Inteligencia artificial y nutrición: aplicaciones y retos en la práctica clínica

La inteligencia artificial (IA) actualmente se define como el un conjunto de algoritmos y sistemas automatizados capaces de simular procesos de la inteligencia humana, como el aprendizaje, el razonamiento y la toma de decisiones. En la última década, esta tecnología ha evolucionado de manera exponencial gracias al machine learning y el procesamiento de lenguaje natural aprendido por la interacción con los seres humanos, logrando avances tecnológicos enfocados que van desde el reconocimiento de imágenes hasta el análisis predictivo de datos clínicos.

En el ámbito de la salud, la IA ya se utiliza para interpretar imágenes médicas con gran precisión, apoyar el diagnóstico temprano de enfermedades, diseñar modelos de predicción de riesgo y optimizar la gestión hospitalaria para cada grupo de pacientes. Ejemplos claros son la lectura automatizada de radiografías, la detección de patrones genéticos asociados a cáncer o el uso de agentes de IA médicos han demostrado su capacidad para mejorar tanto la prevención como el tratamiento de múltiples condiciones.

En nutrición, sus aplicaciones van desde la detección temprana de la malnutrición hasta la evaluación automatizada de la ingesta dietética y la predicción de riesgos cardiometabólicos. El interés científico en esta tecnología se ha disparado, no solo por su capacidad de manejar grandes volúmenes de datos, sino también por su potencial para personalizar las intervenciones nutricionales y optimizar la toma de decisiones clínicas más complejas.

Aplicaciones actuales de la IA en la Nutrición

Diagnóstico de malnutrición

• Modelos como MUST-Plus superan a las escalas tradicionales (MUST o GLIM) porque integran variables antropométricas, bioquímicas y clínicas.
• En adultos mayores hospitalizados, la IA logra sensibilidad y especificidad más altas, lo que permite intervenir antes y mejorar pronósticos.

Predicción de enfermedades relacionadas con la dieta

• La IA se está usando para anticipar riesgo de osteoporosis, sarcopenia, diabetes tipo 2, enfermedades cardiovasculares e incluso cánceres asociados a la dieta.
• Por ejemplo, en bases como NHANES se han identificado factores inesperados (cafeína, carbohidratos, triglicéridos) que influyen en el riesgo óseo o metabólico.

Evaluación de la ingesta dietética

• Herramientas como goFOODTM estiman calorías y macros a partir de fotos en 3D, superando incluso la precisión de dietistas en algunos contextos.
• Algoritmos de visión artificial ya pueden detectar mordidas, masticaciones y gestos faciales en videos, así como micromovimientos de la muñeca con sensores, lo que abre la puerta a medir conductas alimentariasde forma objetiva.

Nutrición personalizada y coaching digital

• Chatbots y asistentes ofrecen recomendaciones generales, pero lo más disruptivo son los “digital twins” (gemelos digitales): modelos que integran datos de sensores, microbioma, registros clínicos y estilo de vida para generar planes dinámicos e individualizados

Estos sistemas también podrían enviar recordatorios o “nudges” en tiempo real para guiar la alimentación cotidiana.

Investigación y logística científica

La IA se usa en revisiones sistemáticas (ej. ASReview) para filtrar y seleccionar artículos, reduciendo drásticamente el tiempo de análisis.

También apoya la descubrimiento de compuestos bioactivos con potencial antienvejecimiento y antiinflamatorio, analizando bases de datos químicas y nutrimentales.

Educación y comunicación nutricional

• Se están probando plataformas que usan IA para traducir información compleja en lenguaje accesible, generar materiales educativos personalizados y hasta adaptar la comunicación según la edad, cultura o nivel de alfabetización en salud del paciente.

Evidencia científica reciente

Diversos estudios y revisiones publicadas entre 2023 y 2025 confirman que la inteligencia artificial (IA) está transformando la investigación y la práctica clínica en nutrición. Su utilidad se refleja principalmente en tres áreas: diagnóstico de malnutrición en pacientes y grupos, predicción de riesgos metabólicos/ cardiovasculares y evaluación dietética.

En el campo de la malnutrición, los modelos de machine learning como MUST-Plus han demostrado reducir los falsos negativos, es decir, identificar a pacientes que antes pasaban desapercibidos con métodos clásicos y evaluaciones hechas por el humano. Esto resulta especialmente relevante en hospitales, donde un diagnóstico tardío incrementa la estancia y los costos de atención.

En cuanto a la predicción metabólica, los análisis de grandes cohortes como NHANES han mostrado que la IA puede detectar factores de riesgo inesperados, como el consumo de cafeína, los niveles de triglicéridos o incluso la circunferencia de la pantorrilla, asociados a osteoporosis, sarcopenia o diabetes. Estos hallazgos evidencian la capacidad de la IA para descubrir patrones invisibles a las herramientas tradicionales.

Respecto a la evaluación dietética, los sistemas de reconocimiento de imágenes como goFOODTM han superado en algunos casos la precisión de dietistas entrenados al estimar calorías y macronutrientes. Sin embargo, la validez aún depende de comparaciones con métodos de referencia como el agua doblemente marcada, considerado el gold standard en investigación nutricional, además de los patrones de alimentación que se dan en el mundo.

Finalmente, la IA también está revolucionando el estudio de la conducta alimentaria. Algoritmos capaces de analizar videos e identificar bocados, masticaciones y gestos faciales permiten obtener datos objetivos sobre cómo se come, no solo qué se come. Este enfoque abre nuevas perspectivas para la investigación en trastornos de la conducta alimentaria y la promoción del mindful eating.

Retos y consideraciones éticas

Aunque el potencial de la IA es enorme, su implementación enfrenta barreras críticas que deben atenderse antes de su aplicación generalizada en nutrición clínica.

• Calidad y estandarización de datos: muchos modelos se entrenan con bases de datos limitadas a una región o población. Esto genera sesgos que reducen la validez en otros contextos y pueden ampliar desigualdades en salud.

• Privacidad y ética: el uso de fotografías de alimentos, historiales médicos y datos plantea riesgos de seguridad y de explotación comercial. Es indispensable establecer protocolos claros de consentimiento informado y resguardo de la información.

• Interpretabilidad: la confianza clínica depende de que los profesionales comprendan cómo la IA llega a sus conclusiones. De ahí surge el campo de la Explainable AI (XAI), que busca traducir los procesos algorítmicos en explicaciones claras y utilizables por médicos y nutriólogos.

• Accesibilidad: la mayoría de las aplicaciones actuales están concentradas en países de altos Garantizar que estas herramientas lleguen también a sistemas de salud con recursos limitados será un reto crucial en la próxima década.

Conclusión

La inteligencia artificial representa hoy en día una de las herramientas más prometedoras para el futuro de la nutrición clínica y para la medicina. Su capacidad para personalizar intervenciones, detectar riesgos tempranos y automatizar procesos la convierte en un aliado estratégico de los profesionales de la salud.

No obstante, la IA no sustituye al nutriólogo: más bien amplifica el alcance y permite optimizar el tiempo en consulta, más no la parte humana que sigue siendo insustituible. El futuro inmediato apunta a un modelo híbrido, en el que IA, nutriólogos y dispositivos portátiles trabajen de manera integrada para ofrecer un monitoreo en tiempo real, intervenciones más precisas y una prevención más efectiva.

Para que este futuro se materialice, será necesario avanzar en validación clínica, regulación ética y estrategias de accesibilidad que permitan traducir la innovación en beneficios tangibles para los pacientes.

Referencias

1. Grootswagers, , & Grootswagers, T. (2025). Artificial intelligence in nutrition and ageing research – A primer on the benefits. Maturitas, 200, 108662.
2. Theodore Armand, T.P., et al. (2024). Applications of artificial intelligence, machine learning, and deep learning in nutrition: A systematic review. Nutrients, 16(7).
3. Delgado-Chaves, M., et al. (2025). Transforming literature screening: the emerging role of large language models in systematic reviews. PNAS, 122(2).