Add application file

app.py

@@ -0,0 +1,150 @@
+import gradio as gr
+from google.adk.agents import Agent
+from google.adk.sessions import InMemorySessionService
+from google.adk.runners import Runner
+from google.adk.agents import LlmAgent
+from google.genai import types
+from typing import Dict, Any
+from google.adk.models.lite_llm import LiteLlm
+import uuid
+import asyncio
+from google import genai
+import os
+
+#download_files_from_drive_tool = FunctionTool(func=download_files_from_drive)
+# --- Definición de Mod
+
+# Definir función para el Agente Revisor
+
+# Envolver funciones como herramientas de ADK
+# Es importante que el nombre de la herramienta sea el mismo que el nombre de la función para el ADK
+instruction = """Sos un auditor clínico experto. Que debes validar la pertinencia clínica de una orden médica. Identifica el estudio solicitado, el diagnóstico y la justificación clínica. Posteriormente analiza si el estudio solicitado está clínicamente justificado.
+
+**IMPORTANTE**: Inpendientemente recuerda que la Guía Práctica Clínica dice: `Se recomienda que ante un paciente con Dolor lumbar sin respuesta al tratamiento después de 4-6 semanas de evolución considerar la utilidad de estudios de imagen. El tratamiento con paracetamol es insuficiente para justificar estudios de imagen.`
+
+
+Formato de respuesta en bullets:
+
+**Evaluación de pertinencia clínica**: [observaciones]
+
+**Resultado**: [✅ Aprobado | ❌ Rechazado]
+
+**Notas para el médico solicitante (Solo en el caso de rechazo)**: - [información]
+
+Fuente: (Ministerio de Salud Pública. Dolor lumbar: Guía Práctica Clínica (GPC). Primera Edición. Quito: Dirección Nacional de Normatización; 2015)
+
+IMPORTANTE_ Siempre debes citar la fuente."""
+def consultar_guia_medica(consulta: str) -> str:
+    client = genai.Client(api_key=os.getenv("GOOGLE_API_KEY"))
+    
+    try:
+        response = client.models.generate_content(
+            model="gemini-2.0-flash",
+            contents=f"""Responde la siguiente consulta en base a la guia de Dolor Lumbar y cita la fuente de la recomendación:
+
+{consulta}
+"""
+        )
+        print("RESPONSE", response)
+        return response.candidates[0].content.parts[0].text
+    except Exception as e:
+        print(e)
+
+
+APP_NAME = "predoc_app"
+
+
+
+root_agent = LlmAgent(
+    model=LiteLlm(model="openai/gpt-4.1"),
+    generate_content_config=types.GenerateContentConfig(
+        temperature=0.0,
+    ),
+    name="Agente_especialista",
+    instruction=instruction,
+    description="Agente especialista en dolor lumbar",
+    #tools=[consultar_guia_medica]
+)
+
+session_service = InMemorySessionService()
+
+# Esta función se conecta a ChatInterface
+def respond(message, history):
+    # Detectar si es inicio de conversación (history vacío o con 0 mensajes)
+    print("HISTORY",history)
+    if history is None or len(history) == 0:
+        user_id = str(uuid.uuid4())
+        session_id = str(uuid.uuid4())
+        print(f"🔄 Nueva sesión: {session_id}")
+
+        async def create_session():
+            await session_service.create_session(
+                app_name=APP_NAME,
+                user_id=user_id,
+                session_id=session_id
+            )
+        asyncio.run(create_session())
+        # Guardar en algún lado user_id y session_id para usar en las próximas llamadas
+        # Por simplicidad acá lo guardamos en variables globales
+        global CURRENT_USER_ID, CURRENT_SESSION_ID
+        CURRENT_USER_ID = user_id
+        CURRENT_SESSION_ID = session_id
+    else:
+        # Usar IDs existentes
+        user_id = CURRENT_USER_ID
+        session_id = CURRENT_SESSION_ID
+
+    runner = Runner(agent=root_agent, app_name=APP_NAME, session_service=session_service)
+
+    def call_agent_text(query):
+        content = types.Content(role='user', parts=[types.Part(text=query)])
+        events = runner.run(user_id=user_id, session_id=session_id, new_message=content)
+        for event in events:
+            if event.is_final_response():
+                return event.content.parts[0].text
+        return "No se obtuvo respuesta."
+
+    def call_agent_image(query):
+        images = []
+        for q in query:
+            with open(q, 'rb') as f:
+                image_bytes = f.read()
+            images.append(types.Part.from_bytes(data=image_bytes, mime_type='image/jpeg'))
+
+        content = types.Content(role='user', parts=images)
+        events = runner.run(user_id=user_id, session_id=session_id, new_message=content)
+        for event in events:
+            if event.is_final_response():
+                return event.content.parts[0].text
+        return "No se obtuvo respuesta."
+
+    def call_agent_both(image, text):
+        with open(image[0], 'rb') as f:
+            image_bytes = f.read()
+        content = types.Content(
+            role='user',
+            parts=[
+                types.Part.from_bytes(data=image_bytes, mime_type='image/jpeg'),
+                types.Part(text=text)
+            ]
+        )
+        events = runner.run(user_id=user_id, session_id=session_id, new_message=content)
+        for event in events:
+            if event.is_final_response():
+                return event.content.parts[0].text
+        return "No se obtuvo respuesta."
+
+    # Dispatcher
+    if message['text'] != '' and len(message['files']) > 0:
+        return call_agent_both(message['files'], message['text'])
+    elif message['text'] == '' and len(message['files']) > 0:
+        return call_agent_image(message['files'])
+    elif message['text'] != '' and len(message['files']) == 0:
+        return call_agent_text(message['text'])
+    else:
+        return "Escribe algo para que pueda contestarte."
+
+# Inicializamos demo sin el argumento state
+demo = gr.ChatInterface(fn=respond, title="Agente Revisor", multimodal=True)
+
+demo.launch(debug=True)