Este projeto demonstra a aplicação de métricas de fairness em modelos de Machine Learning usando o dataset Pima Diabetes.

pip install -r requirements.txt

python demo_pima_diabetes.py

Este script irá:

1. Carregar o dataset Pima Diabetes
2. Criar atributos sensíveis (grupos de idade e IMC)
3. Treinar múltiplos modelos (Logistic Regression, Random Forest, Gradient Boosting)
4. Calcular métricas de fairness (ABLNI)
5. Gerar visualizações na pasta outputs/
6. Criar relatórios em HTML e texto

Todos os arquivos são salvos na pasta outputs/:

• 01_subgroup_results_rf.png - Resultados por subgrupo
• 02_comprehensive_dashboard.png - Dashboard completo de fairness
• 03_calibration_curves.png - Curvas de calibração por subgrupo
• 04_decision_curves.png - Curvas de decisão (net benefit)
• 05_model_comparison.png - Comparação entre modelos
• 06_threshold_sensitivity.png - Análise de sensibilidade ao threshold
• 07_intersectional_heatmap.png - Heatmap de grupos interseccionais

• model_comparison.csv - Comparação quantitativa de modelos
• subgroup_detailed_results.csv - Métricas detalhadas por subgrupo
• threshold_sensitivity.csv - Análise de diferentes thresholds

• fairness_report.html - Relatório interativo em HTML
• fairness_report.txt - Relatório em texto simples

fairness/
├── fairness_metrics.py          # Implementação da métrica ABLNI
├── fairness_visualization.py    # Ferramentas de visualização
├── demo_pima_diabetes.py        # Script de demonstração
├── test_fairness_metrics.py     # Testes unitários
├── requirements.txt             # Dependências
├── README.md                    # Este arquivo
└── outputs/                     # Pasta com resultados (gerada automaticamente)

ABLNI (Adjusted Intersectional Net Benefit) é uma métrica de fairness que:

• Avalia equidade entre subgrupos interseccionais
• Considera o net benefit clínico de cada subgrupo
• Pondera falsos positivos e verdadeiros positivos
• Retorna um score de 0 a 1 (valores maiores = mais equidade)

• ≥ 0.90: EXCELENTE - Alta equidade
• 0.80-0.89: BOM - Equidade aceitável
• 0.70-0.79: MODERADO - Disparidades notáveis
• < 0.70: CRÍTICO - Intervenção necessária

from fairness_metrics import AdjustedIntersectionalNetBenefit
import pandas as pd

# Seus dados
y_true = [0, 1, 0, 1, ...]
y_pred_proba = [0.2, 0.8, 0.3, 0.7, ...]
sensitive_attrs = pd.DataFrame({
    'age_group': ['young', 'old', ...],
    'gender': ['F', 'M', ...]
})

# Calcular fairness
ablni = AdjustedIntersectionalNetBenefit(threshold=0.5)
score = ablni.fit(y_true, y_pred_proba, sensitive_attrs)

print(f"ABLNI Score: {score:.3f}")
print(ablni.get_summary_report())
ablni.plot_subgroup_results()

from fairness_visualizations import FairnessComparator

comparator = FairnessComparator()
comparator.add_model('Model A', y_true, y_pred_a, sensitive_attrs)
comparator.add_model('Model B', y_true, y_pred_b, sensitive_attrs)
comparator.plot_comparison()

# Obter tabela de comparação
comparison_table = comparator.get_comparison_table()
print(comparison_table)

pytest test_fairness_metrics.py -v

O dataset Pima Diabetes contém informações de 768 pacientes mulheres de herança Pima:

• Features: Gravidez, glucose, pressão arterial, BMI, idade, etc.
• Target: Presença de diabetes (binário)
• Uso: Previsão de diabetes tipo 2

Neste projeto, criamos grupos sensíveis baseados em:

• Idade: younger vs older (mediana)
• IMC: normal_bmi vs high_bmi (mediana)

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou pull requests.

MIT License

Para dúvidas ou sugestões, entre em contato com a equipe LABDAPS.

Nota: Este é um projeto educacional para demonstrar análises de fairness em modelos de ML clínicos.