🇨🇭 GovTech Hackathon 2026 · Challenge officielle acceptée
Système Prédictif
d'Anticipation des Pics
aux Urgences Suisses
Un pipeline ML open source qui croise 4 sources de données ouvertes suisses
pour prédire les pics d'affluence hospitaliers à 24–72h —
reproductible par tout canton, sans budget, sans dépendance commerciale.
4
Sources Open Data CH
72h
Horizon de prédiction
0.90
AUROC référence (Nature)
MIT
Licence open source
Problème & Groupe Cible
Un vide dans le système de santé suisse
Les services d'urgences hospitalières suisses font face à des pics d'affluence imprévisibles
qui saturent les capacités d'accueil, allongent les temps d'attente et dégradent la qualité
des soins. Aucun outil national ne permet aujourd'hui d'anticiper ces pics en croisant
des données multi-sources ouvertes.
Important pour les participants : Ce projet utilise exclusivement des données
ouvertes publiques — aucune donnée patient individuelle. L'ensemble du pipeline est conforme
à la LPD suisse et au RGPD.
📈
Pics imprévisibles
Les urgences saturent sans signal d'alerte préalable. Aucun outil national de prévision n'existe aujourd'hui.
Problème systémique
⏱️
Temps d'attente
Le personnel subit la surcharge. Les patients attendent. La qualité des soins se dégrade durablement.
Impact patient
🗺️
Cantons sans données
Aucune planification sanitaire cantonale ne s'appuie sur des prévisions croisées multi-sources accessibles.
Déficit cantonal
🚑
Dispatch 144 réactif
Le 144 réagit aux événements. Il ne dispose d'aucune visibilité anticipée sur les pics à venir à 24–72h.
Planification
Sources de Données
100% Open Data suisses
Toutes les sources utilisées sont publiques, documentées et accessibles
via API ou fichiers téléchargeables — sans accord commercial ni données sensibles.
| Source |
Type |
Usage dans le modèle |
Notre challenge |
| 🏥 SpiGes / OFSP |
Statistiques hospitalières annuelles |
Patterns saisonniers & démographiques |
✅ Entraînement |
| 🌤️ MétéoSuisse |
API météo temps réel |
Signal court terme (température, précip.) |
✅ Temps réel |
| 🚌 opentransportdata.swiss |
Mobilité & flux transport |
Proxy d'affluence populationnelle |
✅ Temps réel |
| 👥 OFS |
Données démographiques cantonales |
Facteurs de risque (âge, densité) |
✅ Référence |
Pipeline ML
Du signal à la décision — 5 étapes
1
COLLECTE
SpiGes • Météo
Transport • OFS
2
NETTOYAGE
Pandas • ETL
Normalisation
3
MODÈLE IA
XGBoost
Feature Eng.
4
PRÉDICTION
Score risque
J+1 à J+3
5
DASHBOARD
Streamlit
FastAPI
↺ Boucle de rétroaction — amélioration continue du modèle via MLflow (Phase 2)
Architecture Technique
Système complet — MVP → Production
Sources
SpiGes
MétéoSuisse
Transport
OFS
→
Data Pipeline
Python
Pandas / ETL
Feature Eng.
→
ML Engine
XGBoost (MVP)
LSTM (V2)
SHAP
→
API Backend
FastAPI
REST / Docker
Auth RBAC
→
Dashboard
Streamlit (MVP)
React/D3 (V2)
Cantons
Infrastructure :
Docker · docker-compose · GitHub Actions CI/CD · Licence MIT · Déploiement cantonal reproductible
# Démarrage rapide
git clone https://github.com/adeutou/swiss-ed-predictor.git
cd swiss-ed-predictor
make install # pip install -r requirements.txt
make data # télécharge les open data CH
make train # entraîne le modèle XGBoost
make docker # lance API (8000) + Dashboard (8501)
MVP & Livrables
Ce qui sera livré dimanche soir
🧠
Modèle XGBoost entraîné
Pipeline de données fonctionnel. Modèle entraîné sur SpiGes 2018–2023 avec une métrique de performance mesurable — pas une promesse, un chiffre.
Jour 1
📡
API FastAPI REST
Endpoints POST /predict, GET /health, GET /model/info. Documentation Swagger auto-générée. Dockerisé.
Jour 1
📊
Dashboard Streamlit
Interface lisible par un directeur d'hôpital. KPIs, prévision 72h, niveaux d'alerte, recommandations opérationnelles par canton.
Jour 2
⬡
Repo GitHub public MIT
Code documenté, README complet, licence MIT. Testable par tout canton dès lundi matin.
Jour 2
Validation Scientifique
Trois références, une approche inédite
| Source |
Modèle |
Performance |
Notre apport |
| 🇨🇭 ProcSim (EPFL) |
LSTM + convolution |
93.35% précision · 14 jours |
Open Data CH |
| 🇨🇭 CALYPS Saniia |
ML propriétaire |
90% confiance · 5 jours |
Open Source MIT |
| 🇬🇧 Nature / XGBoost |
XGBoost ensemble |
AUROC 0.90 · 109k visites |
4 sources croisées |
ProcSim et CALYPS Saniia ont validé l'approche en contexte suisse — mais leurs solutions
sont fermées et commerciales. Notre challenge comble ce vide : même performance cible,
données publiques, architecture reproductible par tout canton sans budget.
Équipe
Rejoignez le challenge
Je cherche des profils complémentaires pour constituer l'équipe hackathon.
Si vous avez l'expertise ci-dessous, contactez-moi sur place ou par email.
👨🏾💻
Albert Deutou Ngodji
Challenge Owner · Backend · ML
Python · FastAPI · XGBoost · Docker · Kubernetes
🧪
Data Scientist
Ouvert · Recherché
Séries temporelles · Scikit-learn · XGBoost · Python
🏥
Expert Santé Publique
Ouvert · Recherché
SpiGes · Contexte cantonal · OFSP · DigiSanté
📊
Data Visualization
Ouvert · Recherché
React · D3.js · Streamlit · UX décideurs
Roadmap
De l'hackathon à la production
1
Phase 1 · Mai 2026 · Hackathon 48h
MVP fonctionnel
XGBoost · FastAPI · Dashboard Streamlit · Docker · GitHub public MIT
2
Phase 2 · Q3 2026
Version pilote cantonale
LSTM + MLflow · React/D3 · API live MétéoSuisse · Canton pilote · JWT/RBAC
3
Phase 3 · Q4 2026
Intégration production
FHIR HL7 · Intégration dispatch 144 · Multi-canton · Kubernetes / Renku SDSC