StopDiabète — Application de prédiction du risque de diabète

StopDiabète est une application full‑stack conçue pour prédire le risque de diabète à partir de données cliniques simples (âge, IMC, HbA1c, antécédents, tabagisme...). L'interface publique est disponible ici : stopdiabete.streamlit.app.

Technologies et rôle

• FastAPI + Uvicorn : Backend API REST exposant l'endpoint /predict. Traitement JSON, validation et gestion d'erreurs.
• Streamlit : Frontend interactif pour saisir les données, afficher résultats et informations pédagogiques.
• XGBoost : Modèle de classification entraîné pour estimer la probabilité de diabète.
• scikit‑learn : Preprocessing (StandardScaler) et utilitaires ; joblib pour sérialisation du scaler.
• joblib / format natif XGBoost : Sauvegarde des artefacts (scaler.joblib, best_xgb_model.json) pour un chargement rapide en production.
• Déploiement : Backend hébergé sur Render (plan gratuit) ; frontend hébergé sur Streamlit Cloud qui appelle le backend via son URL publique.

Fonctionnement (flux)

1. L'utilisateur saisit ses données dans l'UI Streamlit.
2. Le frontend envoie une requête POST JSON au backend FastAPI (Render).
3. Le backend charge le scaler et le modèle, normalise les données, construit un xgb.DMatrix puis prédit la probabilité.
4. Le backend renvoie la classe et la probabilité ; le frontend affiche le résultat et des conseils.

Remarques pratiques

Le backend est déployé sur le plan gratuit de Render : l'instance gratuite se met en veille lorsqu'elle est inactive. Au réveil, le service peut mettre environ 50 secondes pour redevenir opérationnel — d'où un délai initial lors du premier accès.

Résumé

Projet utile pour démontrer : conception d'API sécurisées et légères (FastAPI), intégration de modèles ML en production (XGBoost + joblib), déploiement cloud pour prototypes, et développement d'interfaces utilisateur rapides (Streamlit). Le code et les artefacts peuvent être organisés dans un dépôt GitHub pour CI/CD et versioning modèle.

StopDiabete — Diabetes risk prediction app

StopDiabete is a full‑stack application that predicts diabetes risk from simple clinical inputs (age, BMI, HbA1c, history, smoking...). Public demo: stopdiabete.streamlit.app.

Technologies & responsibilities

• FastAPI + Uvicorn: REST backend exposing /predict. Handles JSON, validation and errors.
• Streamlit: Interactive frontend for data entry, result display and educational content.
• XGBoost: Trained classifier providing probability predictions.
• scikit‑learn: Preprocessing (StandardScaler) and joblib serialization for the scaler.
• joblib / XGBoost native format: Artifacts saved as scaler.joblib and best_xgb_model.json for reliable loading in production.
• Deployment: Backend hosted on Render (free tier); frontend on Streamlit Cloud calling the Render backend via a public URL.

End‑to‑end flow

1. User fills the form in the Streamlit UI.
2. Frontend sends a POST JSON request to the FastAPI backend on Render.
3. Backend loads scaler/model, scales input, builds an xgb.DMatrix and calls model.predict.
4. Backend returns class and probability; frontend displays the decision and guidance.

Practical note

The backend runs on Render's free tier which sleeps when idle. Waking the instance typically takes about 50 seconds — expect an initial delay when first accessing the app.

Summary

This project highlights API development (FastAPI), ML model productionization (XGBoost + serialization), and fast UI prototyping (Streamlit). Suitable for demonstrating end‑to‑end ML engineering and rapid deployment of prototypes. I will be adding CI/CD, model versioning and external artifact storage (S3) as next steps.