%reload_ext autoreload
%autoreload 2

# Importation du "contexte", ie la bibliothèque sans installation
import context

import spacy

# One-shot import of all declared spaCy components

a = spacy.registry.get('factories','charlson')

a()

text = (
    "Le patient est admis pour des douleurs dans le bras droit. mais n'a pas de problème de locomotion. \n"
    "Historique d'AVC dans la famille mais pas chez les voisins\n"
    "mais ne semble pas en être un\n"
    "Charlson 7.\n"
    "Pourrait être un cas de rhume du fait d'un hiver rigoureux.\n"
    "Motif :\n"
    "Douleurs dans le bras droit."
)

nlp = spacy.blank('fr')
nlp.add_pipe('sentencizer')
# nlp.add_pipe('sentences')
nlp.add_pipe('matcher', config=dict(terms=dict(tabac=['Tabac'])))
nlp.add_pipe('normalizer')
nlp.add_pipe('hypothesis')
nlp.add_pipe('family', config=dict(on_ents_only=False))
#nlp.add_pipe('charlson')

text = "Tabac:\n"

doc = nlp(text)

print([(token.text, token._.hypothesis_) for token in doc if token._.hypothesis==True])

doc.ents[0].end

from edsnlp.utils.inclusion import check_inclusion
ents = [ent for ent in doc.ents if check_inclusion(ent, 0, 2)]
ents

print([(ent.text, ent.start, ent.end) for ent in doc.ents])

import thinc

registered_func = spacy.registry.get("misc", "score_norm")

@spacy.registry.misc("score_normalization.charlson")
def score_normalization(extracted_score):
    """
    Charlson score normalization.
    If available, returns the integer value of the Charlson score.
    """
    score_range = list(range(0, 30))
    if (extracted_score is not None) and (int(extracted_score) in score_range):
        return int(extracted_score)

charlson_config = dict(
    score_name = 'charlson',
    regex = [r'charlson'],
    value_extract = r"(\d+)",
    score_normalization = "score_normalization.charlson"
)

nlp = spacy.blank('fr')
nlp.add_pipe('sentences')
nlp.add_pipe('normalizer')
nlp.add_pipe('score', config = charlson_config)

# nlp.add_pipe('sentencizer')
nlp.add_pipe('sentences')
nlp.add_pipe('normalizer')
nlp.add_pipe('matcher', config=dict(terms=dict(douleurs=['probleme de locomotion', 'douleurs']), attr='NORM'))
nlp.add_pipe('sections')
nlp.add_pipe('pollution')

text = (
    "Le patient est admis pour des douleurs dans le bras droit, mais n'a pas de problème de locomotion. "
    "Historique d'AVC dans la famille. pourrait être un cas de rhume.\n"
    "NBNbWbWbNbWbNBNbNbWbWbNBNbWbNbNbWbNBNbWbNbNBWbWbNbNbNBWbNbWbNbWBNbNbWbNbNBNbWbWbNbWBNbNbWbNBNbWbWbNb\n"
    "Pourrait être un cas de rhume.\n"
    "Motif :\n"
    "Douleurs dans le bras droit."
)

doc = nlp(text)

doc.ents[0]._.after_snippet

doc._.sections

doc._.clean_

doc[17]._.ascii_

doc._.clean_

doc._.clean_[165:181]

doc.text[165:181]

span = doc._.char_clean_span(165, 181)
span

doc._.sections[0]