El glaucoma es una de las principales causas de ceguera irreversible a nivel mundial, siendo el diagnóstico temprano crucial para prevenir la pérdida de visión. Los métodos de diagnóstico tradicionales, incluyendo la fotografía de fondo de ojo, la imagenología OCT y la perimetría, a menudo son insuficientes en sensibilidad y no logran integrar datos estructurales y funcionales. Este estudio propone un novedoso marco de diagnóstico multimodal que combina redes neuronales convolucionales (CNN), transformadores de visión (ViT) y capas mejoradas cuánticamente para mejorar la precisión y eficiencia en la detección del glaucoma. El marco integra imágenes de fondo de ojo, escaneos OCT y biomarcadores clínicos, aprovechando sus fortalezas complementarias a través de un mecanismo de fusión ponderada. Se utilizaron conjuntos de datos, incluyendo el GRAPE y otras fuentes públicas y clínicas, asegurando una representación demográfica diversa y apoyando la generalización. El modelo fue entrenado y validado utilizando pérdida de entropía cruzada, regularización L2 y estrategias de aprendizaje adaptativo, logrando una precisión del 96%, una sensibilidad del 94% y un AUC de 0.97, superando los enfoques solo de CNN y solo de ViT. Además, la arquitectura mejorada cuánticamente redujo la complejidad computacional de O() a O(log), permitiendo un despliegue en tiempo real con una reducción del 40% en FLOPs. El sistema propuesto aborda limitaciones clave de métodos anteriores en términos de costo computacional, integración de datos e interpretabilidad. Este marco ofrece una herramienta escalable y clínicamente viable para la detección temprana del glaucoma, apoyando la atención personalizada y mejorando los flujos de trabajo diagnósticos en oftalmología.