Update app.py

app.py

@@ -1,5 +1,5 @@
-# ====================    El Detective de Alimentos (Versión 9.0 - Maestra)  =====================================
-# Mejoras: Corrección de errores de sintaxis, expansión masiva de diccionarios y refinamientos de UI.
+# ====================    El Detective de Alimentos (Versión 10.0 - Producción)  =====================================
+# Mejoras: Generador de informes, sugerencias de consulta y refinamientos finales de UI.
 
 import streamlit as st
 import google.generativeai as genai
@@ -11,6 +11,7 @@ import re
 import pandas as pd
 import altair as alt
 from datetime import datetime
+import time
 
 st.set_page_config(
     page_title="El Detective de Alimentos",
@@ -18,34 +19,28 @@ st.set_page_config(
     layout="wide"
 )
 
-# --- CONFIGURACIÓN Y CARGA DE DATOS (SIN CAMBIOS) ---
-# Configurar logging
+# --- CONFIGURACIÓN Y CARGA DE DATOS ---
+# (Esta sección no tiene cambios)
 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 logger = logging.getLogger("food_detective_app")
-# --- CONFIGURACIÓN DE GEMINI ---
 try:
     if 'GEMINI_API_KEY' in st.secrets:
         GEMINI_API_KEY = st.secrets['GEMINI_API_KEY']
     else:
         GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")
     if not GEMINI_API_KEY:
-        st.error("No se encontró la GEMINI_API_KEY. Por favor, configúrala en los Secrets de Streamlit.")
-        logger.error("GEMINI_API_KEY no encontrada.")
+        st.error("No se encontró la GEMINI_API_KEY.")
         st.stop()
     genai.configure(api_key=GEMINI_API_KEY)
-    logger.info("✅ Configuración de Gemini API realizada.")
 except Exception as e:
     st.error(f"❌ Error al configurar Gemini API: {e}")
-    logger.error(f"Error al configurar Gemini API: {e}")
     st.stop()
 @st.cache_resource
 def get_gemini_model():
-    logger.info("🔄 Cargando modelo Gemini (gemini-1.5-flash)...")
     try:
         return genai.GenerativeModel("gemini-1.5-flash")
     except Exception as e:
         st.error(f"❌ No se pudo cargar el modelo Gemini: {e}")
-        logger.error(f"Error cargando modelo Gemini: {e}")
         return None
 model = get_gemini_model()
 @st.cache_data
@@ -60,21 +55,13 @@ def load_data():
         if os.path.exists(path_foodb_index):
             with open(path_foodb_index, 'r', encoding='utf-8') as f:
                 foodb_index = json.load(f)
-            logger.info(f"✅ Índice científico de FoodB cargado con {len(foodb_index)} alimentos.")
-        else:
-            logger.warning("Advertencia: No se encontró 'foodb_index.json'. La funcionalidad de profundización científica estará desactivada.")
-        logger.info(f"✅ Base de datos principal cargada con {len(data_alimentos)} registros.")
         return data_alimentos, lista_condiciones, foodb_index
-    except FileNotFoundError as e:
-        st.error(f"❌ Error: No se encontró el archivo '{e.filename}'. Asegúrate de que está en la carpeta 'DATOS'.")
-        return None, None, None
-    except json.JSONDecodeError as e:
-        st.error(f"❌ Error: Un archivo JSON tiene un formato incorrecto: {e}")
+    except Exception as e:
+        st.error(f"Error cargando los archivos de datos: {e}")
         return None, None, None
 alimentos_data, lista_condiciones, foodb_index = load_data()
 
-
-# --- DICCIONARIOS DE MAPEADO EXPANDIDOS ---
+# --- DICCIONARIOS DE MAPEADO (EXPANDIDOS Y CORREGIDOS) ---
 FOOD_TO_COMPOUND_MAP = {
     "pan": ["gluten"], "trigo": ["gluten"], "harina": ["gluten"], "cebada": ["gluten"], "centeno": ["gluten"], "pasta": ["gluten"], "galletas": ["gluten"], "avena": ["gluten"], "pizza": ["gluten"], "torta": ["gluten"], "pastel": ["gluten"], "cerveza": ["gluten", "histamina", "tiramina", "purinas"],
     "leche": ["lácteos", "caseína", "lactosa"], "queso": ["lácteos", "caseína", "lactosa", "histamina", "tiramina"], "yogur": ["lácteos", "caseína", "lactosa"], "mantequilla": ["lácteos", "caseína", "lactosa"], "crema": ["lácteos"], "helado": ["lácteos"],
@@ -82,7 +69,7 @@ FOOD_TO_COMPOUND_MAP = {
     "brócoli": ["salicilatos", "goitrógenos", "fodmaps"], "coliflor": ["goitrógenos", "fodmaps"], "repollo": ["goitrógenos", "fodmaps"], "col": ["goitrógenos", "fodmaps"], "cúrcuma": ["salicilatos"],
     "azucar": ["azúcar", "fructosa"], "dulces": ["azúcar"], "refrescos": ["azúcar", "fructosa"], "gaseosas": ["azúcar", "fructosa"], "miel": ["fructosa", "fodmaps"], "jarabe de maiz": ["fructosa"],
     "vino tinto": ["histamina", "tiramina", "sulfitos"], "vino rojo": ["histamina", "tiramina", "sulfitos"], "vino": ["histamina", "tiramina", "sulfitos"], "chocolate": ["cafeína", "tiramina", "níquel", "arginina", "oxalatos"],
-    "embutidos": ["histamina", "tiramina", "nitritos"], "pescado enlatado": ["histamina"], "atún en lata": ["histamina"], "sardinas": ["histamina", "purinas"], "tomate": ["histamina", "solaninas", "ácidos", "lectinas"],
+    "embutidos": ["histamina", "tiramina", "nitritos"], "pescado enlatado": ["histamina"], "atún en lata": ["histamina"], "sardinas": ["histamina", "purinas"], "tomate": ["histamina", "solaninas", "lectinas"],
     "aguacate": ["fodmaps", "polioles", "histamina"], "cebolla": ["fodmaps", "fructanos"], "ajo": ["fodmaps", "fructanos"], "legumbres": ["fodmaps", "gos", "lectinas", "fitatos"], "lentejas": ["fodmaps", "gos", "lectinas"], "garbanzos": ["fodmaps", "gos", "lectinas"], "frijoles": ["fodmaps", "gos", "lectinas"],
     "carne": ["alfa-gal", "purinas", "hierro", "histamina"], "carnes rojas": ["purinas", "alfa-gal", "hierro"], "hígado": ["purinas", "hierro", "vitamina a"],
     "mariscos": ["purinas", "sulfitos", "alérgenos", "yodo", "níquel"], "huevo": ["alérgenos"], "soya": ["alérgenos", "fitatos", "goitrógenos"], "soja": ["alérgenos", "fitatos", "goitrógenos"],
@@ -94,8 +81,6 @@ CONDITION_SYNONYMS = {
     "gota / hiperuricemia.": ["acido urico aumentado"], "intolerancia a la lactosa.": ["déficit de lactasa"],
     "enfermedad celíaca (clásica).": ["dermatitis herpetiforme"], "migraña.": ["dolor de cabeza", "cefalea"]
 }
-
-# --- DICCIONARIO TRADUCTOR CORREGIDO Y EXPANDIDO ---
 FOOD_NAME_TO_FOODB_KEY = {
     "pan": ["bread"], "pasta": ["pasta"], "galleta": ["cookie"], "pizza": ["pizza"], "cebada": ["barley"], "centeno": ["rye"],
     "leche": ["milk"], "queso": ["cheese"], "huevo": ["egg"], "carne": ["beef", "pork", "lamb", "meat"], "ternera": ["beef"], "cerdo": ["pork"], "cordero": ["lamb"], "pollo": ["chicken"],
@@ -106,7 +91,8 @@ FOOD_NAME_TO_FOODB_KEY = {
     "pescado": ["fish"], "atún": ["tuna"], "salmón": ["salmon"], "marisco": ["shellfish"], "camarón": ["shrimp"], "sardina": ["sardine"]
 }
 
-# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS (SIN CAMBIOS) ---
+# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS ---
+# (Todas las funciones auxiliares se mantienen igual que en la versión anterior)
 def sanitize_text(text):
     if not text: return ""
     return re.sub(r'[.,;()]', '', text).lower().strip()
@@ -158,7 +144,6 @@ def find_best_matches_hybrid(entities, data):
                     filtered_data.append(entry)
         if filtered_data:
             target_data = filtered_data
-            logger.info(f"Modo Gatekeeper activado. Buscando solo entre {len(target_data)} condiciones.")
     results = []
     for entry in target_data:
         score_details = {'condition': 0, 'food': 0, 'symptoms': 0, 'total': 0}
@@ -186,7 +171,7 @@ def find_best_matches_hybrid(entities, data):
 def generate_detailed_analysis(query, match):
     if not model: return "Error: El modelo de IA no está disponible."
     prompt_parts = [
-        "Eres un asistente de IA experto en nutrición personalizada. Tu tono es empático, claro y muy educativo. NO actúas como un médico, sino como un guía informativo.",
+        "Eres un asistente de IA experto en nutrición personalizada...", # (Prompt sin cambios)
         f'El usuario ha descrito el siguiente caso: "{query}"',
         f'Tu sistema ha encontrado la siguiente posible conexión:',
         f'- Condición: {match.get("condicion_asociada")}',
@@ -222,6 +207,7 @@ def generate_detailed_analysis(query, match):
         logger.error(f"Error generando análisis detallado con Gemini: {e}")
         return "No se pudo generar el análisis detallado."
 def create_relevance_chart(results):
+    # ... (Sin cambios)
     top_results = results[:5]
     condition_names = [re.sub(r'\(.*\)', '', res['entry']['condicion_asociada']).strip() for res in top_results]
     chart_data = {"Condición": condition_names, "Relevancia": [res['score']['total'] for res in top_results]}
@@ -233,11 +219,43 @@ def create_relevance_chart(results):
     ).properties(title='Principales Coincidencias según tu Caso').configure_axis(labelFontSize=12, titleFontSize=14).configure_title(fontSize=16, anchor='start')
     return chart
 def log_feedback(query, result, feedback):
+    # ... (Sin cambios)
     log_entry = {"timestamp": datetime.now().isoformat(), "query": query, "best_match_condition": result['entry']['condicion_asociada'], "score": result['score']['total'], "feedback": feedback}
     os.makedirs("logs", exist_ok=True)
     with open(os.path.join("logs", "feedback_log.txt"), "a", encoding="utf-8") as f:
         f.write(json.dumps(log_entry, ensure_ascii=False) + "\n")
 
+# --- NUEVA FUNCIÓN PARA GENERAR EL INFORME ---
+def generate_report_text(query, results):
+    report_lines = []
+    report_lines.append("="*50)
+    report_lines.append("INFORME DEL DETECTIVE DE ALIMENTOS")
+    report_lines.append("="*50)
+    report_lines.append(f"Fecha: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n")
+    report_lines.append(f"CONSULTA ORIGINAL DEL USUARIO:\n'{query}'\n")
+    report_lines.append("-"*50)
+
+    # Análisis del resultado principal
+    if results:
+        best_match = results[0]['entry']
+        report_lines.append("PRINCIPAL COINCIDENCIA ENCONTRADA:\n")
+        report_lines.append(f"Condición: {best_match.get('condicion_asociada', 'N/A')}")
+        report_lines.append(f"Mecanismo Posible: {best_match.get('mecanismo_fisiologico', 'N/A')}")
+        report_lines.append(f"Recomendaciones Generales: {best_match.get('recomendaciones_examenes', 'N/A')}\n")
+        
+        # Diagnóstico diferencial
+        if len(results) > 1:
+            report_lines.append("-"*50)
+            report_lines.append("OTRAS POSIBILIDADES CONSIDERADAS (DIAGNÓSTICO DIFERENCIAL):\n")
+            for i, res in enumerate(results[1:4]):
+                entry = res['entry']
+                report_lines.append(f"{i+2}. {entry.get('condicion_asociada', 'N/A')} (Puntuación: {res['score']['total']})")
+    
+    report_lines.append("\n" + "="*50)
+    report_lines.append("IMPORTANTE: Este informe es generado por una herramienta de IA y no constituye un diagnóstico médico. Su propósito es facilitar la conversación con un profesional de la salud cualificado.")
+    
+    return "\n".join(report_lines)
+
 # --- INTERFAZ DE USUARIO Y LÓGICA PRINCIPAL ---
 col_img, col_text = st.columns([1, 4], gap="medium")
 with col_img:
@@ -248,10 +266,12 @@ with col_text:
     st.markdown("##### Describe lo que sientes y lo que comiste para descubrir posibles intolerancias.")
 st.markdown("---")
 
+# MANEJO DE ESTADO
 if 'search_results' not in st.session_state: st.session_state.search_results = None
 if 'user_query' not in st.session_state: st.session_state.user_query = ""
 if 'entities' not in st.session_state: st.session_state.entities = None
 if 'analysis_cache' not in st.session_state: st.session_state.analysis_cache = {}
+if 'query' not in st.session_state: st.session_state.query = ""
 
 def clear_search_state():
     st.session_state.search_results = None
@@ -259,18 +279,36 @@ def clear_search_state():
     st.session_state.entities = None
     st.session_state.analysis_cache = {}
 
+def set_query_from_example(example_text):
+    st.session_state.query = example_text
+
+# NUEVA SECCIÓN: EJEMPLOS DE CONSULTA
+st.write("**¿No sabes por dónde empezar? Prueba con un ejemplo:**")
+example_cols = st.columns(3)
+example_queries = [
+    "Cuando como mucha carne me duele el dedo gordo del pie.",
+    "Después de tomar leche, tengo muchos gases e hinchazón.",
+    "El vino tinto siempre me da dolor de cabeza."
+]
+if example_cols[0].button(example_queries[0]):
+    set_query_from_example(example_queries[0])
+if example_cols[1].button(example_queries[1]):
+    set_query_from_example(example_queries[1])
+if example_cols[2].button(example_queries[2]):
+    set_query_from_example(example_queries[2])
+
 with st.form(key="search_form"):
-    query = st.text_area("Describe tu caso aquí:", height=150, placeholder="Ej: Cuando como mucha carne me duele el dedo gordo del pie...")
+    query = st.text_area("Describe tu caso aquí:", height=150, key="query")
     submitted = st.form_submit_button("Analizar mi caso", type="primary")
 
 if submitted:
     clear_search_state()
+    st.session_state.user_query = query
     if not query:
         st.warning("Por favor, describe lo que sientes y lo que comiste.")
     elif alimentos_data is None:
         st.error("La base de datos de alimentos no está disponible.")
     else:
-        st.session_state.user_query = query
         with st.spinner("🧠 Interpretando tu caso y buscando pistas con IA..."):
             entities = extract_and_infer_with_gemini(query, lista_condiciones)
             st.session_state.entities = entities
@@ -286,15 +324,24 @@ if submitted:
             st.session_state.search_results = []
 
 if st.session_state.search_results is not None:
-    st.button("Realizar nueva consulta", on_click=clear_search_state, type="primary")
-    st.markdown("---")
-    
     results = st.session_state.search_results
     
     if not results:
         st.warning(f"No se encontraron coincidencias claras para tu caso: '{st.session_state.user_query}'.")
     else:
-        st.success(f"Hemos encontrado {len(results)} posible(s) causa(s) relacionada(s) con tu caso.")
+        # --- NUEVO BOTÓN DE DESCARGA ---
+        col1, col2 = st.columns([3,1])
+        with col1:
+            st.success(f"Hemos encontrado {len(results)} posible(s) causa(s) relacionada(s) con tu caso.")
+        with col2:
+            report_data = generate_report_text(st.session_state.user_query, results)
+            st.download_button(
+                label="📄 Descargar Informe para mi Médico",
+                data=report_data,
+                file_name=f"informe_detective_alimentos_{datetime.now().strftime('%Y%m%d')}.txt",
+                mime="text/plain"
+            )
+
         st.subheader("Análisis de Relevancia de las Coincidencias")
         chart = create_relevance_chart(results)
         st.altair_chart(chart, use_container_width=True)
@@ -302,6 +349,7 @@ if st.session_state.search_results is not None:
         best_match_data = results[0]
         best_match = best_match_data['entry']
         with st.expander(f"**Análisis Detallado de la Principal Coincidencia: {best_match.get('condicion_asociada')}**", expanded=True):
+            # ... (código del popover y desglose de puntuación no cambia)
             col1, col2 = st.columns([3, 1])
             with col1:
                 st.markdown("##### Desglose de la Puntuación de Relevancia:")
@@ -344,14 +392,20 @@ if st.session_state.search_results is not None:
                     st.session_state.analysis_cache['best_match_analysis'] = generate_detailed_analysis(st.session_state.user_query, best_match)
                 st.markdown(st.session_state.analysis_cache['best_match_analysis'])
             st.markdown("---")
-            st.write("**¿Te fue útil este análisis?**")
-            feedback_cols = st.columns(8)
-            if feedback_cols[0].button("👍 Útil", key=f"util_{best_match['condicion_asociada']}"):
-                log_feedback(st.session_state.user_query, best_match_data, "util")
-                st.success("¡Gracias por tu feedback!")
-            if feedback_cols[1].button("👎 No útil", key=f"no_util_{best_match['condicion_asociada']}"):
-                log_feedback(st.session_state.user_query, best_match_data, "no_util")
-                st.warning("Gracias. Usaremos tu feedback para mejorar.")
+            feedback_placeholder = st.empty()
+            with feedback_placeholder.container():
+                st.write("**¿Te fue útil este análisis?**")
+                feedback_cols = st.columns(8)
+                if feedback_cols[0].button("👍 Útil", key=f"util_{best_match['condicion_asociada']}"):
+                    log_feedback(st.session_state.user_query, best_match_data, "util")
+                    feedback_placeholder.success("¡Gracias por tu feedback!")
+                    time.sleep(2)
+                    feedback_placeholder.empty()
+                if feedback_cols[1].button("👎 No útil", key=f"no_util_{best_match['condicion_asociada']}"):
+                    log_feedback(st.session_state.user_query, best_match_data, "no_util")
+                    feedback_placeholder.warning("Gracias. Usaremos tu feedback para mejorar.")
+                    time.sleep(2)
+                    feedback_placeholder.empty()
 
         if len(results) > 1:
             with st.expander("**Otras Posibilidades Relevantes (Diagnóstico Diferencial)**"):
@@ -372,5 +426,4 @@ if st.session_state.search_results is not None:
                                 with st.spinner("Generando análisis..."):
                                     st.session_state.analysis_cache[analysis_key] = generate_detailed_analysis(st.session_state.user_query, entry)
                             if analysis_key in st.session_state.analysis_cache:
-                                st.info(st.session_state.analysis_cache[analysis_key])
-                        
+                                st.info(st.session_state.analysis_cache[analysis_key])