Update app.py

app.py

@@ -891,7 +891,93 @@ def create_relevance_chart(results):
     )
     
     return chart
+
+def generate_neuro_report_text(entities, food_map, neuro_map):
+    """
+    Genera una sección de texto para el informe de Word sobre los efectos neuropsicológicos.
+    """
+    report_lines = ["\n\n" + "="*50, "🧠 POSIBLES EFECTOS NEUROPSICOLÓGICOS DE LOS COMPONENTES", "="*50 + "\n"]
+    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"Efecto: {effect_info['efecto_neuropsicologico']}\n")
+    
+    if not found_neuro_effect:
+        report_lines.append("No se encontraron efectos neuropsicológicos específicos en la base de datos para los componentes de los alimentos mencionados.")
+    
+    return "\n".join(report_lines)
+
+def generate_molecular_report_text(best_match, entities, foodb_index, food_name_map, synonym_map, triggers_map):
+    """
+    Genera una sección de texto para el informe de Word sobre el análisis molecular.
+    """
+    report_lines = ["\n\n" + "="*50, "🔬 COMPONENTES MOLECULARES DEL DIAGNÓSTICO", "="*50 + "\n"]
+    user_foods_mentioned = entities.get("alimentos", [])
+    
+    if not user_foods_mentioned:
+        report_lines.append("No se identificó un alimento específico para el análisis molecular.")
+        return "\n".join(report_lines)
+
+    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])
+    
+    if not final_search_keywords:
+        report_lines.append(f"No se pudieron determinar los compuestos moleculares clave para '{best_match.get('condicion_asociada')}'.")
+        return "\n".join(report_lines)
+
+    best_food_matches = find_best_foodb_matches(user_foods_mentioned, foodb_index.keys(), food_name_map)
+    
+    if not best_food_matches:
+        report_lines.append("No se encontraron datos moleculares para los alimentos específicos mencionados.")
+        return "\n".join(report_lines)
+        
+    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--- Análisis de: {food_key.capitalize()} ---")
+            unique_compounds_shown = set()
+            for item in relevant_compounds:
+                if item['compound'] not in unique_compounds_shown:
+                    report_lines.append(f"Compuesto: {item['compound']}")
+                    report_lines.append(f"(Relevante para '{best_match.get('condicion_asociada')}')\n")
+                    unique_compounds_shown.add(item['compound'])
     
+    if not found_any_data:
+        report_lines.append(f"No se encontraron los compuestos específicos de '{best_match.get('condicion_asociada')}' en los alimentos analizados.")
+        
+    return "\n".join(report_lines)
+
 def generate_report_text(query, results):
     report_lines = ["="*50, "INFORME DEL DETECTIVE DE ALIMENTOS", "="*50, f"Fecha: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n", f"CONSULTA ORIGINAL DEL USUARIO:\n'{query}'\n", "-"*50]
     if results:
@@ -981,16 +1067,42 @@ if st.session_state.search_results is not None:
     if not results:
         st.warning(f"No se encontraron coincidencias claras para tu caso: '{st.session_state.user_query}'. Prueba a describir los síntomas de otra manera.")
     else:
+        # --- PASO 1: GENERAR TODO EL CONTENIDO DEL INFORME EN LA MEMORIA ---
+        best_match_data = results[0]
+        best_match = best_match_data['entry']
+        
+        # Generar análisis detallado con IA (la parte más lenta) y guardarlo en caché
+        if 'best_match_analysis' not in st.session_state.analysis_cache:
+            with st.spinner("✍️ Generando an��lisis personalizado con IA..."):
+                try:
+                    analysis_text = generate_detailed_analysis(st.session_state.user_query, best_match)
+                    st.session_state.analysis_cache['best_match_analysis'] = analysis_text
+                except Exception as e:
+                    logger.error(f"Falló la generación del análisis detallado principal: {e}")
+                    st.session_state.analysis_cache['best_match_analysis'] = "❌ Lo sentimos, no se pudo generar el análisis detallado en este momento debido a un problema con la IA."
+        
+        # Recuperar o usar el texto ya generado
+        ai_analysis_text = st.session_state.analysis_cache['best_match_analysis']
+
+        # Generar los otros componentes de texto para el informe
+        base_report_text = generate_report_text(st.session_state.user_query, results)
+        neuro_report_text = generate_neuro_report_text(st.session_state.entities, FOOD_TO_COMPOUND_MAP, INTEGRATED_NEURO_FOOD_MAP)
+        molecular_report_text = generate_molecular_report_text(best_match, st.session_state.entities, foodb_index, FOOD_NAME_TO_FOODB_KEY, COMPOUND_SYNONYM_MAP, KNOWN_TRIGGERS_MAP)
+        
+        # Unir todo en un solo string para el informe de Word
+        complete_report_string = f"{base_report_text}\n\n{ai_analysis_text}\n{neuro_report_text}\n{molecular_report_text}"
+        
+        # Generar el archivo de Word en memoria con todo el contenido
+        word_file_buffer = generate_word_report(complete_report_string)
+
+        # --- PASO 2: CONSTRUIR LA INTERFAZ DE USUARIO USANDO EL CONTENIDO PRE-GENERADO ---
         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_text = generate_report_text(st.session_state.user_query, results)
-            word_file_buffer = generate_word_report(report_data_text)
-            
             if word_file_buffer:
                 st.download_button(
-                    label="📄 Descargar Informe (Word)", 
+                    label="📄 Descargar Informe Completo (Word)", 
                     data=word_file_buffer, 
                     file_name=f"Informe_Detective_Alimentos_{datetime.now().strftime('%Y%m%d')}.docx",
                     mime="application/vnd.openxmlformats-officedocument.wordprocessingml.document",
@@ -1000,11 +1112,8 @@ if st.session_state.search_results is not None:
         st.subheader("Análisis de Relevancia de las Coincidencias")
         st.altair_chart(create_relevance_chart(results), use_container_width=True)
         
-        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):
             col1_expander, col2_expander = st.columns([3, 1])
-            
             with col1_expander:
                 st.markdown("##### Desglose de la Puntuación de Relevancia:")
                 score_col1, score_col2, score_col3 = st.columns(3)
@@ -1013,95 +1122,18 @@ if st.session_state.search_results is not None:
                 score_col3.metric("PUNTUACIÓN TOTAL", f"{best_match_data['score']['total']}", delta="Máxima coincidencia")
             
             with col2_expander:
-                st.write("") 
-                if foodb_index:
-                    with st.popover("🔬 Componentes Moleculares del Diagnóstico"):
-                        st.info("Análisis de los compuestos en los alimentos mencionados que están directamente implicados en el diagnóstico principal.")
-                        user_foods_mentioned = st.session_state.entities.get("alimentos", [])
-                        
-                        if not user_foods_mentioned:
-                            st.warning("No se identificó un alimento específico para buscar.")
-                        else:
-                            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 KNOWN_TRIGGERS_MAP.items():
-                                if main_diagnosis_symptoms.intersection(triggered_symptoms):
-                                    initial_clues.add(compound.lower())
+                with st.popover("🔬 Componentes Moleculares"):
+                    # Muestra el texto del informe molecular que ya generamos
+                    st.markdown(molecular_report_text.replace("=", ""))
 
-                            final_search_keywords = set()
-                            for clue in initial_clues:
-                                final_search_keywords.add(clue)
-                                if clue in COMPOUND_SYNONYM_MAP:
-                                    final_search_keywords.update(COMPOUND_SYNONYM_MAP[clue])
-                            
-                            if not final_search_keywords:
-                                st.warning(f"No se pudieron determinar los compuestos moleculares clave para '{best_match.get('condicion_asociada')}'.")
-                            else:
-                                logger.info(f"Buscando compuestos moleculares con las palabras clave: {final_search_keywords}")
-                                best_food_matches = find_best_foodb_matches(user_foods_mentioned, foodb_index.keys(), FOOD_NAME_TO_FOODB_KEY)
-                                
-                                if not best_food_matches:
-                                    st.warning("No se encontraron datos moleculares para los alimentos específicos mencionados.")
-                                else:
-                                    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:
-                                            compound_name_lower = item['compound'].lower()
-                                            if any(target in compound_name_lower for target in final_search_keywords):
-                                                relevant_compounds.append(item)
-                                        
-                                        if relevant_compounds:
-                                            found_any_data = True
-                                            with st.container(border=True):
-                                                st.subheader(f"Análisis de: {food_key.capitalize()}")
-                                                st.markdown("###### 🔬 Compuestos Relevantes para el Diagnóstico:")
-                                                unique_compounds_shown = set()
-                                                for item in relevant_compounds:
-                                                    if item['compound'] not in unique_compounds_shown:
-                                                        st.write(f"**Compuesto:** {item['compound']}")
-                                                        st.caption(f"Relevante para '{best_match.get('condicion_asociada')}'.")
-                                                        unique_compounds_shown.add(item['compound'])
-                                    
-                                    if not found_any_data:
-                                        st.warning(f"No se encontraron los compuestos específicos de '{best_match.get('condicion_asociada')}' en los alimentos analizados en la base de datos FoodB.")
-            
             st.markdown("---")
             with st.container(border=True):
-                st.markdown("##### 🧠 Posibles Efectos Neuropsicológicos de los Componentes")
-                user_foods = st.session_state.entities.get("alimentos", [])
-                relevant_compounds = set()
-                if user_foods:
-                    for food in user_foods:
-                        if food in FOOD_TO_COMPOUND_MAP:
-                            relevant_compounds.update(FOOD_TO_COMPOUND_MAP[food])
-                found_neuro_effect = False
-                if relevant_compounds:
-                    for compound in sorted(list(relevant_compounds)):
-                        if compound in INTEGRATED_NEURO_FOOD_MAP:
-                            found_neuro_effect = True
-                            effect_info = INTEGRATED_NEURO_FOOD_MAP[compound]
-                            with st.container(border=True):
-                                st.subheader(f"Componente: {compound.capitalize()}")
-                                st.markdown(f"**Efecto:** {effect_info['efecto_neuropsicologico']}")
-                if not found_neuro_effect:
-                    st.info("No se encontraron efectos neuropsicológicos específicos en la base de datos para los componentes de los alimentos mencionados.")
+                 # Muestra el texto del informe neuropsicológico que ya generamos
+                st.markdown(neuro_report_text.replace("=", ""))
             
             st.markdown("---")
-            with st.spinner("✍️ Generando un análisis personalizado con IA..."):
-                if 'best_match_analysis' not in st.session_state.analysis_cache:
-                    try:
-                        analysis_text = generate_detailed_analysis(st.session_state.user_query, best_match)
-                        st.session_state.analysis_cache['best_match_analysis'] = analysis_text
-                    except Exception as e:
-                        logger.error(f"Falló la generación del análisis detallado principal: {e}")
-                        st.session_state.analysis_cache['best_match_analysis'] = "❌ Lo sentimos, no se pudo generar el análisis detallado en este momento debido a un problema con la IA. Por favor, intenta de nuevo más tarde."
-                st.markdown(st.session_state.analysis_cache['best_match_analysis'])
+            # Muestra el análisis detallado con IA que ya generamos
+            st.markdown(ai_analysis_text)
         
         if len(results) > 1:
             with st.expander("🔍 **Explora otras posibilidades relevantes (Diagnóstico Diferencial)**"):