Nutrición en la era digital: cómo la IA está transformando la práctica clínica

Imaginemos a Juan, ingresado en un hospital, cuando le sirven la comida. El personal sanitario fotografía su bandeja con un móvil y una aplicación estima los alimentos, las cantidades y los nutrientes que contiene. Al terminar, una segunda imagen permite estimar cuánto ha comido. El equipo puede combinar estos datos con la valoración clínica para evaluar su estado nutricional.

¿Puede una máquina ayudarnos a comprender mejor cómo nos alimentamos y a detectar problemas nutricionales? La inteligencia artificial (IA) ofrece herramientas para explorar esta pregunta. En centros sanitarios y laboratorios se están desarrollando y evaluando aplicaciones para analizar la dieta, apoyar intervenciones personalizadas e investigar enfermedades relacionadas con la alimentación.

Desde algoritmos que procesan miles de datos hasta dispositivos capaces de monitorizar en tiempo real lo que come un paciente, la IA está abriendo la puerta a una nutrición más personalizada y efectiva. En este artículo se verán algunos de los ámbitos en los que la IA está cambiando la práctica clínica y científica.

Cómo la IA puede ayudar a medir lo que comemos

Conocer con precisión qué y cuánto comemos es uno de los grandes retos en nutrición. Los registros dietéticos dependen, en parte, de la memoria y de cómo se describen las comidas. La IA puede complementar estos métodos, aunque sus estimaciones también requieren validación.

La visión por computador permite estimar los alimentos y las porciones a partir de imágenes. Por ejemplo, el sistema goFOOD utiliza dos imágenes o un vídeo breve para reconocer los alimentos, estimar su volumen y calcular su contenido energético y de macronutrientes. La calidad de la captura y los alimentos que el sistema reconoce influyen en el resultado.

En algunos hospitales ya se utilizan sistemas que comparan la bandeja de un paciente antes y después de comer para estimar la ingesta. También se investigan tecnologías que utilizan sensores acústicos o de movimiento mandibular para estudiar cuándo y cómo come una persona.

Estas herramientas pueden aportar información complementaria a los profesionales de la nutrición para adaptar los planes dietéticos a las necesidades de cada paciente. Su utilidad depende de la calidad de los datos y de la evaluación de cada sistema.

IA en prevención de enfermedades y riesgos nutricionales

Nuestra alimentación no solo influye en el peso que tenemos, sino también en la aparición de enfermedades. Por eso, uno de los campos más prometedores de la IA en nutrición es su potencial para ayudar en la prevención y detectar riesgos de forma temprana.

Un ejemplo lo encontramos en el estudio de la microbiota intestinal, la comunidad de microorganismos que vive en nuestro intestino y contribuye a nuestra salud. Los algoritmos pueden analizar datos de sus secuencias de ADN y explorar asociaciones con la dieta, la obesidad o la enfermedad inflamatoria intestinal. Encontrar una asociación no demuestra por sí solo que permita predecir una enfermedad antes de que aparezcan los síntomas.

En hospitales y residencias se investiga cómo combinar datos de peso, ingesta, analíticas y evolución clínica para identificar el riesgo nutricional. Por ejemplo, los modelos de IA muestran potencial para identificar el riesgo de desnutrición. Su integración en la atención requiere datos estandarizados, validación clínica y evaluación de sus beneficios reales.

Incluso en pruebas de imagen como la tomografía computarizada, el aprendizaje profundo puede ayudar a cuantificar la masa muscular y detectar cambios. Esta información puede apoyar la valoración nutricional, aunque identificar un problema no garantiza por sí solo que se prevengan complicaciones.

Dietoterapia y nutrición clínica con ayuda de la IA

Cuando hablamos de nutrición en un entorno clínico, cada detalle importa. La cantidad de carbohidratos, proteínas o micronutrientes podría marcar la diferencia en la evolución de un paciente. Y es aquí donde la IA empieza a jugar un papel importante: no sustituye al profesional sanitario, pero sí puede ser un aliado para diseñar intervenciones más precisas y personalizadas.

La diabetes ofrece otro ejemplo: los sistemas de visión por computador pueden ayudar a estimar los carbohidratos de un plato a partir de imágenes. Estas estimaciones pueden apoyar la planificación de las comidas, pero no sustituyen las indicaciones del equipo sanitario. Algunos desarrollos también integran biomarcadores en tiempo real, como los niveles de glucosa, para ofrecer recomendaciones alimentarias adaptadas a la situación fisiológica de cada momento.

Para pacientes oncológicos también se han desarrollado chatbots para ofrecer información sobre alimentación durante el tratamiento. Deben utilizarse como apoyo informativo, con supervisión y derivación al equipo sanitario cuando sea necesario.

En nutrición hospitalaria también se estudian modelos de machine learning para apoyar decisiones sobre las fórmulas de soporte nutricional enteral o parenteral, a partir de datos clínicos. Esto no equivale a que el ajuste automático en tiempo real sea una práctica generalizada: las decisiones deben seguir bajo responsabilidad del equipo sanitario.

La IA puede apoyar la toma de decisiones nutricionales, pero no reemplaza la experiencia del profesional sanitario. Para que aporte valor, debe evaluarse en el contexto clínico en el que se utiliza.

Investigación en nutrición: el papel de la IA

La IA también está ampliando las herramientas disponibles para investigar la nutrición. Permite explorar grandes conjuntos de datos y plantear nuevas hipótesis, que después deben contrastarse con estudios adecuados.

En los estudios epidemiológicos, por ejemplo, puede analizar datos de miles de personas para explorar asociaciones entre dieta y salud, como complemento de los métodos estadísticos habituales.

Otra de sus aplicaciones está en el aprendizaje no supervisado, que ayuda a segmentar a la población según sus patrones de alimentación. Esto quiere decir que se pueden crear perfiles de consumidores (o pacientes) y explorar estrategias dietéticas para cada grupo. Su eficacia debe comprobarse con evaluaciones posteriores.

Un campo especialmente prometedor dentro de la investigación actual es la nutrición de precisión. Aquí, la IA integra datos de biomarcadores, información sobre consumo de alimentos y medidas antropométricas como peso, talla o composición corporal. Aunque todavía es un enfoque en desarrollo, ya está sentando las bases para futuros tratamientos mucho más ajustados a perfiles genéticos o metabólicos específicos.

Un campo en evolución

Volvamos al ejemplo de Juan. Las imágenes de su bandeja podrían aportar información al equipo sanitario para ajustar su dieta y seguir su evolución. Ese registro sería una pieza más de una valoración que también tiene en cuenta su enfermedad, sus necesidades y sus preferencias.

La IA ya tiene aplicaciones en nutrición y muchas otras siguen en investigación. Su alcance va desde automatizar registros de ingesta hasta analizar datos complejos para explorar intervenciones personalizadas y nuevas preguntas científicas.

El desafío en los próximos años será integrar la capacidad de análisis de la IA con la experiencia y juicio de los profesionales de la salud, sin olvidar la dimensión cultural, social y humana que caracteriza a la alimentación. ¿Estamos preparados?