data_prep/MANUAL_DOWNLOAD_GUIDE.md

Guía de Descarga Manual de Datos Clínicos Restringidos

Para asegurar la máxima calidad médica en OncoAgent, necesitamos ciertos datos que requieren registro manual por motivos de copyright o privacidad. Sigue estos pasos para descargar los datos fundacionales:

Prioridad 1: Guías NCCN (NCCN Clinical Practice Guidelines in Oncology)

Es el "Gold Standard" en EE.UU. Su inclusión hace que el RAG sea inmensamente valioso.

Paso a paso:

1. Ve a NCCN.org y haz clic en "Register".
2. Completa el registro gratuito (puedes elegir el perfil de estudiante/investigador si te lo preguntan).
3. Una vez iniciada la sesión, ve a la sección "Guidelines" -> "Treatment by Cancer Type".
4. Descarga los PDFs de los tipos de cáncer más críticos para nuestro MVP. Sugiero fuertemente:
   • Non-Small Cell Lung Cancer (NSCLC)
   • Breast Cancer
   • Colon Cancer
5. Dónde guardar: Mueve todos los PDFs descargados a la carpeta del proyecto: data/clinical_guides/nccn/ (Si la carpeta no existe, créala).

---

Prioridad 2 (Opcional pero Recomendada): Project Data Sphere

Datos de ensayos clínicos reales. Excelente para probar el razonamiento sobre toxicidad y líneas previas de tratamiento.

Paso a paso:

1. Ve a ProjectDataSphere.org y haz clic en "Register" o "Access Data".
2. Completa el registro como investigador. Generalmente aprueban rápido ya que los datos están desidentificados.
3. Busca datasets de ensayos de Fase III en cáncer de pulmón o mama.
4. Descarga los archivos CSV de datos de pacientes (Patient-level data).
5. Dónde guardar: Crea la carpeta y guárdalos en: data/samples/clinical_trials/

---

Prioridad 3 (Para el futuro): MIMIC-IV (PhysioNet)

Notas clínicas crudas. El proceso de acceso toma días, por lo que te recomiendo iniciarlo ahora pero no bloquear el hackathon por esto.

Paso a paso:

1. Ve a PhysioNet (MIMIC-IV).
2. Regístrate en PhysioNet.
3. Completa el curso obligatorio de ética en investigación con sujetos humanos (CITI Program - toma un par de horas).
4. Firma el Data Use Agreement (DUA) online.
5. Una vez aprobado, podrás descargar los archivos masivos en CSV (especialmente la tabla noteevents o similares en MIMIC-IV-Note).
6. Dónde guardar: data/samples/mimic_iv/

---

Siguiente paso para el agente:

Una vez que me confirmes que has colocado los PDFs de NCCN en data/clinical_guides/nccn/ (o si decides saltarlo por ahora), me encargaré de descargar automáticamente mediante scripts:

• Guías ESMO (Open Access)
• Dataset PMC-Patients V2 (HuggingFace)
• PubMedQA (HuggingFace)