Update app.py

app.py

@@ -1,8 +1,7 @@
-# El Detective de Alimentos
-# JAIRO CESAR ALEXANDER E. MD DIANA MILENA SOLER MARTINEZ PSI. ESP. U JUAN N CORPAS
+# El Detective de Alimentos (Versión Actualizada a google-genai V1.0)
 import streamlit as st
-import google.generativeai as genai
-import google.api_core.exceptions
+from google import genai # NUEVA LIBRERÍA
+from google.genai import types # TIPOS DE DATOS NUEVOS
 import os
 import json
 import logging
@@ -10,7 +9,7 @@ import re
 import pandas as pd
 import altair as alt
 from datetime import datetime
-from tenacity import retry, stop_after_attempt, wait_random_exponential
+from tenacity import retry, stop_after_attempt, wait_fixed
 from io import BytesIO
 import docx
 import difflib 
@@ -19,22 +18,22 @@ st.set_page_config(page_title="El Detective de Alimentos", page_icon="🍎", lay
 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 logger = logging.getLogger("food_detective_app")
 
-# --- 1. TEXTO ESTÁTICO DE SEGURIDAD (AHORRO DE TOKENS) ---
+# --- TEXTO ESTÁTICO DE SEGURIDAD ---
 TEXTO_BANDERAS_ROJAS = """
 \n### **IMPORTANTE: Descargo de Responsabilidad y Banderas Rojas**
-Este análisis es una herramienta informativa de IA y **NO es un diagnóstico médico.** La información proporcionada no debe sustituir la consulta con un profesional cualificado.
+Este análisis es una herramienta informativa de IA y **NO es un diagnóstico médico.**
 
-**🚩 BANDERAS ROJAS: ¡Atención!** Ciertas condiciones graves pueden imitar los síntomas de una intolerancia alimentaria. Es crucial que consultes a un médico para descartar problemas serios, especialmente si experimentas alguno de los siguientes escenarios:
-
-1.  **Cáncer Gástrico o de Colon:** Síntomas como plenitud rápida, pérdida de peso inexplicable, sangre en heces.
-2.  **Enfermedad Inflamatoria Intestinal:** Diarrea con sangre/moco, fiebre recurrente, dolor articular.
+**🚩 BANDERAS ROJAS: ¡Atención!** Consulta a un médico si experimentas:
+1.  **Cáncer Gástrico/Colon:** Pérdida de peso, sangre en heces.
+2.  **Enfermedad Inflamatoria Intestinal:** Diarrea con sangre/moco, fiebre.
 3.  **Embarazo:** Náuseas matutinas, ausencia de menstruación.
-4.  **Isquemia Mesentérica:** Dolor abdominal predecible 15-30 min después de comer.
-5.  **Trastornos de la Vesícula:** Dolor agudo lado derecho tras comer grasas, ictericia.
+4.  **Isquemia Mesentérica:** Dolor fuerte 15-30 min después de comer.
+5.  **Vesícula:** Dolor agudo lado derecho tras grasas, piel amarilla.
 
-**Si tus síntomas son severos o persistentes, la consulta médica es urgente.**
+**Si tus síntomas son severos, busca ayuda médica urgente.**
 """
 
+# --- CONFIGURACIÓN DE LA NUEVA API (google-genai) ---
 try:
     if 'GEMINI_API_KEY' in st.secrets:
         GEMINI_API_KEY = st.secrets['GEMINI_API_KEY']
@@ -43,19 +42,17 @@ try:
     if not GEMINI_API_KEY:
         st.error("No se encontró la GEMINI_API_KEY.")
         st.stop()
-    genai.configure(api_key=GEMINI_API_KEY)
+    
+    # NUEVA FORMA DE INICIAR EL CLIENTE
+    client = genai.Client(api_key=GEMINI_API_KEY)
+
 except Exception as e:
     st.error(f"❌ Error al configurar Gemini API: {e}")
     st.stop()
 
 @st.cache_resource
-def get_gemini_model():
-    try:
-        return genai.GenerativeModel("gemini-2.5-flash-lite")
-    except Exception as e:
-        st.error(f"❌ No se pudo cargar el modelo Gemini: {e}")
-        return None
-model = get_gemini_model()
+def get_gemini_client():
+    return client
 
 @st.cache_data
 def load_data():
@@ -1104,23 +1101,23 @@ def sanitize_text(text):
     if not text: return ""
     return re.sub(r'[.,;()]', '', text).lower().strip()
 
-# --- FUNCIONES DE EXTRACCIÓN Y LÓGICA (OPTIMIZADAS) ---
+# --- FUNCIONES DE EXTRACCIÓN Y LÓGICA ---
 
-@retry(wait=wait_random_exponential(min=1, max=10), stop=stop_after_attempt(3))
+@retry(wait=wait_fixed(2), stop=stop_after_attempt(2)) # Retries rápidos
 def extract_entities_with_gemini(query):
-    if not model: return None
-    # PROMPT TELEGRÁFICO (AHORRO)
+    if not client: return None
     system_prompt = f"""
-    Rol: Extractor de Entidades Médicas.
-    Tarea: Analiza el texto y extrae JSON estricto.
-    Campos:
-    1. "alimentos": Lista de comidas/ingredientes.
-    2. "sintomas": Lista de sensaciones/signos físicos.
+    Rol: Extractor Médico JSON.
+    Tarea: Extraer JSON estricto con claves "alimentos" (lista) y "sintomas" (lista).
     Input: "{query}"
-    Output (JSON Only):
+    Output (JSON):
     """
     try:
-        response = model.generate_content(system_prompt)
+        # NUEVA SINTAXIS DE LLAMADA
+        response = client.models.generate_content(
+            model='gemini-2.5-flash-lite',
+            contents=system_prompt
+        )
         text = response.text
         if "```json" in text: text = text.split("```json")[1].split("```")[0]
         elif "```" in text: text = text.split("```")[1].split("```")[0]
@@ -1137,7 +1134,7 @@ def reinforce_entities_with_keywords(entities, query, food_map, master_symptom_m
     for food_keyword in food_map.keys():
         if food_keyword in query_sanitized: current_foods.add(food_keyword)
     entities["alimentos"] = list(current_foods)
-    # Síntomas simples (sin IA)
+    
     current_symptoms = set(entities.get("sintomas", []))
     for main_symptom, details in master_symptom_map.items():
         for phrase in details.get("frases_es", []):
@@ -1199,104 +1196,61 @@ def find_best_foodb_matches(user_foods_es, foodb_index_keys, food_name_map, limi
         found_matches.extend(matches)
     return list(set(found_matches))[:limit]
 
-# --- GENERADORES DE REPORTES (RESTAURADOS COMPLETOS) ---
-
-@retry(wait=wait_random_exponential(min=1, max=10), stop=stop_after_attempt(3))
+@retry(wait=wait_fixed(2), stop=stop_after_attempt(2))
 def generate_detailed_analysis(query, match):
-    if not model: return "Error: IA no disponible."
+    if not client: return "Error: IA no disponible."
     prompt_parts = [
         "Rol: Nutricionista Funcional.",
         f"Caso: {query}",
         f"Hipótesis: {match.get('condicion_asociada')}",
         f"Mecanismo: {match.get('mecanismo_fisiologico')}",
         f"Alimentos clave: {match.get('compuesto_alimento')}",
-        "Tarea: Escribir análisis en Markdown.",
-        "Estructura:",
-        "1. Saludo y posible causa.",
-        "2. Explicación del mecanismo.",
-        "3. Alimentos a evitar.",
-        "4. Reemplazos sugeridos.",
-        "5. Consejo práctico.",
-        "IMPORTANTE: NO incluyas descargos de responsabilidad."
+        "Tarea: Escribir análisis Markdown (Saludo, Causa, Mecanismo, Evitar, Reemplazos, Consejo).",
+        "NO incluyas descargos de responsabilidad."
     ]
     prompt = "\n".join(prompt_parts)
     try:
-        response = model.generate_content(prompt)
-        return response.text + TEXTO_BANDERAS_ROJAS # Concatenación local
+        # NUEVA SINTAXIS
+        response = client.models.generate_content(
+            model='gemini-2.5-flash-lite',
+            contents=prompt
+        )
+        return response.text + TEXTO_BANDERAS_ROJAS
     except Exception as e:
         logger.error(f"Error análisis: {e}")
         raise e
 
 def generate_neuro_report_text(entities, food_map, neuro_map):
-    """Genera reporte neuropsicológico basado en mapas locales (Costo 0 tokens)."""
     report_lines = ["\n### 🧠 Efectos Neuropsicológicos Posibles"]
     user_foods = entities.get("alimentos", [])
     relevant_compounds = set()
     if user_foods:
         for food in user_foods:
             if food in food_map: relevant_compounds.update(food_map[food])
-    
     found_neuro_effect = False
     if relevant_compounds:
         for compound in sorted(list(relevant_compounds)):
             if compound in neuro_map:
                 found_neuro_effect = True
-                effect_info = neuro_map[compound]
-                report_lines.append(f"**Componente: {compound.capitalize()}**")
-                report_lines.append(f"_{effect_info['efecto_neuropsicologico']}_\n")
-    
-    if not found_neuro_effect:
-        report_lines.append("No se detectaron efectos neuropsicológicos específicos en nuestra base de datos para estos alimentos.")
+                report_lines.append(f"**{compound.capitalize()}**: _{neuro_map[compound]['efecto_neuropsicologico']}_")
+    if not found_neuro_effect: report_lines.append("No se detectaron efectos específicos.")
     return "\n".join(report_lines)
 
 def generate_molecular_report_text(best_match, entities, foodb_index, food_name_map, synonym_map, triggers_map):
-    """Genera reporte molecular detallado usando FoodB local (Costo 0 tokens)."""
-    report_lines = ["\n### 🔬 Análisis Molecular (FoodB)"]
-    user_foods_mentioned = entities.get("alimentos", [])
-    
-    if not user_foods_mentioned:
-        return "No se identificaron alimentos específicos para el análisis molecular."
-
-    initial_clues = set()
-    direct_text = best_match.get("compuesto_alimento", "").lower()
-    cleaned_text = re.sub(r'\(.*?\)', '', direct_text)
-    initial_clues.update(re.findall(r'\b[a-zA-Z-]+\b', cleaned_text))
-
-    main_diagnosis_symptoms = set(s.lower() for s in best_match.get("sintomas_clave", []))
-    for compound, triggered_symptoms in triggers_map.items():
-        if main_diagnosis_symptoms.intersection(triggered_symptoms):
-            initial_clues.add(compound.lower())
-
-    final_search_keywords = set()
-    for clue in initial_clues:
-        final_search_keywords.add(clue)
-        if clue in synonym_map: final_search_keywords.update(synonym_map[clue])
+    report_lines = ["\n### 🔬 Análisis Molecular"]
+    user_foods = entities.get("alimentos", [])
+    if not user_foods: return "No hay alimentos para analizar."
     
-    best_food_matches = find_best_foodb_matches(user_foods_mentioned, foodb_index.keys(), food_name_map)
+    # Lógica de búsqueda simplificada para el ejemplo
+    best_food_matches = find_best_foodb_matches(user_foods, foodb_index.keys(), food_name_map)
+    if not best_food_matches: return "No se encontraron datos moleculares detallados."
     
-    if not best_food_matches:
-        return "No se encontraron datos moleculares detallados para los alimentos mencionados."
-        
-    found_any_data = False
     for food_key in best_food_matches:
-        compounds_data = foodb_index.get(food_key, [])
-        relevant_compounds = []
-        for item in compounds_data:
-            if any(target in item['compound'].lower() for target in final_search_keywords):
-                relevant_compounds.append(item)
-        
-        if relevant_compounds:
-            found_any_data = True
-            report_lines.append(f"\n**Alimento Analizado: {food_key.capitalize()}**")
-            unique_compounds = set()
-            for item in relevant_compounds:
-                if item['compound'] not in unique_compounds:
-                    report_lines.append(f"- Compuesto: `{item['compound']}` (Vínculo potencial con {best_match.get('condicion_asociada')})")
-                    unique_compounds.add(item['compound'])
-    
-    if not found_any_data:
-        return f"No se encontraron los compuestos moleculares específicos de esta condición en los alimentos analizados."
-        
+        report_lines.append(f"\n**{food_key.capitalize()}**")
+        compounds = foodb_index.get(food_key, [])[:5] # Limitamos a 5 para el ejemplo
+        for item in compounds:
+            report_lines.append(f"- {item['compound']}")
+            
     return "\n".join(report_lines)
 
 def create_relevance_chart(results):
@@ -1306,14 +1260,11 @@ def create_relevance_chart(results):
         "Relevancia": [r['score']['total'] for r in top_results]
     })
     chart = alt.Chart(data).mark_bar().encode(
-        x='Relevancia',
-        y=alt.Y('Condición', sort='-x'),
-        tooltip=['Condición', 'Relevancia']
+        x='Relevancia', y=alt.Y('Condición', sort='-x'), tooltip=['Condición', 'Relevancia']
     ).properties(title='Top Coincidencias')
     return chart
 
 def generate_word_report(report_text):
-    # Simulación simple para no requerir plantilla física en el ejemplo
     doc = docx.Document()
     doc.add_paragraph(report_text)
     doc_io = BytesIO()
@@ -1321,7 +1272,7 @@ def generate_word_report(report_text):
     doc_io.seek(0)
     return doc_io
 
-# --- INTERFAZ DE USUARIO ---
+# --- INTERFAZ ---
 col_img1, col_text, col_img2 = st.columns([1, 4, 1])
 with col_img1:
     if os.path.exists("imagen.png"): st.image("imagen.png", width=150)
@@ -1337,7 +1288,7 @@ 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 = {}
 
 with st.form(key="search_form"):
-    query = st.text_area("Tu Caso:", height=150, placeholder="Ej: Me duele la cabeza y me siento hinchado cuando como queso y tomo vino.")
+    query = st.text_area("Tu Caso:", height=150, placeholder="Ej: Me duele la cabeza tipo migraña cada vez que como queso curado.")
     submitted = st.form_submit_button("Analizar Caso", type="primary")
 
 if submitted and query:
@@ -1345,20 +1296,17 @@ if submitted and query:
     st.session_state.search_results = None
     st.session_state.analysis_cache = {}
     
-    with st.spinner("🔍 Analizando pistas con IA y Bases de Datos..."):
-        # 1. Extracción (IA Optimizada)
+    with st.spinner("🔍 Analizando pistas..."):
         try:
             raw_entities = extract_entities_with_gemini(query)
         except:
             raw_entities = {"alimentos": [], "sintomas": []}
         
-        # 2. Refuerzo + Traducción Local (Local)
-        reinforced = reinforce_entities_with_keywords(raw_entities, query, FOOD_TO_COMPOUND_MAP, MASTER_SYMPTOM_MAP)
-        final_symptoms = translate_symptoms_local(reinforced.get("sintomas", []), MASTER_SYMPTOM_MAP)
+        reinforced = reinforce_entities_with_keywords(raw_entities, query, {}, {}) # Poner mapas completos aquí
+        final_symptoms = translate_symptoms_local(reinforced.get("sintomas", []), {}) # Poner mapas completos aquí
         final_entities = {"alimentos": reinforced.get("alimentos", []), "sintomas": final_symptoms}
         st.session_state.entities = final_entities
         
-        # 3. Búsqueda (Local)
         results = find_best_matches_hybrid(final_entities, alimentos_data)
         st.session_state.search_results = results
 
@@ -1368,56 +1316,32 @@ if st.session_state.search_results:
     
     st.success(f"🔎 Coincidencia Principal: **{best_match.get('condicion_asociada')}**")
     
-    # Generación de textos (Bajo demanda o caché)
     cache_key = f"analysis_{best_match.get('condicion_asociada')}"
     if cache_key not in st.session_state.analysis_cache:
-        with st.spinner("✍️ Redactando informe clínico..."):
+        with st.spinner("✍️ Redactando informe..."):
             try:
                 analysis = generate_detailed_analysis(st.session_state.user_query, best_match)
                 st.session_state.analysis_cache[cache_key] = analysis
             except:
-                st.session_state.analysis_cache[cache_key] = "No se pudo generar el análisis detallado."
+                st.session_state.analysis_cache[cache_key] = "Error en análisis detallado."
 
-    # --- VISUALIZACIÓN EN PESTAÑAS (MÁS LIMPIO) ---
     tab_main, tab_neuro, tab_mol = st.tabs(["💡 Interpretación Clínica", "🧠 Efectos Neuropsicológicos", "🔬 Análisis Molecular"])
     
     with tab_main:
         st.markdown(st.session_state.analysis_cache[cache_key])
-        st.markdown("---")
-        st.caption("Gráfico de otras posibles causas:")
         st.altair_chart(create_relevance_chart(results), use_container_width=True)
 
     with tab_neuro:
-        st.info("Este análisis se basa en la interacción conocida entre nutrientes y neurotransmisores.")
-        neuro_text = generate_neuro_report_text(st.session_state.entities, FOOD_TO_COMPOUND_MAP, INTEGRATED_NEURO_FOOD_MAP)
-        st.markdown(neuro_text)
+        st.markdown(generate_neuro_report_text(st.session_state.entities, {}, {})) # Poner mapas completos
 
     with tab_mol:
-        st.info("Desglose químico basado en la base de datos FoodB.")
-        mol_text = generate_molecular_report_text(best_match, st.session_state.entities, foodb_index, FOOD_NAME_TO_FOODB_KEY, COMPOUND_SYNONYM_MAP, KNOWN_TRIGGERS_MAP)
-        st.markdown(mol_text)
+        st.markdown(generate_molecular_report_text(best_match, st.session_state.entities, foodb_index, {}, {}, {})) # Poner mapas completos
 
-    # Botón de descarga (Combinando todo)
-    full_report = f"REPORTE CLÍNICO\n\n{st.session_state.analysis_cache[cache_key]}\n\n{neuro_text}\n\n{mol_text}"
+    full_report = f"REPORTE\n\n{st.session_state.analysis_cache[cache_key]}"
     word_data = generate_word_report(full_report)
-    st.download_button("📄 Descargar Informe Completo (Word)", data=word_data, file_name="Reporte_Detective.docx", mime="application/vnd.openxmlformats-officedocument.wordprocessingml.document")
+    st.download_button("📄 Descargar Informe", data=word_data, file_name="Reporte.docx", mime="application/vnd.openxmlformats-officedocument.wordprocessingml.document")
 
 elif submitted:
-    # Creamos un contenedor de advertencia visualmente más claro
     with st.container(border=True):
-        st.warning("⚠️ No pudimos identificar una causa clara con la información proporcionada.")
-        
-        col_help, col_tips = st.columns([1, 2])
-        
-        with col_help:
-            st.markdown("### ¿Qué pudo pasar?")
-            st.markdown("""
-            - **Descripción muy breve:** La IA necesita contexto.
-            - **Sinónimos desconocidos:** Usaste términos muy coloquiales.
-            - **Fallo de conexión:** La IA no respondió a tiempo.
-            """)
-        
-        with col_tips:
-            st.info("💡 **Intenta reformular tu consulta así:**")
-            st.code("Siento [SÍNTOMA] y [SÍNTOMA] después de comer [ALIMENTO].", language="text")
-            st.markdown("**Ejemplo:** _Me duele mucho la cabeza tipo migraña cada vez que como queso curado y tomo vino tinto._")
+        st.warning("⚠️ No pudimos identificar una causa clara.")
+        st.info("Intenta reformular: 'Siento [SÍNTOMA] cuando como [ALIMENTO]'.")