API de Prédiction du Risque Cardiovasculaire

Objectif du projet

Les maladies cardiovasculaires sont la première cause de mortalité dans le monde, responsables de 17,9 millions de décès par an.

L’objectif de ce projet est de fournir une API capable d’estimer le risque de maladie cardiovasculaire d’un patient à partir de ses données cliniques.

Structure du projet

📦 project
│
├── 📁 ML
│   ├── eda_notebook.ipynb
│   ├── pipeline.py
│   └── 📁 data
│       └── data_sante.csv
│
├── 📁 models
│   └── model.py
│
├── 📁 tests
│   └── test_main.py
│
├── database.py
├── main.py
├── requirements.txt
└── README.md

---

Installation

1. Cloner le dépôt GitHub :

    git clone https://github.com/codehass/ml-health-api.git
    cd project

2. Créer un environnement virtuel :

• Linux / Mac :

    python -m venv venv
    source venv/bin/activate

• Windows :

    python -m venv venv
    venv\Scripts\activate

3. Installer les dépendances :

    pip install -r requirements.txt

4. Lancer l’API en mode développement :

    uvicorn main:app --reload

• L’API sera accessible à l’adresse : http://127.0.0.1:8000

• Documentation interactive Swagger : http://127.0.0.1:8000/docs

Astuce : Le paramètre --reload permet à l’API de se mettre à jour automatiquement à chaque modification du code, très pratique pour le développement.

🧠 Partie machine learning

Etapes principales :

1- Chargement du dataset data_sante.csv

2- Nettoyage et transformation des données (catégorielles / numériques)

3- Séparation en X (features) et y (target)

4-Création d’un Pipeline Scikit-learn

5-Entraînement et sauvegarde du modèle avec joblib.dump()

6- (Bonus) Optimisation des hyperparamètres via GridSearchCV

7- Intégration du modèle dans FastAPI → endpoint /predict_risk

📊 Évaluation du modèle

Deux modèles ont été testés pour la prédiction :

Modèle	Accuracy	Precision	Recall	F1-Score
RandomForestClassifier	0.9811	0.9817	0.9877	0.9847
KNeighborsClassifier	0.8447	0.9013	0.8405	0.8698

==> RandomForestClassifier a été retenu pour l’intégration dans l’API grâce à ses meilleures performances globales.

🧩 Endpoints FastAPI

Méthode	Endpoint	Description
POST	/patients	Ajouter un nouveau patient
GET	/patients	Lister tous les patients enregistrés
Get	/patient{id}	Récupère un patient par id
Get	/predict_risk	Prédire le risque cardiovasculaire d’un patient

🧪 Tests Unitaires

Les tests sont réalisés avec pytest et TestClient de FastAPI. Ils permettent de vérifier que les endpoints fonctionnent correctement, notamment /predict_risk.

Lancer les tests :

    pytest

🗃️ Base de données

• SQLite utilisée pour stocker les informations des patients.

• Gérée via SQLAlchemy.

• Modèles définis dans models/model.py.

📘 Documentation

• Documentation interactive générée automatiquement par Swagger :

     http://127.0.0.1:8000/docs

🧩 Outils utilisés

• FastAPI – Framework web rapide et moderne

• SQLite – Base de données légère et intégrée

• SQLAlchemy – ORM pour interagir avec la base

• Scikit-learn – Entraînement du modèle ML

• Pydantic – Validation des données d’entrée

• Pytest – Tests unitaires

• Swagger UI – Documentation automatique

🧠 Modalités pédagogiques

• Projet réalisé en binôme favorisant la collaboration et la répartition des rôles.

• Gestion des versions avec Git & Gitflow.

• Suivi du planning sur Jira.

• Durée du projet : 5 jours — du 27/10/2025 au 31/10/2025.

Contributeurs

El Ouardy Hassan

El Hidari Nouhayla