buscar_contexto(pergunta, k=5):
+    docs = vector_store.similarity_search(pergunta, k=k)
+    return "\n".join([doc.page_content for doc in docs])
+
+embeddings = OllamaEmbeddings(model="mxbai-embed-large")
+dataset = load_dataset("qiaojin/PubMedQA", "pqa_labeled")
+
+db_location = "./chroma_db"
+
+add_documents = not os.path.exists(db_location)
+
+documents = []
+if add_documents:
+
+    for row in dataset["train"]:
+        question = row["question"]
+        context_chunk = row["context"]["contexts"]
+
+        full_context = "\n".join(context_chunk)
+        answer = row["long_answer"]
+
+        doc = Document(
+            page_content=f"Pergunta: {question}\nContexto: {full_context}\nResposta: {answer}",
+            metadata = {"pubid": row["pubid"], "final_decision": row["final_decision"], "meshes": row["context"]["meshes"],"labels": row["context"]["labels"]}
+        )
+
+        documents.append(doc)
+
+    vector_store = Chroma.from_documents(
+        documents=documents,
+        embedding=embeddings,
+        persist_directory=db_location
+    )
+
+else:
+    vector_store = Chroma(
+        embedding_function=embeddings,
+        persist_directory=db_location
+    )