title: RAG CHU - Documents Médicaux
emoji: 🏥
colorFrom: blue
colorTo: green
sdk: docker
app_port: 7860
pinned: false
license: mit
short_description: Application RAG pour documents médicaux avec IA
tags:
- medical
- rag
- fastapi
- react
- document-analysis
- healthcare
RAG CHU - Assistant Médical IA
Application RAG (Retrieval-Augmented Generation) spécialisée dans l'analyse et l'interrogation de documents médicaux officiels, utilisant l'intelligence artificielle pour extraire et structurer l'information clinique.
Liens du projet :
- Code source GitHub : https://github.com/JTh34/rag-chu
- Application en ligne : https://huggingface.co/spaces/JTh34/rag-chu
Fonctionnement de l'Application
Architecture Générale
L'application fonctionne en 3 étapes principales :
- Analyse Visuelle : Les documents PDF/images sont analysés par Claude d'Anthropic qui extrait le contenu médical structuré
- Vectorisation : Le contenu est découpé en chunks sémantiques et transformé en embeddings via OpenAI
- Interrogation RAG : Les questions utilisateur sont confrontées aux chunks les plus pertinents pour générer des réponses précises
Pipeline de Traitement
Document PDF/Image
↓
[Claude Vision] → Extraction du contenu médical structuré
↓
[Chunking] → Découpage en sections sémantiques
↓
[OpenAI Embeddings] → Vectorisation des chunks
↓
[Qdrant Vector DB] → Stockage des vecteurs
↓
[Question utilisateur] → Recherche de similarité
↓
[RAG Chain] → Génération de réponse contextualisée
Solutions techniques utilisées
Backend (Python/FastAPI)
- FastAPI : API REST avec documentation automatique
- LangChain : Framework pour la construction de chaînes RAG
- Qdrant : Base de données vectorielle en mémoire
- Anthropic Claude : Modèle vision pour l'analyse de documents (claude-3-sonnet-20240229)
- OpenAI : Embeddings (text-embedding-3-small) et LLM (gpt-4o-mini)
- PyMuPDF/Pillow : Traitement des documents PDF et images
Frontend (React)
- React 18 : Interface utilisateur moderne
- WebSocket : Communication temps réel pour le suivi de progression
- React-Dropzone : Upload de fichiers avec drag & drop
- Axios : Client HTTP pour les appels API
Infrastructure
- Docker : Conteneurisation pour le déploiement
- uv : Gestionnaire de dépendances Python moderne
- Hugging Face Spaces : Plateforme de déploiement
Prompt RAG utilisé
Le système utilise un prompt spécialisé pour garantir la précision médicale :
medical_prompt_template = """Tu es un assistant médical expert analysant des recommandations cliniques officielles.
CONTEXTE MÉDICAL :
{context}
QUESTION : {question}
INSTRUCTIONS :
1. Si l'information nécessaire N'EST PAS dans le contexte, réponds exactement : "INFORMATION NON DISPONIBLE : Les éléments nécessaires pour répondre à cette question ne sont pas présents dans les documents fournis."
2. Si l'information EST présente, structure ta réponse ainsi :
RÉPONSE :
Donne une réponse directe et précise.
DÉTAILS CLINIQUES :
- Posologie/Critères : cite les valeurs exactes du document
- Situation clinique : précise le contexte d'application
- Source : indique le tableau ou la section du document
PRÉCAUTIONS :
Mentionne les contre-indications ou limitations du contexte, ou indique "Aucune précaution spécifique mentionnée".
RÈGLES ABSOLUES :
- Cite uniquement les informations présentes dans le contexte
- Pour les posologies : valeurs exactes, pas d'approximation
- Ne jamais inventer ou extrapoler
- Distingue clairement les différentes situations cliniques (avec/sans comorbidité, grave/non grave)
RÉPONSE :"""
Ce prompt garantit que l'assistant :
- Ne répond que sur la base du contexte fourni
- Structure ses réponses de manière médicale
- Indique clairement quand l'information n'est pas disponible
- Cite les valeurs exactes (posologies, critères cliniques)
Copies d'écran de l'application
Questions et Réponses
Document: "Prise en charge des Pneumopathies aigues communautaires V2.docx"
Questions AVEC réponse dans le document
1. Critères de stabilité clinique
Question : Quels sont les 5 critères de stabilité clinique précis qu'un patient doit présenter pour considérer l'arrêt du traitement ?
Réponse attendue : Apyrexie (≤ 37,8°C), stabilité tensionnelle (≥ 90 mmHg), Pouls ≤ 100/min, FR ≤ 24/min, Saturation ≥ 90% en air ambiant (ou PaO2 ≥ 60 mmHg)
Réponse obtenue :
2. Durée de traitement adaptée
Question : Si un patient atteint tous les critères de stabilité à J3, quelle est la durée de traitement recommandée ?
Réponse attendue : 3 jours
Réponse obtenue :
3. Antibiotique de choix - PAC sans comorbidité
Question : Quel est l'antibiotique de première ligne recommandé pour une PAC non grave hospitalisée sans comorbidité ?
Réponse attendue : Amoxicilline 1-2g/8h PO (ou IV)
Réponse obtenue :
5. Alternative aux C3G
Question : Quelle est l'alternative aux C3G injectables mentionnée pour les PAC sans comorbidité, et à quelle condition ?
Réponse attendue : Levofloxacine 500mg/J, réservée aux situations d'allergie grave aux bétalactamines et pas d'autres possibilités thérapeutiques
Réponse obtenue :
Questions SANS réponse dans le document
1. Pédiatrie (PIÈGE)
Question : Quelle est la posologie d'amoxicilline recommandée chez l'enfant de 5 ans pour une pneumopathie aiguë communautaire ?
Réponse attendue : "Je ne trouve pas cette information dans le document. Le document précise qu'il traite uniquement des PAC chez l'adulte hospitalisé."
Réponse obtenue :
2. Pathogène spécifique non mentionné (PIÈGE)
Question : Quel est le traitement recommandé pour une pneumopathie à Klebsiella pneumoniae ?
Réponse attendue : "Le document ne fournit pas de recommandations spécifiques pour Klebsiella pneumoniae. Il traite principalement des pneumopathies supposées d'origine bactérienne de manière générale."
Réponse obtenue :
Fonctionnalités
- Upload de documents : PDF et images médicales
- Analyse visuelle intelligente : Extraction automatique du contenu structuré
- Recherche sémantique : Vectorisation et similarité cosinus
- Chat médical : Interface conversationnelle spécialisée
- Suivi temps réel : WebSocket pour progression du traitement
- API REST documentée : Endpoints FastAPI
*Structure du projet/
RAG_CHU-app/
├── requirements.txt # Dépendances Python globales
├── pyproject.toml # Configuration workspace
├── backend/ # API FastAPI
│ ├── src/ # Code source Python
│ ├── pyproject.toml # Dépendances backend
├── frontend/ # Interface React
│ ├── src/ # Code source React
│ ├── public/ # Assets publics
│ └── package.json # Dépendances frontend
└── uploads/ # Fichiers temporaires