Update app.py

app.py

@@ -16,7 +16,7 @@ import altair as alt
 from datetime import datetime
 from io import BytesIO
 import docx
-import difflib 
+import difflib
 
 # --- CONFIGURACIÓN DE PÁGINA Y LOGGING ---
 st.set_page_config(page_title="El Detective de Alimentos", page_icon="🍎", layout="wide")
@@ -464,6 +464,7 @@ def extract_keywords(text):
     words = re.findall(r'\b\w+\b', sanitize_text(text))
     return set(w for w in words if w not in STOPWORDS_ES and len(w) > 2)
 
+# --- BUSCADOR UNIVERSAL CON CORRECTOR DIFUSO DE ERRATAS (difflib) ---
 def get_compounds_for_food(food_name, food_map):
     if not food_name: return []
     food_clean = food_name.lower().strip()
@@ -473,19 +474,50 @@ def get_compounds_for_food(food_name, food_map):
         return food_map[food_clean]
         
     # 2. Limpieza de Plurales
-    if food_clean.endswith("s") and food_clean[:-1] in food_map:
-        return food_map[food_clean[:-1]]
-    if food_clean.endswith("es") and food_clean[:-2] in food_map:
-        return food_map[food_clean[:-2]]
-        
-    # 3. Búsqueda por subcadena
+    for suffix in ["es", "s"]:
+        if food_clean.endswith(suffix):
+            norm = food_clean[:-len(suffix)]
+            if norm in food_map:
+                return food_map[norm]
+
+    # 3. CORRECTOR DIFUSO DE ERRATAS (Corrige "vino tino" -> "vino tinto", "chotanduro" -> "chontaduro")
+    fuzzy_matches = difflib.get_close_matches(food_clean, list(food_map.keys()), n=1, cutoff=0.6)
+    if fuzzy_matches:
+        logger.info(f"💡 Errata corregida automáticamente: '{food_clean}' -> '{fuzzy_matches[0]}'")
+        return food_map[fuzzy_matches[0]]
+
+    # 4. Búsqueda por subcadena en el diccionario
     matched_compounds = set()
     for key, compounds in food_map.items():
         if key in food_clean or food_clean in key:
             matched_compounds.update(compounds)
-            
-    return list(matched_compounds)
+    if matched_compounds:
+        return list(matched_compounds)
 
+    # 5. Corrección difusa por palabras individuales dentro de frases largas
+    inferred = set()
+    words = food_clean.split()
+    for word in words:
+        if len(word) > 3:
+            sub_fuzzy = difflib.get_close_matches(word, list(food_map.keys()), n=1, cutoff=0.7)
+            if sub_fuzzy:
+                inferred.update(food_map[sub_fuzzy[0]])
+
+    if inferred:
+        return list(inferred)
+
+    # 6. INFERENCIA UNIVERSAL DE CLASES PARA ALIMENTOS NO REGISTRADOS
+    if any(w in food_clean for w in ["vino", "cerveza", "licor", "trago", "bebida"]):
+        return ["histamina", "tiramina", "sulfitos", "alcohol", "taninos"]
+    elif any(w in food_clean for w in ["carne", "cerdo", "res", "pollo", "pavo", "cordero"]):
+        return ["histamina", "purinas", "proteínas"]
+    elif any(w in food_clean for w in ["jugo", "zumo", "batido", "fruta", "licuado"]):
+        return ["fructosa", "salicilatos", "histamina", "fenoles"]
+    elif any(w in food_clean for w in ["queso", "leche", "crema", "yogur"]):
+        return ["caseína", "lactosa", "histamina", "tiramina"]
+
+    return []
+    
 def validar_seguro_logico(entry, user_foods, user_query, food_compound_map):
     if not user_foods:
         return True
@@ -664,39 +696,60 @@ def build_local_hypothesis(entities, food_compound_map, neuro_map):
         "sintomas_clave": user_symptoms,
         "es_hipotesis_local": True
     }
+
+
 def get_compounds_for_food(food_name, food_map):
     """
-    Buscador e Inferidor Universal de Compuestos:
+    Buscador e Inferidor Universal de Compuestos (Definitivo):
     1. Coincidencia exacta.
-    2. Limpieza de plurales.
-    3. Búsqueda por subcadena.
-    4. INFERENCIA UNIVERSAL DE CLASES: Si el alimento es totalmente nuevo, 
-       deduce sus compuestos por su familia biológica (carnes, mariscos, frutas, lácteos, etc.).
+    2. Normalización de plurales.
+    3. Corrector difuso de errores de tipeo (difflib).
+    4. Búsqueda por subcadena en el diccionario.
+    5. Inferencia universal por familia biomédica para alimentos no registrados.
     """
-    if not food_name: return []
+    if not food_name: 
+        return []
+        
     food_clean = food_name.lower().strip()
     
     # 1. Coincidencia exacta
     if food_clean in food_map:
         return food_map[food_clean]
         
-    # 2. Limpieza de Plurales
+    # 2. Normalización de Plurales
     for suffix in ["es", "s"]:
         if food_clean.endswith(suffix):
             norm = food_clean[:-len(suffix)]
             if norm in food_map:
                 return food_map[norm]
 
-    # 3. Búsqueda por subcadena en el diccionario
+    # 3. Corrección difusa de erratas de tipeo ("vino tino" -> "vino tinto", "chotanduro" -> "chontaduro")
+    fuzzy_matches = difflib.get_close_matches(food_clean, list(food_map.keys()), n=1, cutoff=0.6)
+    if fuzzy_matches:
+        return food_map[fuzzy_matches[0]]
+
+    # 4. Búsqueda por subcadena dentro del diccionario
     matched_compounds = set()
     for key, compounds in food_map.items():
         if key in food_clean or food_clean in key:
             matched_compounds.update(compounds)
+            
     if matched_compounds:
         return list(matched_compounds)
 
-    # 4. INFERENCIA UNIVERSAL DE CLASES PARA ALIMENTOS NO REGISTRADOS
+    # 5. Inferencia difusa por palabras individuales en nombres compuestos
     inferred = set()
+    words = food_clean.split()
+    for word in words:
+        if len(word) > 3:
+            sub_fuzzy = difflib.get_close_matches(word, list(food_map.keys()), n=1, cutoff=0.7)
+            if sub_fuzzy:
+                inferred.update(food_map[sub_fuzzy[0]])
+
+    if inferred:
+        return list(inferred)
+
+    # 6. INFERENCIA UNIVERSAL POR FAMILIA BIOLÓGICA (Alimentos raros o no registrados)
     if any(w in food_clean for w in ["carne", "cerdo", "res", "pollo", "pavo", "cordero", "pato", "chicharrón", "tocino"]):
         inferred.update(["histamina", "purinas", "proteínas"])
     elif any(w in food_clean for w in ["pescado", "atún", "marisco", "camarón", "sardina", "langostino", "pulpo"]):
@@ -716,9 +769,9 @@ def get_compounds_for_food(food_name, food_map):
 
 def build_local_hypothesis(entities, food_compound_map, neuro_map):
     """
-    Generador Local Universal de Hipótesis:
-    Construye diagnósticos para dermatología (piel/alergias), neurología, 
-    gastroenterología, insomnio y síntomas generales.
+    Generador Local Definitivo de Hipótesis:
+    Construye respuestas clínicas estructuradas clasificando los síntomas en 4 grandes
+    sistemas orgánicos (Neurología, Dermatología, Insomnio, Gastroenterología).
     """
     user_foods = entities.get("alimentos", [])
     user_symptoms = entities.get("sintomas", [])
@@ -727,26 +780,39 @@ def build_local_hypothesis(entities, food_compound_map, neuro_map):
 
     symptom_text = " ".join(user_symptoms).lower()
     
-    # Categorización clínica del síntoma predominante
-    es_dermatologico = any(k in symptom_text for k in ["piel", "rasca", "picazón", "picazon", "manchas", "urticaria", "erupción", "alergia", "ronchas", "granitos"])
-    es_cefalea = any(k in symptom_text for k in ["dolor de cabeza", "migraña", "cefalea", "jaqueca"])
-    es_insomnio = any(k in symptom_text for k in ["insomnio", "no puedo dormir", "sueño", "desvelado"])
-    es_gastro = any(k in symptom_text for k in ["hinchazón", "hinchazon", "gases", "diarrea", "dolor abdominal", "retortijón", "cólico"])
+    # Categorización clínica por sistemas de síntomas
+    es_dermatologico = any(k in symptom_text for k in ["piel", "rasca", "picazón", "picazon", "manchas", "urticaria", "erupción", "erupcion", "alergia", "ronchas", "granitos"])
+    es_cefalea = any(k in symptom_text for k in ["dolor de cabeza", "migraña", "cefalea", "jaqueca", "dolor", "cabeza"])
+    es_insomnio = any(k in symptom_text for k in ["insomnio", "no puedo dormir", "sueño", "desvelado", "desvelo", "despierto"])
+    es_gastro = any(k in symptom_text for k in ["hinchazón", "hinchazon", "gases", "diarrea", "dolor abdominal", "retortijón", "retortijon", "cólico", "colico", "inflamado", "inflama", "pesadez", "estómago", "estomago"])
 
     candidates = []
     for food in user_foods:
         comps = get_compounds_for_food(food, food_compound_map)
         for compound in comps:
             info = neuro_map.get(compound, {})
-            effect = info.get('efecto_neuropsicologico', f'Sustancia bioactiva ({compound}) presente en {food}')
+            effect = info.get('efecto_neuropsicologico', f'Sustancia bioactiva ({compound}) con impacto inmunológico o metabolico en {food}')
             candidates.append({"alimento": food, "compuesto": compound, "efecto": effect})
 
+    # Si no hay candidatos bioquímicos específicos, genera la hipótesis con la familia inferida
     if not candidates:
         alimentos_str = ", ".join(user_foods).capitalize()
         sintomas_str = ", ".join(user_symptoms)
+        
+        if es_cefalea:
+            condicion_fallback = f"Cefalea o Migraña Alimentaria relacionada con {alimentos_str}"
+        elif es_insomnio:
+            condicion_fallback = f"Alteración del Sueño o Insomnio relacionado con {alimentos_str}"
+        elif es_gastro:
+            condicion_fallback = f"Distensión o Malestar Gastrointestinal relacionado con {alimentos_str}"
+        elif es_dermatologico:
+            condicion_fallback = f"Reacción Dermatológica o Urticaria relacionada con {alimentos_str}"
+        else:
+            condicion_fallback = f"Sensibilidad o Intolerancia Alimentaria a {alimentos_str}"
+
         return {
-            "condicion_asociada": f"Sensibilidad o Intolerancia Alimentaria a {alimentos_str}",
-            "mecanismo_fisiologico": f"Respuesta inmunológica o enzimática a los componentes de {alimentos_str}, manifestándose con {sintomas_str}.",
+            "condicion_asociada": condicion_fallback,
+            "mecanismo_fisiologico": f"Respuesta inmunológica, enzimática o metabólica inducida por los componentes bioactivos de {alimentos_str}, manifestándose con {sintomas_str}.",
             "compuesto_alimento": f"{alimentos_str} (Compuestos bioactivos)",
             "sintomas_clave": user_symptoms,
             "es_hipotesis_local": True
@@ -757,11 +823,11 @@ def build_local_hypothesis(entities, food_compound_map, neuro_map):
     compuestos_str = ", ".join(compuestos_unicos)
     alimentos_str = ", ".join(alimentos_unicos).capitalize()
 
-    # Construcción sintáctica dinámica por sistema orgánico
-    if es_dermatologico:
+    # Construcción sintáctica por sistema afectado
+    if es_cefalea:
+        condicion = f"Cefalea o Migraña Vasoactiva asociada a {compuestos_str} en {alimentos_str}"
+    elif es_dermatologico:
         condicion = f"Reacción Histaminérgica / Dermatológica por {compuestos_str} en {alimentos_str}"
-    elif es_cefalea:
-        condicion = f"Cefalea o Migraña por Aminas Vasoactivas / Compuestos ({compuestos_str}) en {alimentos_str}"
     elif es_insomnio:
         condicion = f"Alteración del Sueño e Insomnio por respuesta a {compuestos_str} en {alimentos_str}"
     elif es_gastro:
@@ -779,8 +845,6 @@ def build_local_hypothesis(entities, food_compound_map, neuro_map):
         "es_hipotesis_local": True
     }
 
-
-
 def generate_ai_hypothesis_on_the_fly(query, entities):
     """
     Agente Rescatador Universal por IA: