import pandas as pd import numpy as np from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report

Пример данных — замените на реальный датасет с диагнозами

data = { 'Белок': [70, 80, 76.9, 90], 'Билирубин': [6, 7, 6.8, 8], 'АЛТ': [20, 25, 22.9, 30], 'АСТ': [22, 27, 24.2, 28], 'Мочевая_кислота': [300, 400, 442, 350], 'Холестерин': [5, 5.5, 5.35, 6], 'Триглицериды': [1.5, 2.5, 2.38, 3], 'Диагноз': [0, 1, 1, 0] # 1 - подагра, 0 - нет }

df = pd.DataFrame(data)

X = df.drop('Диагноз', axis=1) y = df['Диагноз']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train)

y_pred = model.predict(X_test) print(classification_report(y_test, y_pred))

Тест на ваших данных

your_data = np.array([[76.9, 6.8, 22.9, 24.2, 442, 5.35, 2.38]]) prediction = model.predict(your_data) print("Вероятность подагры:", "Да" if prediction[0] == 1 else "Нет") import matplotlib import matplotlib.pyplot as plt

Ваши показатели и их значения

labels = [ 'Мочевая кислота', 'Коэффициент атерогенности', 'Триглицериды', 'Холестерин', 'Ревматоидный фактор', 'Белок', 'Билирубин', 'АЛТ', 'АСТ' ] values = [442, 5.2, 2.38, 5.35, 9.0, 76.9, 6.8, 22.9, 24.2]

Определяем, какие показатели выходят за норму (условно)

risks = { 'Мочевая кислота': 'Повышенный риск подагры и почечных камней', 'Коэффициент атерогенности': 'Высокий риск сердечно-сосудистых заболеваний', 'Триглицериды': 'Повышенный риск атеросклероза', 'Холестерин': 'Повышенный риск атеросклероза', 'Ревматоидный фактор': 'Возможное воспалительное заболевание', 'Белок': 'В пределах нормы', 'Билирубин': 'В пределах нормы', 'АЛТ': 'В пределах нормы', 'АСТ': 'В пределах нормы' }

Цвета: красный для рисков, зеленый для нормальных значений

colors = ['red' if key in ['Мочевая кислота', 'Коэффициент атерогенности', 'Триглицериды', 'Холестерин', 'Ревматоидный фактор'] else 'green' for key in labels]

Построение кольцевой диаграмма

fig, ax = plt.subplots(figsize=(8, 8)) wedges, texts = ax.pie(values, labels=labels, colors=colors, startangle=90, wedgeprops=dict(width=0.3))

Добавляем заголовок

plt.title('Анализ показателей крови и риски заболеваний')

Выводим легенду с описанием рисков

plt.figtext(0.1, 0.1, "Риски и отклонения:\n" + "\n".join([f"{k}: {v}" for k, v in risks.items()]), fontsize=10, ha='left')

plt.show()

mport matplotlib.pyplot as plt import pandas as pd

Данные по рекомендуемым продуктам и их доле в рационе (условно)

recommended_products = { 'Овощи и зелень': 35, 'Фрукты': 20, 'Цельнозерновые': 15, 'Нежирные белки (рыба, птица)': 15, 'Молочные продукты с низким содержанием жира': 10, 'Вода': 5 }

Круговая диаграмма рекомендуемых продуктов

labels = recommended_products.keys() sizes = recommended_products.values()

plt.figure(figsize=(8, 8)) plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90, colors=plt.cm.Paired.colors) plt.title('Рекомендуемые продукты при подагре и повышенном холестерине') plt.axis('equal') # Круглая диаграмма plt.show()

Таблица запрещённых продуктов

forbidden_products = [ "Красное мясо (говядина, свинина)", "Субпродукты (печень, почки)", "Морепродукты (креветки, мидии, сардины)", "Алкоголь (особенно пиво)", "Газированные сладкие напитки", "Жирные и жареные блюда", "Сладости и кондитерские изделия с высоким содержанием сахара" ]

print("Категорически запрещённые продукты при подагре и повышенном холестерине:\n") for item in forbidden_products: print(f" - {item}")