NutriScan
NutriScan es una app web (PWA) de salud y nutrición deportiva, desarrollada como proyecto académico para la Universidad Católica de Córdoba (UCC). Permite a deportistas universitarios y usuarios particulares registrar su alimentación diaria —a mano, con el código de barras, con una foto del plato o conversando con un chat— y completar un perfil físico personalizado. Los datos son accesibles para el equipo de investigación a través de un panel analítico, que además cuenta con herramientas para validar los alimentos nuevos y medir la calidad de la IA.
👥 Roles de Usuario
| Rol | Descripción | Acceso |
|---|
deportista_ucc | Usuario con email @ucc.edu.ar | Onboarding completo (perfil físico + académico + encuesta psicológica) → Home. Estudio a ciegas: no ve calorías ni macros en ninguna pantalla |
particular | Usuario con cualquier otro email | Onboarding reducido (solo perfil físico) → Home, con calorías y macros visibles |
investigador | Acceso mediante código de invitación | Panel de investigación (datos de todos los atletas, validación, revisión de IA) |
administrador | Asignado desde la base de datos | Mismos permisos que investigador en el panel |
Los usuarios deportista_ucc pueden optar por registrarse como particular al momento de elegir su modalidad de uso. El rol se lee siempre en el servidor desde profiles, nunca del cliente.
⚡ Funcionalidades Principales
Para deportistas y particulares
- Dashboard nutricional diario — calorías consumidas vs. meta diaria, macros del día (proteínas, carbohidratos, grasas) e hidratación. Para
deportista_ucc se oculta la información numérica.
- Cálculo nutricional personalizado — TMB y GET con la ecuación de Harris-Benedict revisada (Roza & Shizgal, 1984) a partir del perfil físico.
- Registro de ingestas por momento del día (desayuno, almuerzo, merienda, cena, colaciones y suplementos), hasta 7 días hacia atrás, con cuatro vías de carga:
- Buscador de alimentos sobre el catálogo SARA2 + ANMAT, con cálculo automático de macros por cantidad, y opción de cargar un alimento personalizado si no está en el catálogo.
- Escáner de código de barras (cámara) con consulta a Open Food Facts.
- Reconocimiento por foto con IA (Gemini) — se fotografía el plato, se indica la vajilla y el ángulo del dispositivo, la IA detecta los alimentos y estima los gramos; el usuario revisa, corrige, quita o agrega alimentos antes de guardar.
- Chat de comidas con IA — se describe la comida en lenguaje natural y se confirma lo detectado.
- Hidratación — registro de agua diaria (también detectable desde el chat).
- Perfil académico y deportivo — para deportistas UCC: carrera, año, deporte, posición y frecuencia de entrenamientos.
- Encuesta psicológica — 25 preguntas Likert (escala 0–5) para deportistas UCC.
- Recordatorios por email — un cron diario de Vercel avisa a quienes no cargaron ingestas.
- PWA instalable con service worker (Serwist) y pantalla offline.
- Autenticación dual — email/contraseña o Google OAuth, con recuperación de contraseña.
- Eliminación de cuenta — borra la cuenta y todos sus datos, incluidas las fotos de detección.
Para investigadores (panel (researcher))
| Sección | Ruta | Qué hace |
|---|
| Dashboard | /dashboard | KPIs, distribución por deporte, cumplimiento semanal y ranking de atletas |
| Deportistas | /deportistas | Tabla con filtros (unidad académica, carrera, año, deporte), detalle por atleta y exportación a Excel (.xlsx) con la fuente de cada dato nutricional |
| Validación | /validacion | Cola de alimentos de deportistas que no estaban en el catálogo: el investigador los modifica, valida (recalcula los ítems vinculados), los vincula a un alimento existente, arma un valor mezclando varios alimentos o los descarta. Todo con auditoría append-only |
| Revisión de IA | /revision-ia | Cola de detecciones de Gemini que el equipo de nutrición debe revisar (ítem quitado, cambio de alimento, corrección grande de peso, confianza baja). Muestra la foto con las marcas de detección y permite confirmar o corregir |
| Métricas de IA | /revision-ia/metricas | Calidad de las detecciones: tasas de corrección, alimentos más corregidos, evolución por versión de prompt, y descarga de un resumen en .md para mejorar el prompt |
Cada pantalla del panel tiene un cajón de ayuda contextual.
🤖 Cómo funciona la IA
- Detección por foto (
POST /api/food-recognition): una sola llamada a Gemini por foto. La imagen se recorta y procesa en el cliente/servidor, se guarda en un bucket privado de Supabase Storage (acceso solo por signed URLs de 5 minutos) y la predicción original se persiste.
- Guardado (
POST /api/food-recognition/save): calcula los macros sobre el gramaje final. Cada alimento se resuelve por foodRef (elegido en el buscador), por match exacto contra SARA2 o, si no, Gemini elige una entrada del catálogo o estima los valores por 100 g. Todo se escribe en una única transacción (RPC registrar_guardado_deteccion).
- Origen del dato: cada ítem registra de dónde salió (
catalogo, estimado_ia, pendiente, validado, descartado, sin_datos). Los alimentos desconocidos de deportistas UCC pasan a la cola de validación; los de particulares quedan como estimación de la IA.
- Chat de comidas (
POST /api/chat/meal y /confirm): sin estado, con matching contra SARA2 en el backend (coeficiente de Dice sobre palabras, sin comparación difusa) y estimación de Gemini como respaldo. Con rate limit.
- Métricas de calidad: los motivos de revisión se calculan al guardar y las métricas solo los agregan (vistas
v_metricas_ia_items y v_metricas_ia_no_detectados).
Detalle de contratos y reglas:
This is the beginning of the README. Read the rest at the original. Read the full README ↗
