CODE2CARE_AICELLGI

🩺 Hackathon IA en Santé 2025 : Solutions pour l’Hôpital Général de Douala

Solutions IA pour transformer les soins de santé à l’Hôpital Général de Douala

Ce dépôt contient les prototypes et la documentation technique développés par l’équipe AICELLGI lors du Hackathon IA en Santé 2025, organisé à l’Hôpital Général de Douala (DGH) en partenariat avec Data Science Without Borders (DSWB) et financé par la Wellcome Trust. Les solutions proposées répondent à trois défis clés : un système de gestion des retours et rappels des patients, un chatbot éducatif basé sur des modèles de langage (LLM), et un système de surveillance des stocks de banque de sang.

Structure du dépôt

Le dépôt est organisé en plusieurs dossiers pour faciliter l’accès aux ressources :

Dossier	Contenu
Track1/	Fichiers pour le Système de gestion des retours et rappels des patients.
Track2/	Fichiers pour le Chatbot pour l’éducation et le soutien des patients.
Track3/	Fichiers pour le Système de surveillance et de prévision des stocks de sang.
documentation/	Rapports techniques, manuels, et diapositives de présentation.
data/	Données synthétiques ou approuvées utilisées pour les tests.

Chaque module contient un fichier README détaillant les instructions pour configurer, exécuter, et tester les prototypes, incluant les dépendances logicielles et les prérequis techniques.

🚀 Fonctionnalités

Track 1 : Système de gestion des retours et rappels des patients

• Analyse des retours : Collecte et analyse des sentiments/thèmes via NLP (anglais, français, Douala, Bassa, Ewondo).
• Rappels multilingues : Envoi de notifications pour rendez-vous et médicaments, adaptées aux environnements à faible bande passante.
• Interfaces inclusives : Support des entrées visuelles (emojis, étoiles) et vocales/textuelles.
• Accessibilité : Optimisé pour les réseaux à faible connectivité.

Track 2 : Chatbot pour l’éducation et le soutien des patients

• Conversation intelligente : Réponses claires et empathiques sur diagnostics, médicaments, et soins via LLMs (Mistral, LLaMA).
• Adaptation culturelle : Interface multilingue et sensible aux contextes locaux.
• Accessibilité utilisateur : Interface simple (Streamlit) pour les patients à faible littératie numérique.

Track 3 : Système de surveillance et de prévision des stocks de banque de sang

• Surveillance en temps réel : Suivi des niveaux de stock de sang.
• Prévision de la demande : Modèles de séries temporelles (ARIMA, XGBoost) pour anticiper les besoins.
• Visualisation interactive : Tableaux de bord (Plotly) pour une gestion optimisée.
• Recommandations : Suggestions pour l’optimisation des commandes.

Fonctionnalités transversales

• Tableau de bord web : Interface React pour visualiser les données et gérer les alertes.
• API RESTful : Intégration avec les systèmes hospitaliers existants.
• Conformité éthique : Respect des normes de confidentialité et de protection des données.

🏗️ Architecture

🛠️ Pile Technologique

Backend

• Python 3.8+ : Logique principale des applications.
• TensorFlow 2.x : Framework pour les modèles d’apprentissage automatique.
• FastAPI : Framework pour l’API RESTful.
• PostgreSQL : Gestion des données hospitalières.
• Redis : Cache pour les performances à faible latence.
• Celery : Traitement asynchrone des tâches.

Frontend

• React 18.x : Interface utilisateur interactive.
• Material-UI : Composants pour une interface moderne.
• Chart.js : Visualisation des données (tableaux de bord).
• Axios : Requêtes HTTP vers l’API.

DevOps et Infrastructure

• Docker : Conteneurisation des services.
• Kubernetes : Orchestration pour le déploiement.
• Google Cloud/AWS : Hébergement cloud.
• GitHub Actions : Pipeline CI/CD.

📊 Modèles d’Apprentissage Automatique

Track 1 : Gestion des retours et rappels

• Analyse des sentiments : Modèles NLP (spaCy) pour identifier les thèmes.
• Reconnaissance vocale : Google Cloud Speech-to-Text pour les interactions vocales.
• Multilinguisme : Support des langues locales via Hugging Face.

Track 2 : Chatbot éducatif

• Modèles LLM : Mistral/LLaMA via Hugging Face pour des réponses conversationnelles.
• Personnalisation : Fine-tuning pour un langage empathique et adapté.

Track 3 : Prévision des stocks

• Prévision : ARIMA et XGBoost pour les séries temporelles.
• Visualisation : Plotly pour les tableaux de bord interactifs.
• Optimisation : Algorithmes pour recommandations de gestion des stocks.

🤝 Contribution

1. Forker le dépôt.
2. Créer une branche (git checkout -b feature/nouvelle-fonctionnalite).
3. Valider les modifications (git commit -m 'Ajout d’une fonctionnalité').
4. Pousser sur la branche (git push origin feature/nouvelle-fonctionnalite).
5. Ouvrir une Pull Request.

📜 Licence

Ce projet est sous licence MIT - voir le fichier LICENSE pour plus de détails.

👨‍💻 Équipe AICELLGI

• AZANGUE LEONEL DELMAT (Chef)

  • GitHub : @Delmat237
  • LinkedIn : leonel-azangue
  • Email : [email protected]

• BALA ANDEGUE FRANCOIS LIONNEL

  • GitHub : @BalaAndegue
  • LinkedIn : francois-lionnel-bala-andegue
  • Email : [email protected]

• NGONGA TSAFANG JACQUY JUNIOR

  • GitHub : @jacks524
  • LinkedIn : ...
  • Email : [email protected]

• TCHOUTZINE TCHETNKOU BALBINO CABREL

  • GitHub : @Etaboy0000
  • LinkedIn : ...
  • Email : [email protected]

🙏 Remerciements

• Wellcome Trust : Pour le financement et le soutien.
• DGH et DSWB : Pour l’organisation et l’accueil.
• Communautés open source : TensorFlow, Hugging Face, React.
• Participants : Pour leur engagement dans l’innovation en santé numérique.

---

⭐ Ajoutez une étoile à ce dépôt si vous le trouvez utile !