🩺 Predicción de Diabetes desde Notas Clínicas (NLP + ML)

Este proyecto tiene como objetivo desarrollar un sistema capaz de predecir la presencia de diabetes en pacientes a partir de notas médicas en texto libre. Combina procesamiento del lenguaje natural (NLP) y aprendizaje automático (ML) para transformar texto clínico no estructurado en variables médicas relevantes y entrenar un modelo predictivo.

---

🎯 Objetivo del Proyecto

Construir un pipeline que:

1. Obtenga y almacene datos clínicos de pacientes desde una API.
2. Extraiga información médica clave de notas clínicas (HbA1c, glucosa, IMC, tabaquismo…).
3. Entrene un modelo de Machine Learning que prediga si un paciente tiene diabetes (has_diabetes = 0 o 1).

---

🧠 Tecnologías Utilizadas

• Python 3.10+
• NLP: spaCy, medSpaCy
• Machine Learning: scikit-learn, Optuna
• Manejo de datos: pandas, requests
• Logging y utilidades: loguru

---

⚙️ Flujo de Trabajo

1. Descarga de datos: El sistema obtiene datos de pacientes mediante una API (https://api.hackupm2025.workers.dev/api/v1/patients/train) y los guarda en patients_train.csv.gz para su posterior uso sin volver a llamar al servidor.

2. Extracción NLP con medSpaCy: Se identifican marcadores clínicos relevantes:

   • HbA1c, Glucose, BMI, y sus valores asociados.
   • Opcionalmente, tabaquismo y su contexto (negación, histórico, familiar).
   • Además, se contemplan historial de enfermedad del corazón e hipertensión.

3. Entrenamiento del modelo:

   • Se usa un Random Forest para predecir has_diabetes.
   • Se optimizan hiperparámetros mediante Optuna.

4. Evaluación: Métricas principales: Accuracy, F1-score y ROC-AUC.

---

📂 Estructura del Proyecto

.
├── data/
│   └── patients_train.csv.gz       # Dataset almacenado localmente
├── notebooks/
│   └── datos.ipynb                 # Notebook principal del proyecto
├── README.md
└── requirements.txt

---

🧩 Ejecución

1. Instala las dependencias:

   pip install -r requirements.txt

2. Ejecuta el notebook principal: Abre notebooks/datos.ipynb y corre todas las celdas secuencialmente:

   • Descarga y carga de datos
   • Extracción NLP
   • Entrenamiento y evaluación del modelo

3. Resultado: Se genera un modelo capaz de predecir si un paciente tiene diabetes a partir de su texto clínico.

---

📈 Resultados Esperados

• Features extraídas automáticamente desde texto médico.
• Modelo entrenado y evaluado sobre datos estructurados.
• Análisis de importancia de variables (por ejemplo, HbA1c y glucosa como factores más determinantes).

---

👥 Equipo

Proyecto desarrollado por Compila2 en el marco del Hackathon Roche Diabetes Prediction Challenge 2025.

“De texto clínico desordenado a predicción médica accionable.”