2025 - AlterPlex

10 Abr 2025

Modelo Físico – IRIS (Intelligent Retinal Imaging System)

🗓️ Fecha: 10 de abril de 2025

👤 Autor: Jose Alexis Correa Valencia
🔗 LinkedIn

📌 Objetivo del Modelo

El modelo físico de IRIS representa la estructura relacional definitiva que será implementada en un motor de base de datos (por ejemplo, MySQL o PostgreSQL), para soportar las funcionalidades del sistema de análisis oftalmológico con inteligencia artificial.

Incluye:

Entidades físicas (tablas)
Tipos de datos precisos
Claves primarias y foráneas
Campos de auditoría y trazabilidad

📘 Descripción de Tablas y Estructura de Campos

🧍‍♂️ `user`

Contiene los datos de los usuarios del sistema (administradores, operadores, etc.).

Campo	Tipo	Descripción
user	VARCHAR(13)	Identificador único (PK)
username	VARCHAR(255)	Nombre de usuario
role	VARCHAR(50)	Rol del usuario
email	VARCHAR(255)	Correo electrónico
password	VARCHAR(255)	Contraseña encriptada
status	VARCHAR(50)	Estado (activo/inactivo)
author	VARCHAR(13)	Usuario que creó este registro (FK)
created_at	DATETIME	Fecha de creación del registro
updated_at	DATETIME	Última actualización
deleted_at	DATETIME	Eliminación lógica

🧑‍⚕️ `professional`

Representa a los profesionales de la salud (oftalmólogos principalmente).

Campo	Tipo	Descripción
professional	VARCHAR(13)	Identificador único (PK)
username	VARCHAR(255)	Nombre de usuario
specialty	VARCHAR(100)	Especialidad médica
email	VARCHAR(255)	Correo electrónico
password	VARCHAR(255)	Contraseña encriptada
status	VARCHAR(50)	Estado del profesional
author	VARCHAR(13)	Usuario que lo registró (FK)
created_at	DATETIME	Creación del registro
updated_at	DATETIME	Última modificación
deleted_at	DATETIME	Eliminación lógica

👁️ `patient`

Tabla de pacientes con sus datos personales y de contacto.

Campo	Tipo	Descripción
patient	VARCHAR(13)	Identificador único (PK)
first_name	VARCHAR(100)	Nombres
last_name	VARCHAR(100)	Apellidos
document_type	VARCHAR(50)	Tipo de documento
document_number	VARCHAR(50)	Número de documento
birth_date	DATE	Fecha de nacimiento
gender	VARCHAR(20)	Género
contact_info	TEXT	Teléfono, correo u otro contacto
registration_date	DATE	Fecha de registro
author	VARCHAR(13)	Usuario creador (FK)
created_at	DATETIME	Fecha de creación
updated_at	DATETIME	Última modificación
deleted_at	DATETIME	Eliminación lógica

📋 `episode`

Representa un episodio clínico dentro de la atención al paciente.

Campo	Tipo	Descripción
episode	VARCHAR(13)	Identificador único (PK)
patient	VARCHAR(13)	Referencia al paciente (FK)
start_date	DATE	Fecha de inicio del episodio
end_date	DATE	Fecha de finalización
reason_for_visit	VARCHAR(255)	Motivo de consulta
general_notes	TEXT	Observaciones generales
author	VARCHAR(13)	Usuario que creó el episodio (FK)
created_at	DATETIME	Creación del episodio
updated_at	DATETIME	Modificación
deleted_at	DATETIME	Eliminación lógica

🔬 `study`

Cada estudio representa un conjunto de imágenes capturadas en una sola sesión diagnóstica.

Campo	Tipo	Descripción
study	VARCHAR(13)	Identificador del estudio (PK)
episode	VARCHAR(13)	Episodio al que pertenece (FK)
study_date	DATE	Fecha del estudio
study_type	VARCHAR(100)	Tipo de estudio (OCT, retinografía)
status	VARCHAR(50)	Estado (pendiente, completado)
observations	TEXT	Observaciones generales
author	VARCHAR(13)	Usuario que creó el estudio (FK)
created_at	DATETIME	Creación del registro
updated_at	DATETIME	Modificación
deleted_at	DATETIME	Eliminación lógica

🖼️ `image`

Almacena los detalles de cada imagen retiniana.

Campo	Tipo	Descripción
image	VARCHAR(13)	ID único de imagen (PK)
study	VARCHAR(13)	Estudio al que pertenece (FK)
capture_date	DATE	Fecha de captura
eye	VARCHAR(20)	Ojo izquierdo/derecho
image_file	VARCHAR(255)	Ruta o nombre del archivo
image_quality	VARCHAR(100)	Calidad de imagen
operator_comments	TEXT	Notas del operador
author	VARCHAR(13)	Usuario que la cargó (FK)
created_at	DATETIME	Fecha de creación
updated_at	DATETIME	Última modificación
deleted_at	DATETIME	Eliminación lógica

🤖 `ai_report`

Resultado del análisis automático por inteligencia artificial.

Campo	Tipo	Descripción
ai_report	VARCHAR(13)	ID del informe (PK)
image	VARCHAR(13)	Imagen analizada (FK)
analysis_date	DATE	Fecha del análisis
ai_results	TEXT	Resultado del análisis IA
confidence_score	FLOAT	Nivel de certeza del análisis
ai_recommendations	TEXT	Sugerencias automáticas
author	VARCHAR(13)	Usuario que ejecutó (FK)
created_at	DATETIME	Fecha de creación
updated_at	DATETIME	Modificación
deleted_at	DATETIME	Eliminación lógica

📝 `report`

Informe final validado por el profesional de salud.

Campo	Tipo	Descripción
report	VARCHAR(13)	ID único del informe (PK)
study	VARCHAR(13)	Estudio evaluado (FK)
professional	VARCHAR(13)	Profesional que valida (FK)
validation_date	DATE	Fecha de validación
final_diagnosis	TEXT	Diagnóstico final
observations	TEXT	Observaciones clínicas
is_validated	BOOLEAN	Validación confirmada o pendiente
author	VARCHAR(13)	Usuario que creó el informe (FK)
created_at	DATETIME	Creación del informe
updated_at	DATETIME	Modificación
deleted_at	DATETIME	Eliminación lógica

🔗 Claves Foráneas y Relaciones

Todas las entidades contienen un campo author que referencia a user(user) como trazabilidad.
Relaciones clínicas:
- patient → episode
- episode → study
- study → image, report
- image → ai_report
- report → professional

Código SQL

CREATE TABLE user (
  user VARCHAR(13) PRIMARY KEY,
  username VARCHAR(255),
  role VARCHAR(50),
  email VARCHAR(255),
  password VARCHAR(255),
  status VARCHAR(50),
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE patient (
  patient VARCHAR(13) PRIMARY KEY,
  first_name VARCHAR(100),
  last_name VARCHAR(100),
  document_type VARCHAR(50),
  document_number VARCHAR(50),
  birth_date DATE,
  gender VARCHAR(20),
  contact_info TEXT,
  registration_date DATE,
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE episode (
  episode VARCHAR(13) PRIMARY KEY,
  patient VARCHAR(13),
  start_date DATE,
  end_date DATE,
  reason_for_visit VARCHAR(255),
  general_notes TEXT,
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE study (
  study VARCHAR(13) PRIMARY KEY,
  episode VARCHAR(13),
  study_date DATE,
  study_type VARCHAR(100),
  status VARCHAR(50),
  observations TEXT,
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE image (
  image VARCHAR(13) PRIMARY KEY,
  study VARCHAR(13),
  capture_date DATE,
  eye VARCHAR(20),
  image_file VARCHAR(255),
  image_quality VARCHAR(100),
  operator_comments TEXT,
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE ai_report (
  ai_report VARCHAR(13) PRIMARY KEY,
  image VARCHAR(13),
  analysis_date DATE,
  ai_results TEXT,
  confidence_score FLOAT,
  ai_recommendations TEXT,
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE report (
  report VARCHAR(13) PRIMARY KEY,
  study VARCHAR(13),
  professional VARCHAR(13),
  validation_date DATE,
  final_diagnosis TEXT,
  observations TEXT,
  is_validated BOOLEAN,
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

CREATE TABLE professional (
  professional VARCHAR(13) PRIMARY KEY,
  username VARCHAR(255),
  specialty VARCHAR(100),
  email VARCHAR(255),
  password VARCHAR(255),
  status VARCHAR(50),
  author VARCHAR(13),
  created_at DATETIME,
  updated_at DATETIME,
  deleted_at DATETIME
);

-- Add foreign key constraints
ALTER TABLE patient ADD FOREIGN KEY (author) REFERENCES user(user);
ALTER TABLE episode ADD FOREIGN KEY (patient) REFERENCES patient(patient);
ALTER TABLE episode ADD FOREIGN KEY (author) REFERENCES user(user);
ALTER TABLE study ADD FOREIGN KEY (episode) REFERENCES episode(episode);
ALTER TABLE study ADD FOREIGN KEY (author) REFERENCES user(user);
ALTER TABLE image ADD FOREIGN KEY (study) REFERENCES study(study);
ALTER TABLE image ADD FOREIGN KEY (author) REFERENCES user(user);
ALTER TABLE ai_report ADD FOREIGN KEY (image) REFERENCES image(image);
ALTER TABLE ai_report ADD FOREIGN KEY (author) REFERENCES user(user);
ALTER TABLE report ADD FOREIGN KEY (study) REFERENCES study(study);
ALTER TABLE report ADD FOREIGN KEY (professional) REFERENCES professional(professional);
ALTER TABLE report ADD FOREIGN KEY (author) REFERENCES user(user);
ALTER TABLE professional ADD FOREIGN KEY (author) REFERENCES user(user);

Código UML

@startuml
title Physical Data Model - IRIS (Intelligent Retinal Imaging System)
caption Created by Jose Alexis Correa Valencia · April 10, 2025 · [LinkedIn](https://www.linkedin.com/in/jalexiscv/)

entity user {
  *user : VARCHAR(13) <<PK>>
  --
  username : VARCHAR(255)
  role : VARCHAR(50)
  email : VARCHAR(255)
  password : VARCHAR(255)
  status : VARCHAR(50)
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity patient {
  *patient : VARCHAR(13) <<PK>>
  --
  first_name : VARCHAR(100)
  last_name : VARCHAR(100)
  document_type : VARCHAR(50)
  document_number : VARCHAR(50)
  birth_date : DATE
  gender : VARCHAR(20)
  contact_info : TEXT
  registration_date : DATE
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity episode {
  *episode : VARCHAR(13) <<PK>>
  --
  patient : VARCHAR(13) <<FK>>
  start_date : DATE
  end_date : DATE
  reason_for_visit : VARCHAR(255)
  general_notes : TEXT
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity study {
  *study : VARCHAR(13) <<PK>>
  --
  episode : VARCHAR(13) <<FK>>
  study_date : DATE
  study_type : VARCHAR(100)
  status : VARCHAR(50)
  observations : TEXT
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity image {
  *image : VARCHAR(13) <<PK>>
  --
  study : VARCHAR(13) <<FK>>
  capture_date : DATE
  eye : VARCHAR(20)
  image_file : VARCHAR(255)
  image_quality : VARCHAR(100)
  operator_comments : TEXT
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity ai_report {
  *ai_report : VARCHAR(13) <<PK>>
  --
  image : VARCHAR(13) <<FK>>
  analysis_date : DATE
  ai_results : TEXT
  confidence_score : FLOAT
  ai_recommendations : TEXT
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity report {
  *report : VARCHAR(13) <<PK>>
  --
  study : VARCHAR(13) <<FK>>
  professional : VARCHAR(13) <<FK>>
  validation_date : DATE
  final_diagnosis : TEXT
  observations : TEXT
  is_validated : BOOLEAN
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

entity professional {
  *professional : VARCHAR(13) <<PK>>
  --
  username : VARCHAR(255)
  specialty : VARCHAR(100)
  email : VARCHAR(255)
  password : VARCHAR(255)
  status : VARCHAR(50)
  author : VARCHAR(13) <<FK>>
  created_at : DATETIME
  updated_at : DATETIME
  deleted_at : DATETIME
}

' Relaciones de autoría
user ||--o{ patient : "author"
user ||--o{ episode : "author"
user ||--o{ study : "author"
user ||--o{ image : "author"
user ||--o{ ai_report : "author"
user ||--o{ report : "author"
user ||--o{ professional : "author"

' Relaciones clínicas
patient ||--o{ episode : "has"
episode ||--o{ study : "includes"
study ||--o{ image : "contains"
image ||--|| ai_report : "generates"
study ||--o{ report : "evaluated_by"
report }o--|| professional : "performed_by"

@enduml

10 Abr 2025

Modelo Entidad Relación (MER) del Módulo IRIS (Intelligent Retinal Imaging System)

🧾 Reporte del Modelo Entidad-Relación (MER) – IRIS

📌 Objetivo del Modelo

El modelo entidad-relación describe la estructura de datos para el sistema IRIS, diseñado para:

Almacenar y gestionar imágenes diagnósticas de pacientes.
Ejecutar análisis automatizado mediante IA.
Permitir la validación médica por profesionales de la salud visual.
Asegurar trazabilidad completa mediante campos de auditoría.

📘 Descripción de Entidades y Campos

1. 🧍‍♂️ `user`

Representa a los usuarios del sistema, incluyendo operadores, administradores y creadores de registros clínicos.

Campo	Tipo	Descripción
user	string(13) PK	Identificador único del usuario.
username	string	Nombre de usuario.
role	string	Rol del usuario (ej. operador, admin).
email	string	Correo electrónico del usuario.
password	string	Contraseña encriptada.
status	string	Estado del usuario (activo/inactivo).
author	string(13) FK	Usuario que creó este registro.
created_at	datetime	Fecha de creación del registro.
updated_at	datetime	Última fecha de actualización.
deleted_at	datetime	Fecha de eliminación lógica (si aplica).

2. 👁️ `patient`

Contiene los datos básicos de cada paciente registrado en el sistema.

Campo	Tipo	Descripción
patient	string(13) PK	Identificador único del paciente.
first_name	string	Nombres del paciente.
last_name	string	Apellidos del paciente.
document_type	string	Tipo de documento de identidad.
document_number	string	Número del documento.
birth_date	date	Fecha de nacimiento.
gender	string	Género del paciente.
contact_info	string	Teléfono, correo o dirección.
registration_date	date	Fecha de registro en la plataforma.
author	string(13) FK	Usuario que creó este registro.
created_at	datetime	Fecha de creación.
updated_at	datetime	Última actualización.
deleted_at	datetime	Eliminación lógica (si aplica).

3. 📋 `episode`

Representa un episodio clínico o motivo de atención de un paciente.

Campo	Tipo	Descripción
episode	string(13) PK	Identificador único del episodio.
patient	string(13) FK	Paciente relacionado.
start_date	date	Fecha de inicio del episodio.
end_date	date	Fecha de finalización.
reason_for_visit	string	Motivo clínico del episodio.
general_notes	text	Observaciones generales.
author	string(13) FK	Usuario que creó el episodio.
created_at	datetime	Fecha de creación.
updated_at	datetime	Última modificación.
deleted_at	datetime	Fecha de eliminación lógica.

4. 🧪 `study`

Corresponde a un conjunto de imágenes o pruebas diagnósticas tomadas durante un episodio clínico.

Campo	Tipo	Descripción
study	string(13) PK	Identificador del estudio.
episode	string(13) FK	Episodio al que pertenece.
study_date	date	Fecha del estudio.
study_type	string	Tipo (retinografía, OCT, etc.).
status	string	Estado del estudio (pendiente, evaluado).
observations	text	Comentarios generales del estudio.
author	string(13) FK	Usuario que generó el estudio.
created_at	datetime	Fecha de creación.
updated_at	datetime	Última actualización.
deleted_at	datetime	Eliminación lógica.

5. 🖼️ `image`

Cada registro representa una imagen retiniana obtenida dentro de un estudio.

Campo	Tipo	Descripción
image	string(13) PK	ID único de la imagen.
study	string(13) FK	Estudio al que pertenece.
capture_date	date	Fecha de captura.
eye	string	Ojo correspondiente (izquierdo/derecho).
image_file	string	Ruta o nombre del archivo.
image_quality	string	Evaluación de la calidad.
operator_comments	text	Observaciones del operador.
author	string(13) FK	Usuario que cargó la imagen.
created_at	datetime	Fecha de carga.
updated_at	datetime	Última edición.
deleted_at	datetime	Eliminación lógica.

6. 🤖 `ai_report`

Informe generado automáticamente por la IA con los resultados del análisis de una imagen.

Campo	Tipo	Descripción
ai_report	string(13) PK	ID del informe.
image	string(13) FK	Imagen asociada.
analysis_date	date	Fecha de análisis.
ai_results	text	Resultado del análisis IA.
confidence_score	float	Nivel de confianza (0–1).
ai_recommendations	text	Sugerencias de la IA.
author	string(13) FK	Usuario que ejecutó el análisis.
created_at	datetime	Fecha de generación.
updated_at	datetime	Modificación posterior.
deleted_at	datetime	Eliminación lógica.

7. 🧑‍⚕️ `report`

Informe médico oficial de un estudio, validado por un profesional.

Campo	Tipo	Descripción
report	string(13) PK	ID del informe.
study	string(13) FK	Estudio evaluado.
professional	string(13) FK	Profesional que emite el informe.
validation_date	date	Fecha de validación.
final_diagnosis	text	Diagnóstico confirmado.
observations	text	Notas del médico.
is_validated	boolean	Estado de validación.
author	string(13) FK	Usuario que creó el registro.
created_at	datetime	Creación del informe.
updated_at	datetime	Última modificación.
deleted_at	datetime	Eliminación lógica.

8. 👨‍⚕️ `professional`

Representa a los oftalmólogos o especialistas registrados.

Campo	Tipo	Descripción
professional	string(13) PK	Identificador único.
username	string	Nombre de usuario.
specialty	string	Especialidad médica.
email	string	Correo del profesional.
password	string	Contraseña.
status	string	Activo/inactivo.
author	string(13) FK	Usuario que lo registró.
created_at	datetime	Fecha de creación.
updated_at	datetime	Modificación.
deleted_at	datetime	Eliminación lógica.

🔗 Relaciones Principales del Modelo

user → patient, episode, study, image, ai_report, report, professional
Relación por campo author: todo registro tiene trazabilidad de su creador.
patient → episode
Un paciente puede tener múltiples episodios clínicos.
episode → study
Cada episodio puede tener uno o varios estudios.
study → image
Cada estudio puede contener múltiples imágenes diagnósticas.
image → ai_report
Cada imagen es analizada por la IA, que genera un único reporte.
study → report → professional
Un estudio puede tener un informe validado por un profesional.

🛡️ Ventajas del Modelo

Escalable y adaptable a múltiples escenarios clínicos.
Auditable: todos los registros tienen un campo author y timestamps.
Modular: separación clara entre IA, validación médica y administración.
Preparado para interoperabilidad con otros sistemas clínicos (e.g. HL7, FHIR).

Código UML

@startuml
title MER Model - IRIS (Intelligent Retinal Imaging System)

caption Created by Jose Alexis Correa Valencia · April 10, 2025 · [LinkedIn](https://www.linkedin.com/in/jalexiscv/)



entity patient {
  +patient : string(13) <<PK>>
  first_name : string
  last_name : string
  document_type : string
  document_number : string
  birth_date : date
  gender : string
  contact_info : string
  registration_date : date
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity episode {
  +episode : string(13) <<PK>>
  patient : string(13) <<FK>>
  start_date : date
  end_date : date
  reason_for_visit : string
  general_notes : text
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity study {
  +study : string(13) <<PK>>
  episode : string(13) <<FK>>
  study_date : date
  study_type : string
  status : string
  observations : text
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity image {
  +image : string(13) <<PK>>
  study : string(13) <<FK>>
  capture_date : date
  eye : string
  image_file : string
  image_quality : string
  operator_comments : text
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity ai_report {
  +ai_report : string(13) <<PK>>
  image : string(13) <<FK>>
  analysis_date : date
  ai_results : text
  confidence_score : float
  ai_recommendations : text
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity report {
  +report : string(13) <<PK>>
  study : string(13) <<FK>>
  professional : string(13) <<FK>>
  validation_date : date
  final_diagnosis : text
  observations : text
  is_validated : boolean
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity professional {
  +professional : string(13) <<PK>>
  username : string
  specialty : string
  email : string
  password : string
  status : string
  author : string(13) <<FK>>  ' FK to user.user
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

entity user {
  +user : string(13) <<PK>>
  username : string
  role : string
  email : string
  password : string
  status : string
  author : string(13) <<FK>>  ' auto-relación
  created_at : datetime
  updated_at : datetime
  deleted_at : datetime
}

' Relaciones de autoría
user ||--o{ patient : "author → user"
user ||--o{ episode : "author → user"
user ||--o{ study : "author → user"
user ||--o{ image : "author → user"
user ||--o{ ai_report : "author → user"
user ||--o{ report : "author → user"
user ||--o{ professional : "author → user"

' Relaciones clínicas
patient ||--o{ episode : has
episode ||--o{ study : includes
study ||--o{ image : contains
image ||--|| ai_report : generates
study ||--o{ report : evaluated_by
report }o--|| professional : performed_by

@enduml

10 Abr 2025

Módulo IRIS (Intelligent Retinal Imaging System)

IRIS (Intelligent Retinal Imaging System) es una innovadora plataforma de diagnóstico oftalmológico basada en inteligencia artificial, desarrollada por la empresa colombiana Edux Digital con el apoyo de la Clínica de Oftalmología de Cali. Esta solución avanzada está diseñada para optimizar la detección y el manejo de enfermedades oculares prevalentes, y aspira a consolidarse como una plataforma integral de almacenamiento, análisis y apoyo consultivo en la interpretación de imágenes diagnósticas dentro de la especialidad oftalmológica.

Mediante el análisis automatizado de imágenes retinianas de alta resolución, IRIS proporciona a los profesionales de la salud visual una herramienta precisa y eficiente para la identificación temprana de patologías como retinopatía diabética, glaucoma y degeneración macular relacionada con la edad (DMAE), entre otras.

Características y Beneficios Clave:

Diagnóstico Asistido por IA Propia: IRIS incorpora una inteligencia artificial desarrollada de forma exclusiva y única en el mercado, entrenada específicamente en el contexto clínico latinoamericano, lo que garantiza una alta precisión diagnóstica en poblaciones diversas.
Rendimiento Clínico Robusto: Su arquitectura de aprendizaje profundo permite una mejora continua de los modelos diagnósticos, adaptándose a diferentes entornos clínicos y necesidades institucionales.
Integración Fluida: Compatible con equipos de captura de imágenes retinianas existentes (cámaras retinianas, OCT, etc.), IRIS se adapta con facilidad a los flujos de trabajo establecidos en hospitales, clínicas y programas de tamizaje visual.
Interfaz Intuitiva: Diseñada para profesionales de la salud visual, su interfaz facilita la interpretación rápida, clara y eficiente de los resultados.
Impacto en Salud Pública: IRIS busca contribuir activamente a la prevención de la ceguera evitable mediante la detección oportuna de enfermedades oculares, mejorando la calidad de vida de los pacientes y reduciendo la carga sobre los sistemas de salud.

IRIS representa una inversión estratégica para:

Elevar la precisión y eficiencia en el diagnóstico oftalmológico.
Optimizar los flujos de trabajo clínico y reducir los tiempos de atención.
Ampliar el acceso a servicios diagnósticos de alta calidad en entornos urbanos y rurales.
Contribuir de manera significativa a la prevención de la ceguera evitable y a la mejora de la salud visual en la región.

Con IRIS, su práctica oftalmológica se fortalece mediante una inteligencia artificial única, desarrollada localmente, que ofrece una atención al paciente más precisa, eficiente y accesible, poniendo la tecnología al servicio de la salud visual.

Relacionado:

8 Abr 2025

CVE-2025-25013

Título es

CVE-2025-25013

Mar, 08/04/2025 – 23:15

Tipo

CWE-532

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-25013

Descripción en

Improper restriction of environment variables in Elastic Defend can lead to exposure of sensitive information such as API keys and tokens via automatic transmission of unfiltered environment variables to the stack.

09/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:N/AC:L/PR:L/UI:N/S:U/C:H/I:N/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

6.50

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://discuss.elastic.co/t/elastic-defend-8-17-3-security-update-esa-2025-05/376921

Enviar en el boletín

Off

8 Abr 2025

CVE-2025-30294

Título es

CVE-2025-30294

Mar, 08/04/2025 – 20:15

Tipo

CWE-20

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-30294

Descripción en

ColdFusion versions 2023.12, 2021.18, 2025.0 and earlier are affected by an Improper Input Validation vulnerability that could result in a security feature bypass. An attacker could leverage this vulnerability to bypass security measures and gain unauthorized access. Exploitation of this issue requires user interaction in that a victim must open a malicious file.

08/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:N/AC:L/PR:L/UI:N/S:U/C:H/I:N/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

6.50

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://helpx.adobe.com/security/products/coldfusion/apsb25-15.html

Enviar en el boletín

Off

8 Abr 2025

CVE-2025-30293

Título es

CVE-2025-30293

Mar, 08/04/2025 – 20:15

Tipo

CWE-20

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-30293

Descripción en

08/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:N/AC:L/PR:H/UI:N/S:C/C:N/I:H/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

6.80

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://helpx.adobe.com/security/products/coldfusion/apsb25-15.html

Enviar en el boletín

Off

8 Abr 2025

CVE-2025-30292

Título es

CVE-2025-30292

Mar, 08/04/2025 – 20:15

Tipo

CWE-79

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-30292

Descripción en

ColdFusion versions 2023.12, 2021.18, 2025.0 and earlier are affected by a reflected Cross-Site Scripting (XSS) vulnerability. If an attacker is able to convince a victim to visit a URL referencing a vulnerable page, malicious JavaScript content may be executed within the context of the victim's browser.

08/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:N/AC:L/PR:N/UI:R/S:C/C:L/I:L/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

6.10

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://helpx.adobe.com/security/products/coldfusion/apsb25-15.html

Enviar en el boletín

Off

8 Abr 2025

CVE-2025-30291

Título es

CVE-2025-30291

Mar, 08/04/2025 – 20:15

Tipo

CWE-200

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-30291

Descripción en

ColdFusion versions 2023.12, 2021.18, 2025.0 and earlier are affected by an Information Exposure vulnerability that could result in a security feature bypass. An attacker could leverage this vulnerability to gain access to sensitive information which could be used to further compromise the system or bypass security mechanisms. Exploitation of this issue does not require user interaction.

08/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:L/AC:L/PR:N/UI:N/S:U/C:H/I:N/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

6.20

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://helpx.adobe.com/security/products/coldfusion/apsb25-15.html

Enviar en el boletín

Off

8 Abr 2025

CVE-2025-27191

Título es

CVE-2025-27191

Mar, 08/04/2025 – 21:15

Tipo

CWE-284

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-27191

Descripción en

Adobe Commerce versions 2.4.7-p4, 2.4.6-p9, 2.4.5-p11, 2.4.4-p12, 2.4.8-beta2 and earlier are affected by an Improper Access Control vulnerability that could result in a Security feature bypass. An attacker could leverage this vulnerability to bypass security measures and gain unauthorized access. Exploitation of this issue does not require user interaction.

08/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:L/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

5.30

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://helpx.adobe.com/security/products/magento/apsb25-26.html

Enviar en el boletín

Off

8 Abr 2025

CVE-2025-27190

Título es

CVE-2025-27190

Mar, 08/04/2025 – 21:15

Tipo

CWE-284

Gravedad 2.0 Txt

Pendiente de análisis

Título en

CVE-2025-27190

Descripción en

08/04/2025

Vector CVSS:3.1

CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:L/A:N

Gravedad 3.1 (CVSS 3.1 Base Score)

5.30

Gravedad 3.1 Txt Gravedad 3.1 (CVSS 3.1 Base Score)

MEDIUM

Referencias

https://helpx.adobe.com/security/products/magento/apsb25-26.html

Enviar en el boletín

Off

Archivos anuales: 2025

🗓️ Fecha: 10 de abril de 2025

📌 Objetivo del Modelo

📘 Descripción de Tablas y Estructura de Campos

🧍‍♂️ user

🧑‍⚕️ professional

👁️ patient

📋 episode

🔬 study

🖼️ image

🤖 ai_report

📝 report

🔗 Claves Foráneas y Relaciones

Código SQL

Código UML

🧾 Reporte del Modelo Entidad-Relación (MER) – IRIS

📌 Objetivo del Modelo

📘 Descripción de Entidades y Campos

1. 🧍‍♂️ user

2. 👁️ patient

3. 📋 episode

4. 🧪 study

5. 🖼️ image

6. 🤖 ai_report

7. 🧑‍⚕️ report

8. 👨‍⚕️ professional

🔗 Relaciones Principales del Modelo

🛡️ Ventajas del Modelo

Código UML

Características y Beneficios Clave:

IRIS representa una inversión estratégica para:

Relacionado:

🧍‍♂️ `user`

🧑‍⚕️ `professional`

👁️ `patient`

📋 `episode`

🔬 `study`

🖼️ `image`

🤖 `ai_report`

📝 `report`

1. 🧍‍♂️ `user`

2. 👁️ `patient`

3. 📋 `episode`

4. 🧪 `study`

5. 🖼️ `image`

6. 🤖 `ai_report`

7. 🧑‍⚕️ `report`

8. 👨‍⚕️ `professional`