Dermaware / Genesis

Contexto

Dermaware Genesis fue la primera versión de un producto móvil para dar seguimiento a la salud cutánea. Una persona podía registrar cambios, recibir recomendaciones según su tipo de piel, hacer preguntas en un chat integrado con dermatólogos y compartir experiencias en un foro comunitario. Eso juntaba varios tipos de información: observaciones personales, análisis basados en imágenes, conversaciones y publicaciones públicas.

Lideré a cinco desarrolladores en el iOS Development Lab entre julio y noviembre de 2023. Usamos SwiftUI para el cliente, Flask y Python para la API, SQLite para almacenamiento y AWS para el despliegue. La primera versión tenía un plazo corto y nos obligó a decidir qué debía garantizar el backend y qué podía hacer sencillo el teléfono, sin convertir los flujos de salud en un laberinto.

Mi rol

Dividí el producto en rebanadas verticales en vez de asignar una capa completa a cada persona. Coordiné las pantallas SwiftUI con los endpoints de Flask, revisé las formas de los datos e integré los flujos de panel, perfil, inicio de sesión, chat y foro. Cuando una decisión afectaba la pantalla de otra persona, dejaba claro el contrato y revisaba el cambio con el equipo, en lugar de permitir que cada feature inventara su propia respuesta.

También mantuve visible el límite de la primera entrega. El análisis de imágenes y las recomendaciones debían caber en el flujo de seguimiento; el chat necesitaba un lugar claro dentro de la cuenta; y el contenido de la comunidad debía permanecer separado de la información privada de salud. Ese encuadre nos ayudó a entregar una primera versión coherente sin presentar como sistema clínico algo que no habíamos construido.

Decisiones

• Usar SwiftUI en toda la superficie móvil. El estado compartido y las vistas declarativas facilitaron componer el dashboard, el perfil y las pantallas conversacionales mientras cambiaba el producto. El costo fue aprender un enfoque de UI más nuevo como equipo, así que preferí estados pequeños y reutilizables antes que abstracciones ingeniosas.
• Dejar a Flask a cargo de los límites de cuenta y datos de salud. La API validaba lo que el cliente podía enviar y devolvía una forma estable para seguimiento, recomendaciones y chat. Eso exige trabajo explícito de petición y respuesta, pero evita duplicar reglas de negocio en varias vistas SwiftUI.
• Comenzar con SQLite para la primera versión. Un almacenamiento relacional pequeño bastaba para los datos iniciales de seguimiento y mantenía sencillo el desarrollo local. El intercambio era preparar una posible migración si el uso o la colaboración exigían otras características operativas; evité que el prototipo dependiera de una capa de persistencia opaca.
• Tratar el análisis de imágenes como insumo para orientar, no como diagnóstico. La app podía usar una imagen y el tipo de piel para producir una recomendación, pero también ofrecía conversaciones con dermatólogos. Mantener esa diferencia en el flujo hizo comprensible la función y evitó presentar un resultado automatizado como certeza médica.
• Separar los datos privados del perfil de las interacciones comunitarias. El foro y el seguimiento personal tienen públicos distintos, por lo que la API y la UI mantuvieron visibles sus límites. Eso agrega navegación y manejo de permisos, pero dificulta exponer un registro personal al cargar contenido público.

Resultado

Genesis reunió seguimiento, análisis de imágenes, recomendaciones, chat con dermatólogos y foro comunitario en una primera entrega. Dejé al equipo una estructura compartida de SwiftUI y Flask que podía crecer sin convertir cada feature nueva en una reescritura entre capas.

Investigación publicada

Además de esta primera versión de Genesis, soy el primer autor de Development of a Mobile Application for Dermatological Diagnosis Using Image Recognition: The DermAware Case Study. Springer publicó el capítulo de libro en línea el 11 de octubre de 2025, con año bibliográfico 2026, en Machine Learning Methods in Biomedical Field, Studies in Computational Intelligence, vol. 1218, pp. 25–47.

El proyecto de investigación, registrado en LinkedIn entre septiembre de 2023 y octubre de 2025, describe una aplicación en SwiftUI y Django con CoreML/ResNet50, HealthKit, mensajería en tiempo real, historial de pacientes y autenticación segura. Su repositorio de DermAware es distinto de la API de Genesis enlazada arriba. El resumen de la editorial reporta 85% de precisión del modelo en conjuntos públicos de imágenes dermatológicas, no una validación diagnóstica clínica.

Qué haría diferente

Probaría desde el inicio el recorrido completo de imagen a recomendación con entradas representativas e incompletas, antes de pulir las pantallas alrededor. También establecería desde el primer día un límite escrito para retención y privacidad de datos, y lo usaría para revisar de forma consistente las decisiones de perfil, chat y foro mientras el equipo avanzaba rápido.