La Inteligencia Artificial y el Aprendizaje Automático en el desarrollo de la Nutrición de Precisión
En los últimos años, la revolución digital y los avances en la biotecnología han permitido que los investigadores en nutrición puedan recopilar una gran cantidad de información y de datos a través de cuestionarios, análisis bioquímicos y antropométricos, haciendo uso de aplicaciones móviles y dispositivos portátiles que proporcionan información valiosa sobre los hábitos de vida y alimentación de los pacientes, información en redes sociales, etc. La integración de toda esta información y de datos, junto a otros de carácter genético, epigenético, de microbiota intestinal, metabólico, psicológico, etc, responsables de la predisposición a las diversas enfermedades o patologías, permitirá realizar una nutrición de precisión que ofrezca tratamientos personalizados a los pacientes.
Sin embargo, la cantidad de datos ha llegado a ser tan grande, heterogénea, compleja y de tan alta dimensión que no es posible analizarlos con los métodos informáticos y estadísticos clásicos. Esto ha provocado que en la actualidad la aplicación de las técnicas de la Inteligencia Artificial (IA), y en particular del Aprendizaje Automático (Machine Learning, ML), hayan experimentado un notable impulso en diversas áreas de la salud, incluyendo la nutrición, debido a su capacidad para obtener de forma automática conocimiento útil, realizar predicciones de elevada precisión, y ayudar a la toma de decisiones.
¿Qué es la Inteligencia Artificial?
La IA es la habilidad de una máquina de presentar las mismas capacidades que los seres humanos, como el razonamiento, el aprendizaje, la creatividad y la capacidad de planear. La IA permite que los sistemas tecnológicos perciban su entorno, se relacionen con él, resuelvan problemas y actúen con un fin específico. La máquina recibe datos, los procesa y responde a ellos. En definitiva, la IA son técnicas que permiten a los sistemas informáticos aprender y mejorar automáticamente a partir de los datos.
“La nutrición de precisión ha emergido como una estrategia innovadora y prometedora para mejorar la salud y el bienestar de las personas”
Las técnicas del Machine Learning (ML) o Aprendizaje Automático
ML es una rama de la IA que se encarga de diseñar algoritmos que permitan aprender modelos descriptivos o predictivos de forma totalmente automática a partir de los datos que disponemos de un problema. Estos modelos representan relaciones matemáticas entre las variables de entrada y la variable de salida que nos proporcionan una visión simplificada de nuestro problema, permitiendo analizar en detalle la información extraída desde los datos (identificar relaciones entre las variables, descubrir agrupamientos en los datos, etc) o realizar predicciones precisas sobre nuevas muestras del mismo tipo que los datos que tenemos disponibles.
En la literatura podemos encontrar una gran variedad de algoritmos de ML, los cuales generan distintos tipos de modelos a partir de los datos: funciones matemáticas, reglas tipo “si-entonces”, árboles de decisión, redes neuronales, y muchas otras. Estos algoritmos no son más que una secuencia de operaciones que a partir de un conjunto de datos y una serie de parámetros, que permiten ajustar su funcionamiento a las características de nuestro problema, proporciona una salida o modelo. Imagina una receta de cocina, donde las entradas son los ingredientes y la salida es el plato. Cada receta te permite obtener un plato diferente, incluso con los mismos ingredientes. El procedimiento que siguen estos algoritmos para aprender los modelos es similar al proceso cognitivo en los humanos. Por ejemplo, supongamos que queremos enseñar a un niño a diferenciar entre manzanas y plátanos. En este caso, le proporcionaríamos al niño imágenes de ambas frutas y le enseñaríamos a identificar cada una de ellas. El niño, a través de este entrenamiento, crearía un modelo mental para distinguir entre manzanas y plátanos. Por ejemplo, una regla de ese modelo podría ser que si la fruta es amarilla y no es redonda entonces es un plátano. Después del entrenamiento, someteríamos al niño a una prueba para evaluar la tasa de error y verificar su capacidad para discriminar entre ambas frutas.
Este proceso de enseñanza es similar al que utilizan los algoritmos de aprendizaje automático para crear modelos que les permitan extraer conocimiento útil a partir de los datos.
La Inteligencia Artificial y el Machine Learning en la nutrición de precisión
La nutrición de precisión ha emergido como una estrategia innovadora y prometedora para mejorar la salud y el bienestar de las personas al proporcionar recomendaciones nutricionales específicas que se adaptan a las necesidades individuales de cada persona. En lugar de seguir recomendaciones generales que se aplican a toda la población, la nutrición de precisión utiliza información personalizada para crear recomendaciones dietéticas específicas. Esto puede incluir datos como la edad, el género, la composición corporal, los niveles de actividad física y otros factores importantes que influyen en la salud metabólica de cada individuo, como es la propia genética, epigenética y la microbiota intestinal. Sin embargo, el procesamiento de toda esta información personal puede ser complicado debido a la gran cantidad de datos que se necesitan para crear recomendaciones precisas. Por lo tanto, se están utilizando técnicas de ML para procesar y analizar todos estos datos, y se espera que esto ayude a mejorar la precisión de las recomendaciones nutricionales personalizadas.
Estos modelos pueden integrar datos de diversas fuentes para obtener una visión más completa de la salud metabólica de cada individuo y, por lo tanto, proporcionar recomendaciones nutricionales más precisas y personalizadas. Por ejemplo, el uso de aplicaciones móviles y herramientas en línea puede permitir a los pacientes registrar su ingesta de alimentos y actividad física, lo que proporciona a los profesionales de la nutrición una mayor comprensión de los patrones alimentarios y el impacto de la actividad física en la salud. Estas técnicas también pueden ayudar a los profesionales de la nutrición a predecir el riesgo de enfermedades crónicas. Al analizar grandes cantidades de datos, como la ingesta de alimentos, el estilo de vida, la genética y los datos de salud, se pueden identificar patrones y factores de riesgo para enfermedades como la diabetes, la enfermedad cardiovascular y la obesidad.
Limitaciones y desafíos del uso de la Inteligencia Artificial
Aunque el uso de la IA y el ML en la nutrición ofrece muchas posibilidades, no se puede ignorar que también presenta limitaciones y desafíos. En particular, la complejidad creciente de las aplicaciones de la IA dificulta a los investigadores comprender cómo funcionan estás técnicas y cómo se llega a una determinada decisión o resultado. Este problema es especialmente crítico en ámbitos como la salud, la seguridad y la justicia, donde las decisiones basadas en la IA pueden tener un impacto significativo en la vida de las personas. Por otro lado, es esencial garantizar que los datos recopilados sean precisos y confiables para asegurar que las recomendaciones y tratamientos sean precisos y efectivos. Además, es importante tener en cuenta que la IA y el ML son herramientas complementarias, y “no” pueden reemplazar la experiencia y el juicio clínico de los profesionales de la nutrición.
Además, es importante desarrollar sistemas de IA merecedores de confianza, puesto que los seres humanos solamente podrán confiar en ellos y aprovechar todos los beneficios que ofrece si tanto esta tecnología como las personas y los procesos subyacentes a ella son fiables. La fiabilidad es el requisito previo para que las personas y sociedades desarrollen, desplieguen y utilicen sistemas de IA. Si estos sistemas, y las personas que se encuentran detrás de ellos, no demuestran ser merecedores de confianza, pueden producirse consecuencias no deseadas que obstaculicen su adopción, impidiendo el logro de los enormes beneficios económicos y sociales que pueden acarrear los sistemas de IA. Por ello, la Unión Europea ha establecido unas directrices para promover el desarrollo de una IA fiable que respete los derechos fundamentales, posicionándose como el centro de desarrollo y como líder en el campo de una tecnología ética y de vanguardia (https://artificialintelligenceact.eu).
Por último, la transparencia de los modelos generados es un requisito especialmente crítico en ámbitos como la salud y la nutrición donde las decisiones basadas en la IA pueden tener un impacto significativo en la vida de las personas, siendo fundamental que los expertos comprendan cómo y en que se basa el modelo para realizar su predicción. Existe todo un campo de investigación, denominado IA explicable (conocido por las siglas XAI), que intenta resolver esta cuestión a fin de entender mejor los mecanismos subyacentes a estos sistemas y encontrar soluciones.
Concepción Aguilera es Doctora en Farmacia, Licenciada en Ciencia y Tecnología de los Alimentos y diplomada en Nutrición por la Universidad de Granada. Secretaria de la Sociedad Española de Investigación en Nutrición y Alimentación en Pediatría (SEINAP), Vicepresidenta de la Sociedad Española de Nutrición (SEÑ), miembro de la Sociedad Española de para el estudio de la Obesidad (SEEDO) y de la red CIBER de Obesidad y Nutrición (CIBEROBN). Su línea de investigación se centra en la aplicación de análisis Ómicos e inteligencia artificial para el estudio de la obesidad infantil y sus comorbilidades.
