1er Premi
Prognos és un sistema de suport clínic per al Joan XXIII que combina classificació ML, agents LLM i un chatbot accessible per a pacients crònics. En aquesta versió, el sistema es desplega a AWS amb infraestructura escalable, persistència a PostgreSQL i emmagatzematge segur de models i coneixement.
Entitat del repte: Hospital Universitari Joan XXIII
Nom Grup: Runtime Terror
Integrants:
- Sonia Alfonso (sonia.alfonso@estudiants.urv.cat).
- Àitor Olivares (aitor.olivares@estudiants.urv.cat)
- Marina Oteiza (marina.oteiza@estudiants.urv.cat)
- Javier Vega (javier.vega@estudiants.urv.cat)
Nom Projecte: PROGNOS (Intel·ligència clínica proactiva per a pacients crònics complexos, desplegada sobre AWS)
Descripció: Prognos manté els mateixos objectius clínics del prototip original: classificació PCC/MACA/NO, predicció de mortalitat a un any, predicció de visites a urgències i suport conversacional per al personal sanitari i els pacients. La diferència principal d’aquest projecte és la seva industrialització sobre AWS. La capa web continua oferint el portal del metge, el chatbot del pacient, el mapa assistencial, les estadístiques i el gemelo digital. Els serveis de classificació i agents LLM es despleguen com a contenidors independents, mantenint la separació funcional entre interfície, inferència clínica i assistent conversacional. La persistència deixa de dependre d’una base SQLite local i passa a RDS PostgreSQL, cosa que permet una explotació multiusuari més robusta. Els models i la base de coneixement es gestionen des de S3, els secrets sensibles es mouen a AWS Secrets Manager i la descoberta entre serveis es resol amb Cloud Map. L’exposició pública es fa a través d’un Application Load Balancer, i l’execució queda orquestrada amb ECS Fargate. Aquest desplegament converteix Prognos en una arquitectura cloud reproduïble amb Terraform, preparada per CI/CD, validació E2E i evolució real cap a entorns clínics més exigents, sense alterar el nucli funcional ni l’enfocament d’accessibilitat i interpretabilitat del sistema.
Reptes abordats:
- Predicció del risc de mortalitat a un any vista: Permet identificar pacients amb pronòstic greu abans que la situació clínica es deteriori, facilitant la planificació anticipada de cures pal·liatives i decisions compartides amb pacient i família.
- Predicció de visites a urgències a mes vista: Anticipa quins pacients crònics retornaran a urgències el mes vinent, permetent intervencions proactives que redueixin pressió assistencial i millorin la continuïtat de cures.
- Sistema recomanador de pacients PCC potencials: Detecta automàticament pacients sense classificar que presenten perfils clínics compatibles amb PCC o MACA, evitant que quedin fora del circuit de seguiment especialitzat.
Tecnologies utilitzades
- Llenguatges de programació: HTML5, CSS3, HCL, JavaScript (ES6+), Python 3.12
- Frameworks i llibreries:
- Backend: Flask, FastAPI, Uvicorn, Gunicorn, Pydantic
- ML/Data: XGBoost, scikit-learn, NumPy, Pandas
- LLM: Google Gemini API, google-genai SDK
- Veu: Gemini TTS, Gemini STT, SpeechRecognition, pydub
- Telefonia: Twilio
- Frontend: Chart.js, Leaflet.js, Leaflet.heat
- Infraestructura: Terraform
- Eines i plataformes: AWS ECS Fargate, Application Load Balancer, RDS PostgreSQL, S3, Secrets Manager, Cloud Map, CloudWatch, Docker, Git, GitHub Actions
Recursos del Projecte:
- Github: https://github.com/XaviVeC/RuntimeTerror_Prognos
- Presentació: https://rovira-my.sharepoint.com/:b:/g/personal/52460503-x_epp_urv_cat/IQAw2C9zLQyoSbAEl3OuVIe7AdZs7h63VQJwfGRAxICj5x4?e=AhyENZ
Accés a la resta de projectes de la Hackató d’IA 2026: https://cloudlab.urv.cat/catedracloud/hackato2026/
Leave a Reply