SicknessHacks

Front Page
How it works
Prediction Given

Inspiration

Quebec, especially during the Covid pandemic, had overfilled emergency rooms that seemed to have ten years of waiting time. One of the main reasons behind those inefficient emergency rooms is the many small cases that people overreact about. Therefore, we decided to tackle this problem with our idea. We created a web app that gives a possible preliminary diagnosis for the patient's illness. It also tells him whether or not they should go to the hospital. No more endless waiting in doctor's offices or guessing at self-diagnosis - take control of your health with our app today

Les Québecois, surtout durant la pandémie de la COVID-19, ont vu les salles d'urgences débordées et les temps d'attente ont atteint des chiffres astronomiques. Une des raisons principales pour le ralentissement des salles d'attente est le nombre de personnes qui arrivent avec des cas mineurs. Alors, nous avons décidé de nous attaquer ce problème. Nous avons eu l'idée de créer une application web qui donne un diagnostic préliminaire pour la maladie du patient. L'application dit également à l'utilisateur s'il devrait oui ou non aller à l'hôpital. Fini les files d'attente interminables à attendre dans le bureau du docteur en s'imaginant le pire - prenez en main votre santé dès aujourd'hui avec notre application.

What it does

Our web app takes in five symptoms that the user inputs. These symptoms are then sent to our python back-end, used in an AI/ML model we trained using a random tree algorithm. The model then tells us the most probable illness (that is in our dataset) and sends it back to our front end. We then take that data and visualize it in a pleasant UI that tells the patient all the necessary information.

Notre application web prends en compte cinq symptômes saisis par l'utilisateur. Ces symptômes sont ensuite envoyés à notre backend python qui utilise un modèle AI que nous avons entraîné avec un algorithme Random tree. Le modèle nous dit ensuite la maladie la plus probable - se trouvant dans notre base de données - et renvoie cette information au frontend. Nous prenons ensuite ces données et nous la visualisons dans l'application avec une interface utilisateur facile d'usage qui informe l'utilisateur de toute information nécessaire.

How we built it

To build, scale, and deploy our disease prediction web app, we used HTML, CSS, and JavaScript to build the front-end. We also utilized Material UI to improve the UI design.
We used the React.js framework combined with Vite.js and Node.js as a package manager.
For the back-end, we created an AI/ML Python-based model connected with flask.
We used a Kaggle challenge dataset and a random forest algorithm to train and test our model.

Pour construire et déployé notre application web de prédiction de maladies, nous avons utilisé HTML, CSS et JavaScript pour faire le frontend. Nous avons également utilisé Material UI pour améliorer notre interface utilisateur.
Nous avons utilisé le cadre React.js combiné à Vite.js et Node.js en tant que gestionnaire de paquets.
Pour le backend, nous avons créé un modèle d'IA basé sur Python et connecté à Flask.
Nous avons utilisé un jeu de données de défi Kaggle et un algorithme random forest pour entraîner et tester notre modèle.

Challenges we ran into

One of the main challenges we ran into was training and testing our model. We had some issues with the data, as it was often not correctly cleaned and sorted or in the correct format.
Another challenge was to integrate the model into the web app. Getting data from front to back and back to front was more challenging than expected.

Un des défis principal que nous avons rencontré a été de tester et d'entraîner notre modèle d'IA. Nous avons eu quelques problèmes avec les données qui étaient souvent mal formattées ou classées.
Un autre défi a été d'intégrer le modèle d'IA dans notre application web. Faire passer l'information entre le frontend et le backend a été beaucoup plus difficile que prévu.

Accomplishments that we're proud of

We are incredibly proud of getting this model to work. It was our first time working so extensively with AI/ML, and we were able to integrate it seamlessly into a well-designed web app.
We are also proud of creating a web app whose main selling point is functionality while having a pleasant interface. In the past, we often focused too much on the UI/UX design and neglected usability.

Somme toute, nous sommes très fiers d'avoir réussi à faire fonctionner le modèle. C'était notre première expérience d'envergure avec les IA et nous avons réussi à l'intégrer dans une application web bien conçue. Nous sommes également fiers d'avoir créer une application web dont le focus est son utilité, mais qui possède également une interface utilisateur très appréciable. Par le passé, nous avons souvent mis trop d'efforts dans la conception de l'interface et nous avons négligé l'utilité même de l'application.

What's next for SicknessHacks

Expand the dataset used to cover more illnesses and symptoms.
Provide the possibility of symptom severity to provide a more accurate diagnosis.
Add the option to contact the nearest hospital in case of emergencies.
Synchronize it to a database so that doctors can see their patients' symptoms history.

Accroître les données utilisées pour permettre de couvrir plus de maladies et de symptômes.
Offrir une possibilité de préciser la sévérité des symptômes pour augmenter la précision du diagnostic.
Ajouter l'option de contacter l'hôpital le plus près en cas d'urgence.
Tout synchroniser en une même base de données pour permettre aux docteurs de voir l'historique des symptômes de leurs patients.