PredictaMed — triaj predictiv geospațial (Prove It / Tremend)

Proiect dezvoltat în cadrul hackathonului „Prove It” (probă 24h, sponsor Tremend / Publicis Sapient). Aplicația combină prognoza meteo pe coordonatele spitalului, un model Prophet antrenat pe date istorice de admisii și vreme, evenimente majore din apropiere și un LLM (Google Gemini) pentru rapoarte text și scenarii „what-if”.

---

Rezumat

PredictaMed este o aplicație Streamlit în care utilizatorul alege orașul și unitatea medicală din data/spitale.csv (cu latitudine/longitudine), apoi o dată în intervalul permis de UI (azi … +14 zile). La apăsarea „Generează Raport de Risc”, backend-ul:

1. Citește prognoza Open-Meteo pentru cinci puncte în jurul spitalului (centru + offset ~10 km N/S/E/V) și păstrează scenariul cu cea mai mare deviație față de media istorică a volumului de pacienți (estimare Prophet).
2. Interoghează PredictHQ pentru evenimente (festivaluri, sport, concerte) în raza configurată, relevante pentru intervalul ales.
3. Include sărbători legale din România în contextul trimis către model și în antrenament (componentă holidays în Prophet).
4. Gemini (gemini-2.5-flash, SDK google.genai) redactează un raport scurt pentru primiri urgențe (rezumat, influență meteo asupra tipului de cazuri, recomandări). În fila „What-If Simulator”, același lanț de date alimentează răspunsuri la întrebări/scenarii libere ale utilizatorului.

Predicția numerică este agregată la nivel de flux de pacienți (date de admisie zilnice), nu pe secții/departamente individuale în cod; interpretarea în limbaj natural rămâne la LLM, pe baza acelor indicatori.

---

Problemă și abordare

Spitalele din zone diferite (munte, litoral, urban) au tipare de cerere influențate de vreme și de evenimente locale. Soluția propusă: rutare geospațială la cerere (coordonate din lista de spitale + API meteo + evenimente) și explicare prin LLM, astfel încât managerii să primească un mesaj lizibil, nu doar un scor brut.

---

Funcționalități (implementate în repo)

Zonă	Descriere
Interfață	Sidebar: oraș → listă spitale din CSV → dată → buton raport. Două file: raport de risc și simulator what-if.
Date geospațiale	data/spitale.csv (oraș, nume spital, lat, long). Există și data/spitale_Romania.geojson / hospital_maker.py pentru lucrul cu seturi geografice.
Meteo	data/weather.py — api.open-meteo.com/v1/forecast (zilnic: temperaturi, precipitații, zăpadă, umiditate, vânt, cod vreme).
Evenimente	data/events.py — API PredictHQ, filtrare geografică și după categorie/rank.
ML	core/ai_engine.py + core/csv_parser.py: îmbinare admission_data.csv / admission_data_2.csv cu meteo.csv; Prophet cu regresori meteo + is_event_day; model serializat în core/prophet_model.json (reantrenare la prima rulare dacă lipsește fișierul).
LLM	Doar Gemini (nu OpenAI în codul curent). Chei în data/keys.py (Keys.AI_KEY, Keys.EVENT_API_KEY).

---

Arhitectura datelor (pe scurt)

1. Antrenament / încărcare model: fuziune date admisii + meteo istoric → Prophet → predicție pentru ferestrele viitoare construite în core/api_parser.py din prognoza Open-Meteo și evenimente.
2. La raport: process_coords evaluează cele 5 zone, selectează predicția extremă, construiește param_list (dată, meteo, procent față de medie) + text evenimente/sărbători → prompt → llm_process / what_if_process.

---