Modelo de ML adaptado para diagnóstico rural en tiempo real.
Sin laboratorio, usando bioimpedancia.
Antes de entrar
Demo de tamizaje, no de diagnóstico. Dataset UCI Gallstone, 319 casos, Ankara. Rendimiento rural: AUC 0.8138 · Accuracy 77.08%.
Llevamos al médico al pueblo. Pero para diagnosticar, el poblador es el que tiene que ir.
La Red Inversa — el programa público que acerca brigadas médicas a comunidades rurales — no alcanza para cálculos biliares: la ecografía vive en el centro de salud de segundo (II) o tercer (III) nivel más cercano.
El estudio UCI entrena con sangre y bioimpedancia en un hospital de Ankara.
319 casos, 38 predictores. El modelo alcanza AUC 0.928 sobre su propio dataset — pero depende de variables que no viajan a la sierra.
Rendimiento reportado
AUC 0.928
Accuracy
88.54%
Sacrificamos laboratorio. Conservamos 25 señales de campo.
La balanza de bioimpedancia reemplaza la muestra de sangre. La respuesta ocurre frente al poblador — no en un mensaje posterior.
Rendimiento rural
AUC 0.8138
Accuracy
77.08%
Variables lab eliminadas
Se retiraron 13 variables de laboratorio para reducir fricción operativa.
Ver ejemplos
Precisión por inmediatez.
Accuracy · Paper / réplica
Escenario clínico completo
88.5%
Accuracy · Bioimpedancia + ML
Adaptación rural optimizada
77.1%
AUC · Paper / réplica
Escenario clínico completo
92.8%
AUC · Bioimpedancia + ML
Adaptación rural optimizada
81.4%
Una misma visita, tres formas de que la respuesta vuelva.
El médico llega al poblador, pero la decisión sigue viviendo lejos.
Ante sospecha de cálculos, la visita termina en derivación. El siguiente paso todavía depende del traslado del poblador y del acceso al hospital.
Ruta operativa
Ventana
Después del traslado
Carga del poblador
4–5 h de viaje para acceder a imágenes
Desempeño
Derivación
La brigada tendría que cargar bioimpedancia, extracción y espera.
El paper funciona bien con laboratorio. Para acercarlo al trabajo en sierra, el médico tendría que medir, extraer sangre, enviarla y responder después.
Ruta operativa
Ventana
≈ 1 día
Carga del poblador
El poblador espera la indicación antes de acercarse
Desempeño
AUC 0.9280 · Acc 88.54%
La brigada carga solo la balanza y obtiene una lectura en ese momento.
La adaptación sacrifica precisión frente al entorno clínico completo, pero devuelve la decisión al espacio de la visita y reduce la carga del poblador.
Ruta operativa
Ventana
En la visita
Carga del poblador
No requiere extracción ni espera de laboratorio
Desempeño
AUC 0.8138 · Acc 77.08%
Frontend en Vercel. Backend en Hugging Face. Los modelos viajan con la API.
La app pública vive en gallstone.rosewt.dev, consume la API rural desde un Space Docker y deja el chat guiado como una capa separada. La inferencia no depende de un endpoint de modelos aparte: el backend carga sus artefactos al arrancar y responde predicción, SHAP y generación de bioimpedancia desde ahí.
Runtime view
Separa el flujo que vive durante la sesión del usuario: navegador, chat y API de inferencia.
Delivery view
Muestra cómo el repo construye el frontend y cómo los artefactos del modelo viajan hacia el Space.
Frontend público
Vercel + gallstone.rosewt.dev
Landing, flujo de consulta y visualización del resultado. El chat vive en el route handler /api/chat y se ejecuta server-side.
Stack
Backend ML
Hugging Face Spaces + Docker
API HTTP para health, metadata del modelo, predicción, explicación SHAP y generación de bioimpedancia.
Stack
Artefactos del modelo
Bundled dentro del backend
La inferencia no consulta un modelo remoto. El contenedor lleva los archivos necesarios y los reutiliza en memoria durante la sesión.
Stack
Servicios externos
DeepSeek sólo para la entrevista guiada
La conversación médica simulada no hace la predicción. Solo extrae datos estructurados antes de llamar a la API del modelo.
Stack
Lectura operativa
Subdominio
gallstone.rosewt.dev
Entrada pública del frontend desplegado en Vercel.
Backend público
rosewt-gallstone.hf.space
Space Docker donde vive la API de inferencia.
Deploy backend
scripts/deploy_hf_space.sh
Sincroniza demo/backend hacia el Space de Hugging Face.
Dónde cargan
FastAPI startup
Los modelos y métricas se leen una vez al iniciar la app.
Vive la visita.
Consulta guiada, medición simulada y lectura de riesgo explicable. Tres actos, menos de tres minutos.
EmpezarLo que la demo no oculta
- 01Los datos provienen de un hospital en Ankara, Turquía; no de campañas rurales peruanas.
- 02El dataset tiene 319 casos y no incluye validación externa en una cohorte de Perú.
- 03La demo es de tamizaje y priorización. No sustituye ecografía ni diagnóstico médico.