L’objectiu principal és processar grans volums de dades clíniques de pacients (com PCC i MACA) per executar una suite de models predictius de manera ultraràpida i eficient, minimitzant els costos computacionals al Cloud. Aquests models ajuden a predir descompensacions a urgències, l’índex de mortalitat a un any i la necessitat de derivació a cures intermèdies o sociosanitàries.
Nom Grup: Ganadores FC
Entitat del repte: Hospital Universitari Joan XXIII
Integrants:
- Satxa Fortuny Pimentel (satxa.fortuny@estudiants.urv.cat)
- Lyubomyr Grygoriv Lvivska (lyubomyr.grygoriv@estudiants.urv.cat)
- Iulian Sebastian Oprea (iulian.oprea@estudiants.urv.cat)
- Kevin Sánchez Ramírez (kevin.sanchez@estudiants.urv.cat)
Nom Projecte: PMA (Programa de Monitoratge Automatitzat)
Descripció: El Programa de Monitoratge Automatitzat (PMA) neix per processar eficientment els historials clínics de gairebé 38.000 pacients, distribuïts en múltiples taules relacionals (cohort, diagnòstics, fàrmacs, visites i laboratori). Per superar els colls d’ampolla del processament clàssic, el sistema implementa una arquitectura serverless basada en esdeveniments i una potent pipeline ETL. El nucli del PMA és totalment reactiu: qualsevol addició o modificació a la base de dades activa un triggerautomàtic. Aquest esdeveniment orquestra l’execució en paral·lel de múltiples funcions Lambda, cadascuna encarregada d’un model predictiu especialitzat. Aquestes funcions realitzen la inferència per pronosticar l’estat futur del pacient i, immediatament, emmagatzemen els resultats a la base de dades.Aquesta arquitectura asíncrona permet al personal mèdic accedir a la plataforma web en qualsevol moment per consultar tant les dades reals com les prediccions. A més, els professionals disposen d’un xatbot integrat per interactuar amb les dades i, com a mesura preventiva, el metge pot activar notificacions automàtiques per alertar i fer un seguiment estret dels pacients classificats amb un risc alt de mortalitat.
Reptes abordats:
- Repte 1 (Índex de Mortalitat a 1 Any): Classificació del risc vital basat en edat, ingressos severs previs i diagnòstics per prioritzar cures pal·liatives i atenció domiciliària avançada.
- Repte 2 (Predictor de Risc d’Urgències a 30 Dies): Avaluació de pacients complexos per predir una descompensació imminent, optimitzant la gestió de llits i recursos a curt termini.
- Repte 3 (Sistema recomandor de pacients no etiquetats com a PCC però potencialment candidats):Identificació proactiva per similitud amb els ja etiquetats a cohort.
- Repte addicional / Innovació (Predictor de Derivació Sociosanitària): Predicció de la necessitat de trasllat a cures intermèdies per a pacients ingressats, permetent a treball social iniciar els tràmits des del primer dia i descongestionant l’hospital.
Tecnologies utilitzades:
- Llenguatges de programació: Python, Typescript, HTML i CSS.
- Frameworks i llibreries:
- Backend i Dades: FastAPI, SQLAlchemy, SQLModel, Psycopg2, Google File Search.
- Intel·ligència Artificial i MLOps: NVIDIA RAPIDS (cuDF), XGBoost, LightGBM, ONNX, Google Generative AI, Pytorch.
- Frontend: Vue 3, PrimeVue, Pinia, Tailwind CSS, Chart.js, vue-router.
- Eines i plataformes: AWS (incloses integracions d’Amplify i Lambdas), NVIDIA Triton Inference Server i Vite, Docker
Recursos del Projecte:
- Github: https://github.com/Lyuuubo/joanXXIII-ganadores-fc
- Vídeo: https://youtu.be/q1JJkry1-0o
- Presentació: https://rovira-my.sharepoint.com/:b:/g/personal/52460503-x_epp_urv_cat/IQAehL4kOIhSTItoS9vOHNnSAazF3XHSWpos2zaYZS6DkjE?e=BPPzUH
Accés a la resta de projectes de la Hackató d’IA 2026: https://cloudlab.urv.cat/catedracloud/hackato2026/
Leave a Reply