StrokePredictApi

Descrição

API REST para previsão de risco de AVC (stroke) baseada em um modelo de machine learning. Esta API recebe dados demográficos e clínicos do paciente e retorna uma estimativa do risco de AVC.

Principais funcionalidades

• Endpoint para prever risco a partir de uma entrada JSON.
• Validação simples dos dados recebidos.
• Estrutura pensada para fácil substituição do modelo de ML.

Tecnologias

• Node.js / .NET / Python (ajustar conforme a implementação do projeto)
• Biblioteca de ML (scikit-learn, TensorFlow, ONNX, etc.) — conforme modelo utilizado
• Docker (opcional)

Requisitos

• Node.js >= 14.x ou runtime correspondente ao projeto
• Python 3.8+ (se aplicável)
• Docker (opcional)
• Dependências do projeto (ver package.json / requirements.txt)

Instalação

1. Clone o repositório: git clone
2. Entre na pasta do projeto: cd StrokePredictionApi
3. Instale dependências:
   • Node: npm install
   • Python: pip install -r requirements.txt

Executando localmente

• Node: npm start ou npm run dev

• Python (exemplo com Flask/FastAPI): uvicorn app.main:app --reload

• Docker: docker build -t strokepredictapi . docker run -p 8000:8000 strokepredictapi

Uso / Endpoints (exemplo)

• POST /predict
  • Descrição: Recebe um JSON com os atributos do paciente e retorna a probabilidade/risco de AVC.
  • Corpo (exemplo): { "age": 67, "hypertension": 0, "heart_disease": 1, "avg_glucose_level": 228.69, "bmi": 36.6, "smoking_status": "formerly smoked", "work_type": "Private", "gender": "Male", "ever_married": "Yes", "Residence_type": "Urban" }
  • Exemplo cURL: curl -X POST http://localhost:8000/predict
    -H "Content-Type: application/json"
    -d '{"age":67,"hypertension":0,"heart_disease":1,"avg_glucose_level":228.69,"bmi":36.6,"smoking_status":"formerly smoked","work_type":"Private","gender":"Male","ever_married":"Yes","Residence_type":"Urban"}'

Resposta (exemplo): { "risk_score": 0.23, "prediction": "low", "threshold": 0.5 }

Validação e testes

• Adicione testes unitários para input validation e integração do endpoint /predict.
• Exemplos:
  • Testar entradas válidas e inválidas.
  • Testar integração com o modelo (mockar o modelo em testes unitários).

Boas práticas

• Versionar o modelo de ML ou salvar um hash do arquivo do modelo.
• Logar previsões (sem dados sensíveis) para auditoria.
• Implementar testes e CI para garantir que mudanças não quebrem o serviço.

Contribuição

1. Abra uma issue descrevendo a mudança.
2. Crie um branch com a feature/fix.
3. Submeta um Pull Request com descrição e testes (quando aplicável).

Licença

• Defina a licença do projeto (ex.: MIT) no arquivo LICENSE.

Contato

• Para dúvidas sobre o projeto, abra uma issue no repositório.