La IA revoluciona la nutrición de precisión: una revisión exhaustiva

La nutrición de precisión es un enfoque avanzado para la planificación dietética que adapta la orientación nutricional a las características individuales, incluyendo la genética, el estilo de vida y los factores ambientales. La integración de la inteligencia artificial (IA) en la nutrición de precisión abre oportunidades sin precedentes para mejorar la eficacia y la personalización de las recomendaciones nutricionales. La IA puede analizar grandes cantidades de datos de diversas fuentes, como perfiles multiómicos, hábitos alimentarios e historiales médicos, lo que permite identificar necesidades dietéticas matizadas a nivel individual. Esta revisión explora los últimos avances en IA y sus aplicaciones en nutrición de precisión.

Se utilizó una estrategia de revisión de alcance siguiendo la extensión de los Elementos Preferidos de Reporte para Revisiones Sistemáticas y Meta-Análisis para Revisiones de Alcance (PRISMA-ScR). Los criterios de inclusión incluyeron artículos desde el 8 de diciembre de 2014 hasta el 28 de mayo de 2024, en inglés y obtenidos de bases de datos académicas de renombre. Las palabras clave de búsqueda se categorizaron en nutrición de precisión, IA y procesamiento del lenguaje natural. Los criterios de exclusión incluyeron editoriales, erratas, cartas, notas, comentarios y estudios en animales. Se incluyeron un total de 198 artículos relevantes en esta revisión de literatura.

Los 198 artículos se distribuyeron en 142 sedes, que comprenden 98 revistas y 44 conferencias. Las revistas se clasificaron manualmente en cinco categorías distintas: Medicina Clínica, Ciencia de Alimentos y Nutrición, Informática, Ciencias de la Computación y Biología. Esta distribución refleja un alto nivel de interés y actividad en Medicina Clínica e Informática, lo que sugiere un fuerte enfoque en la aplicación de técnicas de IA en entornos clínicos para intervenciones nutricionales personalizadas o aplicaciones médicas.

De las 198 publicaciones analizadas, 99 estudiaron específicamente una o más enfermedades. Las tres enfermedades más estudiadas son la diabetes, las enfermedades cardiovasculares y el cáncer. Las enfermedades menos estudiadas incluyen trastornos gastrointestinales, enfermedades neurodegenerativas, trastornos de la alimentación, trastornos de salud mental, obesidad, fatiga visual, COVID-19, alergias alimentarias y enfermedades de la piel. La investigación sobre estas enfermedades menos estudiadas surgió mayoritariamente después de 2020.

Las principales aplicaciones de la IA en nutrición de precisión son la optimización de la salud, la prevención de enfermedades y el manejo de enfermedades. La optimización de la salud tiene como objetivo mejorar el bienestar de los individuos a través de intervenciones nutricionales personalizadas utilizando diversos enfoques de IA. La prevención de enfermedades se centra en el uso de la IA para predecir y prevenir la aparición de enfermedades a través de recomendaciones dietéticas personalizadas. El manejo de enfermedades implica el uso de la IA para ayudar en el manejo de enfermedades existentes a través de planes nutricionales adaptados.

La revisión destaca diversos conjuntos de datos utilizados en la literatura y resume metodologías y métricas de evaluación para guiar estudios futuros. Los métodos de IA se clasifican sistemáticamente, y cada método se describe junto con ejemplos de investigación en nutrición de precisión. Las métricas de evaluación utilizadas para evaluar modelos de IA también se clasifican y explican con ejemplos relevantes.

La revisión enfatiza la importancia de las perspectivas minoritarias y culturales en la promoción de la equidad para la nutrición de precisión utilizando IA. Explora el impacto y el potencial de varios factores, como los socioeconómicos, la sensibilidad cultural, la accesibilidad tecnológica y la alfabetización digital, las preocupaciones éticas y de privacidad, las necesidades nutricionales personalizadas, los enfoques comunitarios y las políticas y la defensa, en la IA para la nutrición de precisión.

La investigación futura debería integrar aún más los factores minoritarios y culturales para aprovechar plenamente el potencial de la IA en nutrición de precisión. Existe la necesidad de una investigación más exhaustiva, información detallada sobre los métodos de investigación y materiales de investigación, incluidos enlaces y descripciones detalladas de los conjuntos de datos. Abordar el conocimiento fragmentado y los patrones de publicación dispersos también es crucial.

Esta revisión de alcance proporciona una visión general completa del panorama actual de la IA en nutrición de precisión, destacando los avances, los desafíos y las direcciones futuras. Al examinar las sedes de publicación, las enfermedades objetivo, las aplicaciones, los conjuntos de datos, los métodos de IA, las métricas de evaluación y los factores minoritarios y culturales, esta revisión mejora la comprensión del potencial de la IA en nutrición de precisión y proporciona nuevas direcciones para la investigación futura.

EA: Enfermedad de Alzheimer, IA: inteligencia artificial, ANOVA: análisis de varianza, AUC: área bajo la curva, AUROC: área bajo la curva característica operativa del receptor, CGM: monitorización continua de glucosa, CRC: cáncer colorrectal, DSS: sistema de soporte de decisiones, EHR: registro de salud electrónico, EN: nutrición enteral, FEL: lista de intercambio de alimentos, FFQ: Cuestionario de Frecuencia de Alimentos, HbA1c: hemoglobina A1c, HEI: Índice de Alimentación Saludable, ICU: unidad de cuidados intensivos, LLM: modelo de lenguaje grande, LSTM: memoria a corto plazo, MIMIC-IV: Medical Information Mart for Intensive Care IV, NLP: procesamiento del lenguaje natural, PPGR: respuesta glucémica posprandial