app.py

# app.py : Application Streamlit avec Modèle Classique et ANN

import streamlit as st
import pandas as pd
import numpy as np
import joblib
import matplotlib.pyplot as plt
from tensorflow.keras.models import load_model

st.set_page_config(page_title="App Cardiaque", layout="centered")

# Chargement des modèles et scalers
model = joblib.load("meilleur_modele.pkl")
scaler = joblib.load("scaler.pkl")
ann_model = load_model("ann_model.h5")
ann_scaler = joblib.load("ann_model_scaler.pkl")['scaler']

def home():
    st.title("🫀 Application de Prédiction Cardiaque")
    st.markdown(
        """
        Cette application prédit le **risque de décès** chez les patients atteints d'insuffisance cardiaque
        à partir de données cliniques.

        **Fonctionnalités :**
        - Prédiction individuelle (modèle classique)
        - Prédiction avec modèle ANN (réseau de neurones)
        - Chargement de fichiers CSV pour des prédictions multiples
        - Historique de session
        - Visualisation des probabilités et importance des variables

        """
    )

def collect_input():
    age = st.slider("Âge", 18, 100, 50)
    anaemia = st.selectbox("Anémie", [0, 1], format_func=lambda x: "Oui" if x else "Non")
    creatinine_phosphokinase = st.number_input("Créatinine phosphokinase", 10, 10000, 200)
    diabetes = st.selectbox("Diabète", [0, 1], format_func=lambda x: "Oui" if x else "Non")
    ejection_fraction = st.slider("Fraction d'éjection (%)", 10, 80, 35)
    high_blood_pressure = st.selectbox("Hypertension", [0, 1], format_func=lambda x: "Oui" if x else "Non")
    platelets = st.number_input("Plaquettes (en µL)", 25000.0, 850000.0, 300000.0)
    serum_creatinine = st.number_input("Créatinine sérique", 0.1, 10.0, 1.0)
    serum_sodium = st.slider("Sodium sérique", 110, 150, 135)
    sex = st.selectbox("Sexe", [0, 1], format_func=lambda x: "Homme" if x else "Femme")
    smoking = st.selectbox("Fumeur", [0, 1], format_func=lambda x: "Oui" if x else "Non")
    time = st.slider("Temps depuis admission (jours)", 0, 300, 100)

    return pd.DataFrame([{
        'age': age, 'anaemia': anaemia, 'creatinine_phosphokinase': creatinine_phosphokinase,
        'diabetes': diabetes, 'ejection_fraction': ejection_fraction, 'high_blood_pressure': high_blood_pressure,
        'platelets': platelets, 'serum_creatinine': serum_creatinine, 'serum_sodium': serum_sodium,
        'sex': sex, 'smoking': smoking, 'time': time
    }])

def prediction_page():
    st.title("🔍 Prédiction Individuelle (Modèle Classique)")
    input_df = collect_input()
    st.write("### Données entrées :", input_df)

    if st.button("Prédire avec modèle classique"):
        X_scaled = scaler.transform(input_df)
        prediction = model.predict(X_scaled)[0]
        proba = model.predict_proba(X_scaled)[0]
        st.markdown(f"**Probabilité de décès :** {proba[1]*100:.2f}%")
        st.markdown(f"**Probabilité de survie :** {proba[0]*100:.2f}%")

        fig, ax = plt.subplots()
        ax.bar(["Survie", "Décès"], proba, color=["green", "red"])
        st.pyplot(fig)

        if prediction == 1:
            st.error("⚠️ Risque élevé de décès détecté.")
        else:
            st.success("✅ Le patient a de bonnes chances de survie.")

        if "history" not in st.session_state:
            st.session_state["history"] = []
        st.session_state["history"].append({
            "Survie (%)": round(proba[0]*100, 2),
            "Décès (%)": round(proba[1]*100, 2),
            "Décès prédit": "Oui" if prediction == 1 else "Non"
        })

def ann_prediction_page():
    st.title("🤖 Prédiction avec Réseau de Neurones (ANN)")
    input_df = collect_input()
    st.write("### Données entrées :", input_df)

    if st.button("Prédire avec modèle ANN"):
        X_ann_scaled = ann_scaler.transform(input_df)
        ann_pred = ann_model.predict(X_ann_scaled)[0][0]
        st.metric("Probabilité de décès (ANN)", f"{ann_pred*100:.2f}%")

        fig, ax = plt.subplots()
        ax.bar(["Survie", "Décès"], [1-ann_pred, ann_pred], color=["green", "red"])
        st.pyplot(fig)

        if ann_pred >= 0.5:
            st.error("⚠️ Risque élevé détecté (ANN)")
        else:
            st.success("✅ Faible risque détecté (ANN)")

def batch_prediction_page():
    st.title("📁 Prédiction depuis un Fichier CSV")
    uploaded_file = st.file_uploader("Charger un fichier CSV", type="csv")
    if uploaded_file:
        try:
            data = pd.read_csv(uploaded_file)
            X_scaled = scaler.transform(data)
            preds = model.predict(X_scaled)
            probas = model.predict_proba(X_scaled)
            data["Décès prédit"] = preds
            data["Probabilité de décès"] = np.round(probas[:, 1] * 100, 2)
            st.dataframe(data)
            st.download_button("📥 Télécharger résultats", data.to_csv(index=False), "resultats.csv")
        except Exception as e:
            st.error(f"Erreur lors du traitement : {e}")

def history_page():
    st.title("📚 Historique de Prédictions")
    if "history" in st.session_state and st.session_state["history"]:
        hist_df = pd.DataFrame(st.session_state["history"])
        st.dataframe(hist_df)
    else:
        st.info("Aucune prédiction enregistrée dans cette session.")

pages = {
    "🏠 Accueil": home,
    "🔍 Prédiction (Classique)": prediction_page,
    "🤖 Prédiction Deep Learning": ann_prediction_page,
    "📁 Prédiction en lot": batch_prediction_page,
    "📚 Historique": history_page
}

choice = st.sidebar.radio("Navigation", list(pages.keys()))
pages[choice]()