🧠 Backend de Evaluación del Riesgo de Trastorno del Espectro Autista (TEA)

Este backend implementado con FastAPI permite procesar evaluaciones clínicas, predecir riesgos de TEA utilizando modelos de Machine Learning, y almacenar los resultados en una base de datos PostgreSQL. El proyecto puede ejecutarse localmente y también ser desplegado fácilmente en Railway.

---

🚀 Tecnologías utilizadas

• FastAPI + Uvicorn
• SQLAlchemy
• PostgreSQL
• Pandas & Joblib
• Alembic (opcional para migraciones)
• Railway (despliegue)

---

⚙️ Requisitos

• Python 3.10+
• Git
• PostgreSQL (local o en la nube)
• Railway (opcional para despliegue)

---

📦 Instalación local

1. Clona el repositorio

git clone https://github.com/tu-usuario/tu-repo.git
cd tu-repo

2. Crear y activar un entorno virtual

En Linux/macOS:

python -m venv venv
source venv/bin/activate

En PowerShell (Windows):

.\venv\Scripts\Activate.ps1

Si se lanza un error por permisos:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\venv\Scripts\Activate.ps1

3. Instalar las dependencias

pip install -r requirements.txt

4. Crear el archivo .env

Crea un archivo llamado .env en la raíz del proyecto con este contenido:

DATABASE_URL=postgresql+psycopg2://usuario:contraseña@host:puerto/nombrebd

Reemplaza los valores con tus credenciales de PostgreSQL.

5. Ejecutar la aplicación localmente

uvicorn app.main:app --reload

Abre en tu navegador: http://localhost:8000/docs

---

🗄️ Estructura del proyecto

.
├── app/
│ ├── db/
│ ├── model/
│ ├── schemas/
│ ├── utils/
│ ├── api.py
│ └── main.py
├── notebooks/
├── tests/
├── model.pkl
├── pca_model.pkl
├── requirements.txt
├── Procfile
├── .env (no subir a GitHub)
├── .gitignore
└── README.md

---

🛣️ Endpoints principales

Documentación interactiva

• /docs - Documentación Swagger UI
• /redoc - Documentación ReDoc

🔍 Endpoint principal

• POST /predict - Este endpoint:
  • Recibe una lista de 25 valores numéricos o binarios
  • Realiza preprocesamiento usando un modelo PCA
  • Aplica un modelo ML previamente entrenado (model.pkl)
  • Devuelve una clase (0 o 1) y un nivel de confianza
  • Guarda la evaluación completa en la base de datos PostgreSQL

---

🔄 Configuración de la base de datos

Crear las tablas (primera vez)

# Usando SQLAlchemy
python -c "from app.db.database import Base, engine; Base.metadata.create_all(bind=engine)"

# O usando Alembic
alembic revision --autogenerate -m "Initial migration"
alembic upgrade head

---

🧪 Ejecutar tests

pytest

---

🚂 Despliegue en Railway

1. Crear proyecto y base de datos

• Ve a https://railway.app
• Crea un nuevo proyecto
• Agrega PostgreSQL como plugin
• Copia la cadena DATABASE_URL

2. Subir el repositorio a GitHub

git init
git add .
git commit -m "Primera versión"
git branch -M main
git remote add origin https://github.com/tu-usuario/tu-repo.git
git push -u origin main

3. En Railway: New Project > Deploy from GitHub

• Selecciona el repositorio subido
• Railway instalará automáticamente las dependencias usando requirements.txt

4. Agregar variables de entorno en Railway

En el panel de "Variables", define:

DATABASE_URL=postgresql+psycopg2://usuario:contraseña@host:puerto/nombrebd
AUTO_CREATE_TABLES=true

5. Railway desplegará tu backend automáticamente

Puedes acceder al endpoint en:

https://<tu-app>.up.railway.app/docs

---

📊 Modelado de Machine Learning

El sistema utiliza modelos pre-entrenados para la predicción del riesgo de TEA:

1. Preprocesamiento: El modelo PCA (pca_model.pkl) reduce la dimensionalidad de los 25 valores de entrada
2. Clasificación: El modelo principal (model.pkl) implementa un algoritmo de clasificación que determina:
   • Una clase binaria (0 = Sin riesgo de TEA, 1 = Con riesgo de TEA)
   • Un nivel de confianza para la predicción

Ambos modelos fueron entrenados previamente y se cargan mediante joblib para realizar las predicciones en tiempo real.

---

🤝 Contribuir

1. Haz fork del repositorio
2. Crea una rama para tu funcionalidad (git checkout -b feature/amazing-feature)
3. Haz commit de tus cambios (git commit -m 'Add some amazing feature')
4. Empuja a la rama (git push origin feature/amazing-feature)
5. Abre un Pull Request

---

📄 Archivos de configuración

Procfile

Este archivo le dice a Railway cómo ejecutar FastAPI:

web: uvicorn app.main:app --host=0.0.0.0 --port=${PORT:-8000}

.gitignore recomendado

Asegúrate de tener este contenido para evitar subir archivos innecesarios:

venv/
__pycache__/
*.pyc
.env

📞 Contacto

Desarrollado por [Ernesto Saniel Castro Lozano]
📧 Email: [ernestosaniel123@gmail.com]

Proyecto académico orientado a la predicción del riesgo de TEA utilizando modelos de aprendizaje automático.