El seguimiento del Síndrome de Cushing en veterinaria requiere evaluar múltiples síntomas cualitativos a lo largo del tiempo. Cuando la recolección de datos evoluciona y se necesita una herramienta analítica real, las soluciones genéricas o las hojas de cálculo se quedan cortas para un análisis clínico riguroso.
El Problema
El seguimiento de esta enfermedad implica monitorear diariamente cuatro indicadores clave (Poliuria/Polidipsia, Apetito, Aspecto General y Actitud) en una escala discreta de 0 a 3. Al intentar gestionar esta información para revisiones médicas, surgieron varios retos:
- Falta de contexto analítico: Consultar registros de texto o tablas crudas dificulta identificar si un tratamiento está funcionando o si la severidad general está aumentando.
- Consolidación de métricas: Calcular promedios, identificar tendencias clínicas y comparar la última evaluación con el histórico requería cálculos manuales propensos a error.
- Inexistencia de reportes formales: Los veterinarios necesitan informes claros, visuales y estandarizados que puedan adjuntar a la historia clínica del paciente en formato PDF.
La Solución Planteada
Para resolver esto, diseñé una aplicación web dedicada desarrollada en Python con Streamlit, respaldada por una base de datos PostgreSQL en la nube (Neon.tech) y generación dinámica de PDFs vectoriales con ReportLab.
El sistema se estructura en tres capas principales:
- Gestión e Inserción de Datos: Formulario estructurado que replica la escala clínica oficial (0 a 3) con validaciones para registrar los síntomas diarios y comentarios sin margen de error, almacenándolos directamente en PostgreSQL.
- Dashboard de Análisis Visual: Panel con KPIs en tiempo real, mapa de calor codificado por colores y gráficos de composición diaria con línea de tendencia lineal mediante Pandas y Streamlit.
- Exportación de Reportes PDF: Generación automática de informes vectoriales con ReportLab listos para consulta médica o impresión, nítidos a cualquier resolución y sincronizados con los datos de la app.
En los siguientes capítulos explicaré cómo transformamos los datos cualitativos con Pandas, la integración con PostgreSQL (Neon), la construcción de los componentes visuales en Streamlit y la exportación en PDF.