Una nueva herramienta permite dar consejos de nutrición útiles desde la primera consulta

Si se come un refrigerio, por ejemplo, una albóndiga o un malvavisco, ¿cómo afectará el nivel de azúcar en sangre? Es una pregunta sorprendentemente complicada: la respuesta glucémica del cuerpo a diferentes alimentos varía según la genética, el microbioma, las fluctuaciones hormonales y otros factores. Por ello, brindar asesoramiento nutricional personalizado, que puede ayudar a controlar la diabetes, la obesidad y las enfermedades cardiovasculares, entre otras afecciones, requiere pruebas costosas e invasivas, lo que dificulta brindar una atención eficaz a gran escala.

En un artículo publicado en la Revista de Ciencia y Tecnología de la Diabetes, investigadores del Instituto Tecnológico Stevens ofrecen un nuevo enfoque: un modelo con pocos datos capaz de predecir con precisión las respuestas glucémicas individuales sin necesidad de análisis de sangre, muestras de heces ni otras pruebas desagradables. La clave de su enfoque: registrar lo que la gente come realmente.

“Puede parecer obvio, pero hasta ahora la mayoría de las investigaciones se han centrado en macronutrientes, como los gramos de carbohidratos, en lugar de en los alimentos específicos que consumen las personas”, explica la Dra. Samantha Kleinberg, profesora de la Cátedra Farber de Ciencias de la Computación. “Hemos demostrado que, al analizar los tipos de alimentos, es posible realizar predicciones muy precisas con muchos menos datos”.

El equipo de Kleinberg estudió dos conjuntos de datos que incluyen diarios de alimentación detallados y datos de monitorización continua de glucosa de casi 500 personas con diabetes (tipo 1 y 2) en Estados Unidos y China. Utilizando bases de datos de alimentos existentes y ChatGPT, clasificaron cada comida según su contenido de macronutrientes y también aprovecharon la estructura de los alimentos (de modo que las carnes son más similares entre sí que a los quesos), lo que les permitió diferenciar entre alimentos con valores nutricionales equivalentes.

Apoyo de la inteligencia artificial

Al entrenar un algoritmo que utiliza datos nutricionales y características de los alimentos, además de algunos detalles demográficos, el equipo pudo predecir la respuesta glucémica de cada individuo a cada alimento con prácticamente los mismos niveles de precisión encontrados en estudios anteriores que incluían datos detallados del microbioma y otra información difícil de recopilar.

“Aún no sabemos por qué incluir las características de los alimentos marca una diferencia tan grande”, afirma Kleinberg. Es posible que la información sobre los alimentos sea un indicador de los micronutrientes que impulsan las respuestas glucémicas, o que las propiedades físicas de ciertos alimentos lleven a las personas a comerlos o digerirlos de forma diferente. “Lo que está claro, sin embargo, es que, en lo que respecta a la glucemia, intervienen más factores que los macronutrientes”, concluye el Dr. Kleinberg.

Influencia de los cambios hormonales en las respuestas glucémicas

Al centrarse en los tipos de alimentos, el equipo también pudo explorar las variaciones individuales en las respuestas glucémicas. "Dado que las personas consumen las mismas comidas una y otra vez, los datos nos permiten comprender cómo cambian las respuestas individuales a alimentos específicos con el tiempo", detalla la doctora. El equipo descubrió que la inclusión de datos sobre los ciclos menstruales en su modelo explicaba gran parte de la variación intraindividual, lo que sugiere que los cambios en los niveles hormonales podrían desempeñar un papel importante en la mediación de las respuestas glucémicas individuales.

El modelo del equipo también predice con precisión la respuesta glucémica tanto en la población estadounidense como en la china, un hallazgo importante, ya que los modelos basados ​​en el microbioma a menudo presentaban dificultades para ofrecer resultados precisos en diferentes contextos culturales. "No necesitamos datos de una población regional específica para poder realizar predicciones", asegura Kleinberg.

El nuevo modelo también es lo suficientemente potente como para predecir la respuesta glucémica de un individuo basándose en datos demográficos, sin necesidad de entrenamiento personalizado con registros de alimentos u otros datos personalizados.

Como resultado, los profesionales sanitarios podrían utilizar el modelo para ofrecer asesoramiento nutricional durante la primera consulta con un paciente, sin necesidad de un laborioso registro de alimentos ni pruebas invasivas. "Podemos ofrecer mejores recomendaciones si disponemos de más datos, pero podemos obtener muy buenos resultados sin ningún tipo de información personalizada", promete la científica. "Esto significa que podemos ofrecer a los pacientes consejos útiles de inmediato, y esperamos que esto los motive a continuar".

A continuación, el equipo planea perfeccionar su modelo utilizando conjuntos de datos más amplios y explorar si añadir datos del microbioma aumenta su precisión. "Esa es la gran pregunta, porque si la información alimentaria por sí sola nos proporciona todo lo que necesitamos, quizá no sea necesario recolectar muestras de heces ni realizar otras pruebas", concluye Kleinberg. "Eso podría hacer que la nutrición personalizada sea más asequible y accesible para todos".