Este proyecto tiene como objetivo desarrollar un sistema predictivo para evaluar el riesgo de lesiones musculoesqueléticas y determinar la edad de marcha en pacientes. La solución integra técnicas avanzadas de minería de datos y aprendizaje automático, implementadas como una aplicación web utilizando Flask y desplegada en Google Cloud Platform (GCP) mediante App Engine. El proyecto analiza un conjunto de datos biomecánicos y clínicos para identificar patrones y factores de riesgo asociados con áreas o zonas de lesión.
El desarrollo de este proyecto se ha realizado siguiendo una metodología ágil basada en sprints, dividida en cinco etapas principales. Cada etapa se documenta detalladamente dentro de la carpeta project/docs. Las etapas incluyen:
- Definición del Proyecto y Configuración Inicial (Sprint 0)
- Análisis Exploratorio Inicial de los Datos y ETL con PySpark (Sprint 1)
- Preprocesamiento de los Datos y Desarrollo de Modelos Predictivos de ML (Sprint 2)
- Definición de la Arquitectura Cloud y Despliegue de la Aplicación Web (Sprint 3)
- Visualizaciones con Tableau y D3.js (Sprint 4)
- Optimización, Documentación y Presentación del Proyecto (Sprint 5)
La estructura del proyecto está organizada de la siguiente manera:
/proyecto
│
├── README.md # Descripción general del proyecto
├── requirements.txt # Dependencias de Python
├── app.py # Archivo principal de la aplicación Flask
├── app.yaml # Configuración para despliegue en Google Cloud
├── main.py # Archivo principal para Google Cloud Functions
├── my_module.py # Funciones utilizadas en main.py
├── wsgi.py
├── Dockerfile # Configuración de Docker para despliegue
├── docker-compose.yml # Configuración de Docker Compose
├── .gitignore # Archivos y directorios a ignorar por git
├── .gcloudignore # Archivos y directorios a ignorar por gcp
│
├── /myapp # Directorio principal para la aplicación Flask
│ ├── __init__.py # Inicialización de la aplicación Flask
│ ├── config.py # Configuraciones de la aplicación
│ ├── database.py # Definición de la tabla 'usuarios' de SQL Cloud
│ ├── extensions.py # Importación de SQLAlchemy
│ ├── routes.py # Definición de rutas/endpoints
│ ├── users.py # Rutas/endpoints para añadir y ver registros de usuarios
│ ├── storage.py # Funciones de almacenamiento (GCS)
│ ├── utils.py # Utilidades y funciones auxiliares
│ ├── /templates # Plantillas HTML para Flask
│ ├── /static # Archivos estáticos (CSS, JS, imágenes)
│ ├── /css # Contiene style.css
│ ├── /js # Archivo 3d.js
│ ├── /images # Recursos estáticos de la aplicación
│ └── /ico # Archivos favicon de la aplicación
│
├── /models # Modelos de machine learning usados en la App
│ ├── __init__.py
│ ├── classification_model.py # Código para cargar y usar el modelo de Clasificación
│ ├── regression_model.py # Código para cargar y usar el modelo de Regresión
│ ├── bagging_model.pkl # Modelo de Clasificación
│ └── extraTrees_model.pkl # Modelo de Regresión
│
├── /data # Directorio para datos
│ ├── /raw # Datos en bruto
│ └── /processed # Datos procesados
│
├── /etl # Scripts de ETL y procesamiento de datos
│ ├── ETL.ipynb
│ ├── spark_env # Entorno y configuración de Spark
│ ├── elt-script.py # Script principal de procesamiento de datos
│ └── elt.ipynb # Jupyter Notebook del procesamiento inicial
│
├── /notebooks # Jupyter Notebooks para análisis, exploración, procesamiento y modelado
│
├── /tests # Pruebas unitarias y de integración
│ ├── __init__.py
│ ├── test_etl.py # Pruebas para ETL
│ ├── test_flask_app.py # Pruebas unitarias para la API
│ ├── test_cloud_functions.py # Pruebas para Google Cloud Functions
│ └── test_routes.py # Pruebas para las rutas de la app
│
├── /project # Documentación del proyecto
│ ├── /docs # Documentación dividida en Sprints
│ └── /investigacion-previa # Recursos de la investigación inicial
│
├── /sql # Scripts SQL
└── /src
├── /models # Todos los modelos guardados
└── /utils # Utilidades y funciones auxiliares
Los archivos principales de la aplicación Flask se encuentran en la carpeta myapp. Esta carpeta incluye configuraciones, definiciones de rutas, funciones de almacenamiento y otros recursos necesarios para el funcionamiento de la aplicación.
Para utilizar este repositorio, puedes seguir estos pasos:
-
Instalación de Dependencias:
- Ejecuta
pip install -r requirements.txtpara instalar todas las dependencias de Python necesarias.
- Ejecuta
-
Configuración del Entorno:
- Asegúrate de tener configuradas las variables de entorno necesarias para la conexión a la base de datos y servicios de Google Cloud.
-
Ejecución de la Aplicación Localmente:
- Ejecutar
python app.pypara iniciar la aplicación Flask en su entorno local.
- Ejecutar
-
Despliegue en Google Cloud:
- Utilice
gcloud app deploypara desplegar la aplicación en Google Cloud Platform.
- Utilice
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent