¿La IA puede ayudar a comer de manera más saludable?

Las enfermedades crónicas o relacionadas con el estilo de vida, como los accidentes cerebrovasculares, los infartos de miocardio, la obesidad y la diabetes tipo 2, están en aumento, en gran medida debido a cambios en los hábitos alimentarios y de actividad física. La inteligencia artificial (IA) se está utilizando para formular planes de alimentación personalizados y equilibrados para personas sanas que se ajusten a sus gustos y necesidades. 

Un artículo reciente publicado en la revista Frontiers in Nutrition, en el que han participado Lorena Calderón-Pérez y Noemi Boqué del Centro Tecnológico de Cataluña, presenta un sistema de recomendación nutricional basado en IA (AINR) que produce planes de comidas semanales a partir de un menú mediterráneo, de acuerdo con las recomendaciones de calorías y macronutrientes, al tiempo que aplica diversidad alimentaria y reglas dietéticas. 

Los hábitos laborales, los horarios familiares y los recursos económicos suelen dificultar la adopción de hábitos saludables. Para alejarlas de la comida chatarra, los expertos exploraron la viabilidad y eficacia de los sistemas de recomendaciones nutricionales. Estos están diseñados para ayudar a los usuarios a elegir la dieta más adecuada para un cumplimiento a largo plazo y una mejor salud. 

La IA se utiliza actualmente para crear planes de alimentación óptimos basados en las preferencias y necesidades dietéticas del usuario, incluyendo alergias, estacionalidad, factores culturales y necesidades calóricas. Si bien los Modelos de Lenguaje Largo (LLM), como ChatGPT, representan enfoques emergentes en IA nutricional, la IANR actual utiliza métodos basados en reglas. 

Sistemas tradicionales vs. sistemas basados en IA 

Estos sistemas de recomendaciones nutricionales pueden clasificarse como sistemas tradicionales y basados en IA. Los sistemas tradicionales utilizan cuatro tipos de enfoques para planificar las comidas: técnicas de optimización combinatoria, filtrado basado en contenido, filtrado colaborativo, enfoques híbridos.  

El análisis combinatorio busca garantizar una variedad adecuada en la dieta e incluye todos los grupos de alimentos, logrando rentabilidad y respetando las preferencias del usuario. A pesar de su solidez matemática, los algoritmos utilizados podrían no reflejar con precisión los objetivos y las elecciones del usuario.  

Además, simplifican excesivamente las normas nutricionales, a la vez que limitan el alcance de la diversidad alimentaria. Estas limitaciones restringen su aplicabilidad a la planificación de comidas en la vida real. 

Los otros tres tipos de enfoque correlacionan las preferencias del usuario o los atributos de los alimentos para personalizar las sugerencias. Se basan en interacciones previas o perfiles de usuario para sugerir alimentos similares a los representados en el perfil del usuario en uso, o en otros usuarios con un perfil similar.  

Sistemas basados en IA 

Los sistemas de recomendación nutricional basados en IA se diseñaron para superar los obstáculos de la escasez de datos en muchas áreas clave, los problemas de escalabilidad y la necesidad de un inicio en frío. Estos ponderan las restricciones dietéticas del usuario (como alergias o tabúes culturales) y los objetivos de salud, así como el contenido nutricional. Actualmente, estos sistemas utilizan sistemas basados tanto en el conocimiento como en el aprendizaje automático (ML). 

Los sistemas basados en el conocimiento se representan mediante el enfoque de optimización multiobjetivo (MaOO) y el mecanismo Generador de Planes de Comida (MPG), o el asesor de IA de proteínas, que elabora planes de comidas semanales basados en comidas nutricionalmente equilibradas predefinidas, según las necesidades y las pautas dietéticas del usuario.  

Por otro lado, las plataformas basadas en aprendizaje automático aprenden del contexto, del comportamiento del usuario y de sus preferencias para crear planes de comidas diarios personalizados. 

El presente estudio elaboro un sistema de recomendación nutricional basado en IA (AINR) diseñado para proporcionar planes de alimentación semanales basados en la dieta mediterránea. El sistema se probó con 4000 perfiles de usuarios generados, incluyendo aquellos con alergias (lácteos, huevos, frutos secos, pescado) y preferencias (halal). 

¿Cómo funciona? 

El objetivo era preparar un Plan de Nutrición semanal utilizando un riguroso proceso de cuatro pasos: filtrar comidas por estacionalidad y cocina local, luego excluir comidas que entren en conflicto con alergias/preferencia. En tercer lugar, generar y calificar planes de alimentación diarios en función de los objetivos de energía/macronutrientes. 

Finalmente, el último paso comprendía elaborar planes semanales que hagan cumplir las normas de diversidad alimentaria (por ejemplo, máximo tres porciones de pescado por semana, sin platos repetidos más de 3 veces por semana).

Los autores consideran que es importante destacar que “se requiere supervisión humana, ya que los planes generados automáticamente no están validados por nutricionistas”.  

Resultados observados 

Los resultados demostraron una precisión de filtrado del 100 % para país, alergias, preferencias y estacionalidad. Sin embargo, solo se generaron planes semanales para aproximadamente el 90 % de los perfiles. 

Los usuarios españoles con alergia a la leche o a los frutos secos no recibieron ningún plan viable debido a lagunas en la base de datos (por ejemplo, no hay opciones de desayuno para usuarios alérgicos a la leche). Además, los perfiles masculinos turcos mostraron una precisión menor (87 % de calorías, 66 % de proteínas).  

A pesar de ello, los investigadores señalan que los usuarios españoles y las mujeres turcas lograron una precisión calórica del 98% y una precisión de macronutrientes del >90%. 

Las alergias a la leche y a los frutos secos impidieron la planificación semanal, especialmente para los usuarios españoles, debido a las limitadas opciones de la base de datos. De esta manera, sugieren que “el sistema AINR necesita ampliar la base de datos con sustitutos lácteos y, sobre todo, una validación en situaciones reales”.  

En base a los resultados, los expertos concluyen que “el sistema AINR es prometedor para facilitar hábitos alimentarios más equilibrados, pero requiere mejoras en la base de datos para alergias y usuarios varones turcos”.