ইউটিলিটারিয়ানিজম — AI সিদ্ধান্তে কনসিকোয়েনশিয়ালিস্ট যুক্তি

# হাসপাতাল ট্রায়াজ-প্রায়োরিটাইজেশন AI -- তিনটি প্রার্থী নীতি (সিন্থেটিক, ইলাস্ট্রেটিভ সংখ্যা)
# প্রতিটি গ্রুপের জন্য: count (গ্রুপ-আকার), p_benefit/m_benefit (উপকারের সম্ভাবনা/মাত্রা),
# p_harm/m_harm (ক্ষতির সম্ভাবনা/মাত্রা)

options = {
    "A. সময়ভিত্তিক সারি (হালকা severity সমন্বয়)": {
        "critical_salvageable": {"count": 20,  "p_benefit": 0.30, "m_benefit": 8,   "p_harm": 0.50, "m_harm": 6},
        "critical_low_salvage":  {"count": 8,   "p_benefit": 0.30, "m_benefit": 2,   "p_harm": 0.40, "m_harm": 3},
        "moderate":              {"count": 50,  "p_benefit": 0.50, "m_benefit": 3,   "p_harm": 0.20, "m_harm": 2},
        "mild":                  {"count": 100, "p_benefit": 0.70, "m_benefit": 1,   "p_harm": 0.05, "m_harm": 1},
        "staff":                 {"count": 30,  "p_benefit": 0.60, "m_benefit": 2,   "p_harm": 0.10, "m_harm": 1},
    },
    "B. শুধু severity-ওয়েটেড": {
        "critical_salvageable": {"count": 20,  "p_benefit": 0.90, "m_benefit": 9,   "p_harm": 0.05, "m_harm": 5},
        "critical_low_salvage":  {"count": 8,   "p_benefit": 0.85, "m_benefit": 3,   "p_harm": 0.05, "m_harm": 3},
        "moderate":              {"count": 50,  "p_benefit": 0.20, "m_benefit": 3,   "p_harm": 0.60, "m_harm": 4},
        "mild":                  {"count": 100, "p_benefit": 0.10, "m_benefit": 1,   "p_harm": 0.50, "m_harm": 2},
        "staff":                 {"count": 30,  "p_benefit": 0.30, "m_benefit": 1,   "p_harm": 0.40, "m_harm": 3},
    },
    "C. severity × প্রত্যাশিত-উপকার (সালভেজেবিলিটি বিবেচনা)": {
        "critical_salvageable": {"count": 20,  "p_benefit": 0.95, "m_benefit": 10,  "p_harm": 0.02, "m_harm": 5},
        "critical_low_salvage":  {"count": 8,   "p_benefit": 0.40, "m_benefit": 3,   "p_harm": 0.30, "m_harm": 4},
        "moderate":              {"count": 50,  "p_benefit": 0.60, "m_benefit": 4,   "p_harm": 0.15, "m_harm": 2},
        "mild":                  {"count": 100, "p_benefit": 0.50, "m_benefit": 1.5, "p_harm": 0.10, "m_harm": 1},
        "staff":                 {"count": 30,  "p_benefit": 0.50, "m_benefit": 2,   "p_harm": 0.30, "m_harm": 2},
    },
}

GROUP_LABELS = {
    "critical_salvageable": "গুরুতর রোগী (দ্রুত চিকিৎসায় ভালো সাড়া দেওয়ার সম্ভাবনা বেশি)",
    "critical_low_salvage":  "গুরুতর রোগী (চিকিৎসায় সাড়া দেওয়ার সম্ভাবনা কম)",
    "moderate":              "মাঝারি অবস্থার রোগী",
    "mild":                  "হালকা অবস্থার রোগী",
    "staff":                 "মেডিক্যাল স্টাফ",
}

def expected_welfare(option_data):
    total = 0.0
    breakdown = {}
    for group, d in option_data.items():
        net_per_person = d["p_benefit"] * d["m_benefit"] - d["p_harm"] * d["m_harm"]
        group_total = d["count"] * net_per_person
        breakdown[group] = group_total
        total += group_total
    return total, breakdown

results = {}
for name, data in options.items():
    total, breakdown = expected_welfare(data)
    results[name] = total
    print(f"--- {name} ---")
    for group, val in breakdown.items():
        print(f"  {GROUP_LABELS[group]}: {val:+.1f}")
    print(f"  মোট প্রত্যাশিত কল্যাণ: {total:+.1f}\n")

best = max(results, key=results.get)
print("=" * 50)
print("ইউটিলিটারিয়ান-পছন্দের বিকল্প (সর্বোচ্চ মোট প্রত্যাশিত কল্যাণ):")
print(f"  {best}\n  -> {results[best]:+.1f}")