Metodología de Head Lice Checker

Head Lice Checker está pensado como una herramienta práctica de triaje para familias que necesitan una orientación rápida. La plataforma combina el resultado del modelo de imagen, reglas de decisión deterministas y un lenguaje de seguridad claro para que se entienda qué se ha detectado, dónde se ha detectado y qué conviene hacer después. Esta página explica nuestra metodología con palabras sencillas.

Última revisión: 16 feb 2026

Para qué sirve el método y qué cubre

Nuestro proceso de cribado pretende reducir la incertidumbre, no sustituir al personal sanitario. Su finalidad principal es ayudar a las familias a decidir si conviene priorizar una confirmación profesional y evitar retrasos cuando se ven varios indicios de riesgo a la vez.

El sistema funciona mejor con fotos cercanas del cuero cabelludo en las que el pelo está separado y la luz es buena. No está optimizado para retratos lejanos, imágenes con mucho movimiento ni zonas tapadas. Cuando la calidad es baja, mantenemos un lenguaje prudente y recomendamos repetir el escaneo en mejores condiciones.

Por eso los resultados se presentan como orientación indicativa. Evitamos afirmaciones médicas rotundas y dirigimos a las personas hacia apoyo clínico cualificado siempre que la confianza sea baja, los síntomas persistan o los hallazgos parezcan relevantes.

Recepción y preparación de la imagen

Cuando se sube una imagen, comprobamos que el archivo sea válido y tenga un tamaño mínimo antes del cribado. Así protegemos la estabilidad del modelo y evitamos distorsiones de confianza provocadas por archivos muy pequeños o dañados.

La misma versión preparada de la imagen que se usa para el análisis se usa también para mostrar el resultado. Esta correspondencia importa porque las marcas de detección se proyectan con el sistema de coordenadas de origen, y la confianza visual depende de que cada marca quede donde corresponde en la imagen mostrada.

El preprocesado es deliberadamente mínimo: no aplicamos filtros agresivos que puedan alterar detalles visuales. Preferimos animar a enviar una foto mejor antes que depender de un realce artificial.

Extracción y normalización de las detecciones

Las respuestas del proveedor pueden incluir predicciones anidadas, alias de clase y claves de confianza distintas. Normalizamos esas estructuras en una lista interna estable para que la interfaz se comporte igual mientras el proveedor devuelva datos de delimitación válidos.

Los alias de clase se convierten en etiquetas estándar como piojos y liendres. Descartamos detecciones mal formadas, exigimos coordenadas numéricas válidas y aplicamos un umbral mínimo de confianza antes de mostrar elementos en los resúmenes.

De cada detección aceptada guardamos las coordenadas del centro, el ancho, el alto, la confianza original y el nivel asignado. Ese objeto normalizado alimenta las marcas sobre la foto, los recuentos, las etiquetas de resumen y la analítica.

Política de confianza y etiquetado del resultado

Los niveles de confianza se agrupan para que resulten claros para las familias. Una confianza alta indica evidencia sólida del modelo; una confianza media, evidencia útil pero menos segura; y una confianza baja avisa de que la calidad de la imagen o una posible ambigüedad visual pueden afectar a la interpretación.

Cuando hay detecciones válidas, la etiqueta principal del resultado la determina la clase detectada con más peso. Cuando no hay detecciones, la lógica de reserva devuelve un resultado de cribado sin hallazgos, con un mensaje de apoyo y la recomendación de volver a revisar si los síntomas continúan.

Esta política evita prometer de más sin dejar de orientar. Se pueden revisar las marcas y los resúmenes antes de decidir si conviene pedir confirmación en una clínica.

Un diseño de resultados centrado en las personas

Las tarjetas de resultado priorizan la evidencia. Mostramos la foto enviada, las marcas de detección, el número total de indicios y el nivel de confianza en una jerarquía compacta para que se entienda por qué aparece una sugerencia.

Después, el texto de orientación traduce el resultado en pasos concretos: observar, repetir el escaneo con mejor luz o pedir seguimiento en una clínica. Evitamos a propósito el lenguaje alarmista y las expresiones que suenan a diagnóstico.

Al unir evidencia visible y mensajes serenos, la metodología favorece la confianza y mantiene las decisiones apoyadas en la confirmación profesional cuando corresponde.

Medición y mejora continua

Registramos eventos de interacción anonimizados para mejorar la fiabilidad y la comprensión de los resultados. Algunos ejemplos son el uso de las marcas, el filtrado de la leyenda, los reintentos de escaneo y la interacción con el botón de clínica.

Estas señales nos ayudan a valorar si se entienden los resultados y si la orientación del siguiente paso es útil. Damos prioridad a las mejoras cuando vemos patrones de confusión, como repetir el escaneo inmediatamente después de un resultado positivo claro.

Los cambios de método se revisan antes de publicarse y quedan fechados en el contenido para que las personas y los colaboradores puedan ver cuándo se actualizaron por última vez los criterios.

Gobernanza del método y control de versiones

Cada cambio de método sigue una lista de verificación que comprueba la estabilidad del analizador, la asignación de niveles de confianza y la coherencia del lenguaje antes de publicarse. Así evitamos que un cambio en la estructura de detección afecte en silencio a cómo se interpreta el resultado.

Cada versión incluye pruebas deterministas de extracción de predicciones anidadas, conversión de alias y rechazo de detecciones mal formadas. También verificamos que las marcas se dibujen sobre exactamente la misma imagen usada en el análisis, para mantener la confianza en la vista de evidencia.

Cuando se introducen cambios importantes de comportamiento, la orientación y las preguntas frecuentes se actualizan en el mismo ciclo para que la información siga coincidiendo con lo que hace el producto.

Preguntas frecuentes

¿Esta metodología ofrece un diagnóstico?

No. Ofrece orientación indicativa de cribado y debe acompañarse de confirmación clínica profesional cuando el riesgo sea elevado o los síntomas persistan.

¿Por qué la confianza puede ser baja aunque aparezcan marcas?

La confianza baja puede darse por desenfoque, poca luz o elementos del cuero cabelludo visualmente parecidos. En esos casos recomendamos repetir el escaneo con más nitidez o acudir a una clínica.

¿Las marcas se dibujan con coordenadas reales del modelo?

Sí. Las marcas se basan en las coordenadas normalizadas de detección del resultado del análisis y se superponen a la imagen del escaneo mostrada.

¿Con qué frecuencia se revisa el contenido de la metodología?

El contenido de metodología se revisa en cada ciclo de publicación y lleva fecha para que se pueda comprobar su vigencia.

¿Listo para el siguiente paso?

Empieza con un escaneo gratuito de una foto y, si quieres una confirmación profesional, usa el buscador de clínicas.

Esta herramienta ofrece únicamente un resultado indicativo de cribado con IA y no constituye un diagnóstico médico.