api/services/model_interface.py

import random
from api.models.schemas import DiagnosisResultPerDisease, DiagnosisResponse

# Interfacage du modèle de ML (Spark) avec l'API FastAPI.
# Pour l'instant, on simule les prédictions avec des valeurs aléatoires.

MOCK_CONDITIONS = [
    "Malaria", "Typhoid Fever", "Influenza", "Dengue Fever",
    "Pneumonia", "Gastroenteritis", "Meningitis", "Cholera"
]

def get_mock_diagnosis(symptoms: list[str], age: int, sex: str, medical_history: str, geolocation: str) -> DiagnosisResponse:
    """
    Simule la prediction du modèle de ML en retournant 3 conditions médicales aléatoires avec des probabilités et une recommandation.
    Fonction reelle: model.predict_proba(encode_symptoms(symptoms))
    """
    # Choisir 3 conditions au hasard parmi la liste, avec des probabilités aléatoires
    selected = random.sample(MOCK_CONDITIONS, 3)
    
    # Genere les probabilités aléatoires et les normalise pour que la somme soit 1
    raw = sorted([random.random() for _ in selected], reverse=True)
    total = sum(raw)
    probabilities = [round(p / total, 2) for p in raw]

    statistics = [
        DiagnosisResultPerDisease(
            name=disease,
            probability=prob,
            level="level_high" if prob > 0.7 else "level_medium" if prob < 0.4 else "level_low",
            symptoms=symptoms
        )
        for disease, prob in zip(selected, probabilities)
    ]

    return DiagnosisResponse(
        statistics=statistics,
        recommendation=_get_recommendation(statistics[0].level)
    )

def _get_recommendation(severity: str) -> str:
    return {
        "level_high":   "Veuillez consulter un médecin immédiatement ou rendez-vous aux urgences.",
        "level_moderate": "Veuillez surveiller vos symptômes et consulter un médecin si ceux-ci s'aggravent.",
        "level_low":    "Restez au repos et hydratez-vous. Consultez un médecin si les symptômes persistent."
    }.get(severity, "Consultez un professionnel de santé.")

# === Chargeur de modèle réel (a implémenter plus tard) ===
# import pickle
#
# _model = None
#
# def load_model():
#     global _model
#     with open("saved_models/spark_model.pkl", "rb") as f:
#         _model = pickle.load(f)
#
# def encode_symptoms(symptoms: list[str]) -> list[int]:
#     # Convertit la liste de symptômes en un vecteur binaire pour le modèle ML.
#     ALL_SYMPTOMS = [...]  # full list from your dataset
#     return [1 if s in symptoms else 0 for s in ALL_SYMPTOMS]
#
# def get_real_diagnosis(symptoms: list[str]) -> DiagnosisResponse:
#     vector = encode_symptoms(symptoms)
#     probas = _model.predict_proba([vector])[0]
#     classes = _model.classes_
#     ...