🏥 PREDICTIRA - Prédiction des Infections Respiratoires Aiguës

---

📋 Description

PREDICTIRA est une application web de prédiction des passages aux urgences pour Infections Respiratoires Aiguës (IRA) dans la région Auvergne-Rhône-Alpes. Elle utilise un modèle de Machine Learning (LightGBM) entraîné sur des données météorologiques, de qualité de l'air et de tendances de recherche Google.

🎯 Objectif : Aider les hôpitaux à anticiper les pics d'affluence pour mieux gérer leurs effectifs et ressources.

---

🏗️ Architecture du Système

flowchart TB
    subgraph Frontend["🖥️ Interface Web"]
        A1[homepage.html]
        A2[prediction.html]
    end

    subgraph Backend["⚙️ Backend Flask"]
        B1[app2.py]
        B2[Routes API]
    end

    subgraph ML["🤖 Machine Learning"]
        C1[lightgbm_model ML OK.pkl]
        C2[24 Features]
    end

    subgraph Data["📊 Données"]
        D1[df_Test_Indust.csv]
        D2[12 Départements]
    end

    A1 --> B1
    A2 --> B2
    B2 --> C1
    C1 --> C2
    D1 --> B2

    style Frontend fill:#e3f2fd
    style Backend fill:#e8f5e9
    style ML fill:#fff3e0
    style Data fill:#fce4ec

Loading

---

🔄 Pipeline de Prédiction

flowchart LR
    subgraph Input["1️⃣ Entrée Utilisateur"]
        A[Sélection<br/>Année/Semaine/Dept]
    end

    subgraph Load["2️⃣ Chargement"]
        B[Récupération<br/>données CSV]
    end

    subgraph Features["3️⃣ Features"]
        C[24 variables<br/>Météo + QAir + Symptômes]
    end

    subgraph Predict["4️⃣ Prédiction"]
        D[LightGBM<br/>Model]
    end

    subgraph Output["5️⃣ Résultat"]
        E[Nombre prédit<br/>passages IRA]
    end

    A --> B --> C --> D --> E

    style Input fill:#bbdefb
    style Load fill:#c8e6c9
    style Features fill:#fff9c4
    style Predict fill:#ffccbc
    style Output fill:#b2dfdb

Loading

---

🛠️ Technologies Utilisées

Composant	Technologie	Description
Backend	Flask	Framework web Python
ML Model	LightGBM	Gradient Boosting optimisé
Frontend	Bootstrap 5	Interface responsive
Data	Pandas, NumPy	Manipulation des données
API	Flask-CORS	Gestion des requêtes cross-origin

---

📊 Features du Modèle (24 variables)

Symptômes Google Trends (12)

Code	Symptôme
SYM1	Douleur thoracique
SYM3	Essoufflement
SYM5	Nausées
SYM6	Vomissements
SYM8	Palpitations
SYM22	Faiblesse
SYM23	Toux
SYM29	Sifflements
SYM31	Production de mucus
SYM34	Maux de tête
SYM35	Perte d'appétit
SYM68	Frissons

Qualité de l'Air (6)

Variable	Description
average_Co	Monoxyde de carbone
average_No_2	Dioxyde d'azote
average_O_3	Ozone
average_Pm_2_5	Particules fines PM2.5
average_So_2	Dioxyde de soufre
average_IQA_global	Indice qualité air global

Météo & Autres (6)

Variable	Description
avg_pressure	Pression atmosphérique moyenne
avg_temperature_max	Température max moyenne
indice	Indice grippe (Sentinelles)
dept	Code département
week_cos	Encodage cyclique semaine
year	Année

---

🗺️ Départements Couverts

Code	Département
01	Ain
03	Allier
07	Ardèche
15	Cantal
26	Drôme
38	Isère
42	Loire
43	Haute-Loire
63	Puy-de-Dôme
69	Rhône
73	Savoie
74	Haute-Savoie

---

📁 Structure du Projet

PREDICTIRA/
│
├── 📂 static/
│   ├── css/
│   │   ├── bootstrap.min.css
│   │   └── style.css
│   └── images/
│       ├── image.png
│       └── logo3.png
│
├── 📂 templates/
│   ├── homepage.html          # Page d'accueil
│   └── prediction.html        # Interface de prédiction
│
├── 📂 documentation/
│   └── Rapport_FilsRouge.docx # Rapport complet du projet
│
├── 📂 preproc/
│   ├── DF_preprocessing.ipynb # Notebook preprocessing
│   └── ML_modele2_V8.ipynb    # Notebook entraînement modèle
│
├── 📄 app2.py                  # Application Flask principale
├── 📄 featuresExtract.py       # Script extraction features
├── 📄 lightgbm_model ML OK.pkl # Modèle LightGBM entraîné
├── 📄 df_Test_Indust.csv       # Données de test
├── 📄 listeFeatures.txt        # Liste des 24 features
├── 📄 departement.txt          # Liste des départements
├── 📄 requirements.txt         # Dépendances Python
└── 📄 README.md

---

🚀 Installation

Prérequis

• Python 3.8+
• pip

Étapes

# 1. Cloner le repository
git clone https://github.com/MohdSarar/PREDICTIRA.git
cd PREDICTIRA

# 2. Créer un environnement virtuel
python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate     # Windows

# 3. Installer les dépendances
pip install -r requirements.txt

# 4. Lancer l'application
python app2.py

Accéder à l'application

Ouvrir dans le navigateur : http://127.0.0.1:5000/

---

💡 Utilisation

1. Page d'accueil

Présentation du projet et accès à l'interface de prédiction.

2. Interface de prédiction

1. Sélectionner l'année, la semaine et le département
2. Cliquer sur "Valider" pour charger les données
3. Modifier les valeurs si nécessaire
4. Cliquer sur "Prédire" pour obtenir le résultat

3. Résultat

Le modèle retourne le nombre prédit de passages aux urgences pour IRA.

---

📈 Performances du Modèle

Métrique	Score
R² Score	0.87
RMSE	~18 passages

---

📚 Documentation

Notebooks (dossier preproc/)

Fichier	Description
DF_preprocessing.ipynb	Preprocessing des données, feature engineering, agrégation hebdomadaire
ML_modele2_V8.ipynb	Entraînement LightGBM, benchmark modèles, optimisation hyperparamètres

Rapport

Le rapport complet du projet est disponible dans documentation/Rapport_FilsRouge.docx.

---

🔮 Évolutions Futures

• 🌍 Extension à d'autres régions françaises
• 📱 Application mobile
• 🔗 API REST publique
• 📊 Dashboard temps réel (Streamlit)

---

👥 Équipe Projet

Projet réalisé dans le cadre du Projet Fil Rouge - Centre de formation M2I

Mohammed ABUSARAR Sarra ABBASSI Patrice DUCLOS Yannick REPILLEZ

---

📧 Contact

• GitHub : M2IFormationHopital
• Email : m2iformationhopital@gmail.com

---

📄 Licence

Distribué sous la licence MIT. Voir LICENSE pour plus d'informations.

---

🏥 PREDICTIRA - Anticiper pour mieux soigner