MedRisk Pro transforma historials mèdics complexos en decisions accionables. Mitjançant IA i models CatBoost, prediu la demanda d’urgències i el risc vital de pacients crònics, oferint explicabilitat clínica transparent i una interfície 100% accessible i inclusiva per a tots els professionals i pacients.
Nom Grup: Añaska
Entitat del repte: Hospital Universitari Joan XXIII
Integrants:
- Ivan Carayol Rodríguez (petauritos@gmail.com)
- Samuel Enrique Murillo Castro (samuem.c1@gmail.com)
- Marc Rozas Bellido (marcrozas05@gmail.com)
- Aleix Segú Rabasó (segualeix@gmail.com)
Nom Projecte: MedRisk Pro
Descripció: MedRisk Pro és un sistema de suport a la decisió mèdica integral que ataca la saturació del sistema sanitari mitjançant la proactivitat. El nucli del projecte resideix en la fusió de dues tecnologies d’avantguarda: un LLM (Mistral-7B) local que actua com a analista de notes mèdiques, i tres arbres de decisió d’alta precisió (CatBoost) optimitzats amb Optuna. El prototip permet als facultatius introduir casos mitjançant text o dictat per veu. El sistema extreu diagnòstics i variables de manera automàtica per realitzar una predicció en temps real sobre la mortalitat anual, les visites esperades a urgències i el perfil de cronicitat complexa (PCC). A diferència d’altres sistemes, MedRisk Pro no és una “caixa negra”: s’han integrat valors de SHAP per explicar exactament quins factors del pacient estan influint en el risc. A més de l’eficiència clínica, el projecte posa un focus especial en la equitat social i la inclusió. S’han implementat controls d’accessibilitat universal (alt contrast, fonts per a dislèxia, TTS per a ceguesa) i l’algoritme analitza proactivament determinants socials com la soledat no desitjada o els biaixos de gènere en patologies cardiovasculars, recomanant la intervenció de treballadors socials quan és necessari. El despliegue és modular, funcionant tant en servidors locals (Homelab) com via Docker en entorns hospitalaris amb GPU.
Reptes abordats:
- Detecció Precoç de Riscos: Anticipació al fracàs clínic o mort del pacient.
- Identificació de Crònics Ocultos: Trobar pacients amb perfil PCC que no estan formalment diagnosticats per optimitzar recursos.
- Automatització de Dades Mèdiques: Conversió de text lliure no estructurat en dades cliníques gestion
Tecnologies utilitzades:
- Llenguatges de programació: Python 3.11, JavaScript (React.js), Bash.
- Frameworks i llibreries:
- Backend: FastAPI, Uvicorn (servidor web).
- Machine Learning: CatBoost, Scikit-learn, Optuna (optimització de models).
- NLP: Ollama SDK (integració amb Mistral-7B).
- Frontend: Vite, React hooks, Web Speech API (dictat i veu).
- Eines i plataformes: Docker, Docker Compose, Git, NVIDIA CUDA (acceleració per GPU), HomeLab servers.
Recursos del Projecte:
- Github: https://github.com/IvanCarayol/HackatonURV_2026
- Vídeo: https://drive.google.com/file/d/1W9Z0cWYQOY6aAXlK3mA1OE3AX1y3cpIP/view?usp=sharing
- Presentació: https://rovira-my.sharepoint.com/:b:/g/personal/52460503-x_epp_urv_cat/IQAD9utsfZFqQYDJ57HIyhIhARDMW7_Xaw4lu4VZnHCTDVw?e=uy1IOv
Accés a la resta de projectes de la Hackató d’IA 2026: https://cloudlab.urv.cat/catedracloud/hackato2026/
Leave a Reply