NUTRICIÓN HOSPITALARIA: INTELIGENCIA ARTIFICIAL GENERATIVA CHATGPT EN NUTRICIÓN CLÍNICA: AVANCES Y DESAFÍOS.

La revisión analiza cómo ChatGPT y otras herramientas de inteligencia artificial (IA),

1. DATOS PERSONALES DATOS ACADEMICOS
CODIGO APELLIDOS Y NOMBRES ASIGNATURA
CCOA RAMOS EDITH METODOLOGIA DE LA INVESTIGACION CIENTIFICA 1
PINEDO ARAUJO ELIANY

LIZETH TATIANA
CONDOR CHUMBIMUNI DOCENTE:
Mag. FELIX
VALERIO HARO
CARRERA
PROFESIONAL
TECNOLOGIA MEDICA 1- TEMAS
GENERALES
Nutrición
FISIOTERAPIA Nutrición Clínica
CICLO II 2. SUJETO personal de salud
AULA VIRTUAL 3.LUGAR Hospital SJL- Lima
TURNO NOCHE 4. TIEMPO 2025 SEMESTRE 2025-II

TITULO DEL PROYECTO DE INVESTIGACION
Nutrición y su relación con la Nutrición clínica del personal de salud en el hospital SJL- LIMA 2025



RESUMEN:









VARIABLE DEFINIDAS EN SU TITULO DE INVESTIGACION

SUBTEM O
VARIBLE 01 Nutrición

SUBTEM O
VARIBLE O 02 Nutrición Hospitalaria














Titulo

2. Índice

1. Resumen ................................................................................................... 3
2. Metodología .............................................................................................. 4
2.1 Tipos de estudios revisados y sus métodos: ........................................... 4
3. Introducción ............................................................................................... 6
4. Planteamiento del Problema ..................................................................... 7
4.1 El Potencial versus la Evidencia Escasa ................................................. 7
4.2 Deficiencias Críticas en la Precisión y la Integración .............................. 7
4.3 Limitaciones Funcionales y Éticas ..................................................... 8
5. Objetivo ..................................................................................................... 9
6. Marco Teórico .......................................................................................... 10
7. Resultados ............................................................................................... 11
7.1 Deficiencias de Micronutrientes: ............................................................ 11
7.2 Evaluación Experta y Aplicabilidad Clínica ............................................ 12
7.3 Utilidad en Enfermedad Renal Crónica (ERC) ...................................... 12
8. Conclusión .............................................................................................. 13
9. Referencia bibliográfica ........................................................................... 14

3. NUTRICIÓN HOSPITALARIA:

INTELIGENCIA ARTIFICIAL GENERATIVA CHATGPT EN
NUTRICIÓN CLÍNICA: AVANCES Y DESAFÍOS.

1. Resumen

La revisión analiza cómo ChatGPT y otras herramientas de inteligencia artificial (IA),
basadas en el aprendizaje automático y profundo, tienen el potencial de modificar
el manejo nutricional en la práctica clínica. Esta tecnología, desarrollada por
OpenAI, es ampliamente utilizada y destaca por su enfoque interactivo,
personalizado y su capacidad de ofrecer respuestas coherentes y precisas en
tiempo real.

4. 2. Metodología

El artículo constituye una Revisión que sintetiza hallazgos de estudios recientes
que evaluaron a ChatGPT en nutrición clínica.

2.1 Tipos de estudios revisados y sus métodos:

➢ Evaluación de Asesoramiento Dietético General: Se revisaron trabajos
que evaluaron la capacidad de ChatGPT 3.5 para ofrecer asesoramiento
dietético en patologías específicas (dislipidemia, DM2, obesidad, ERC,
sarcopenia) y escenarios complejos. Las respuestas fueron comparadas
con guías internacionales y evaluadas por expertos (dietistas y médicos).

➢ Evaluación de Planes de Comidas Personalizadas:
• Estudios compararon ChatGPT y Bard en la generación de 108
planes de comidas para diferentes patrones dietéticos (omnívoro,
vegetariano, vegano), evaluando su cumplimiento con los
Requerimientos Dietéticos de Referencia (DRI). Se utilizaron prompts
simples y avanzados.
• Otros estudios compararon las versiones GPT-3.5 y GPT-4 con
sistemas basados en el conocimiento (KB) validados por expertos,
usando métricas de precisión nutricional y variabilidad.
• Se evaluaron planes de dieta generados por ChatGPT-4 para
pacientes con obesidad, comparándolos con planes de control de
centros médicos, con una evaluación cualitativa por 67 especialistas
(médicos, dietistas y enfermeros).

5. Resultados

Precisión y Desviaciones en Planes de Dieta:
❖ Los estudios indican que ChatGPT logra precisiones elevadas en preguntas
relacionadas con guías clínicas.
❖ Sin embargo, los planes generados a menudo tienen desviaciones
calóricas significativas; por ejemplo, hasta un 20% de diferencia con respecto a
los objetivos energéticos previstos, o desviaciones de hasta +361 kcal en dietas
para hipertrigliceridemia.
❖ En la planificación de comidas, el promedio estuvo por debajo del
requerimiento energético objetivo (1874 ± 333 kcal en un objetivo de 2200
kcal/día).

❖ El sistema basado en conocimiento (KB) mostró mayor precisión
(desviación del 0.8% del objetivo), mientras que ChatGPT presentó
desviaciones promedio del 19% sin la inclusión de energía personalizada
en el prompt.

6. 3. Introducción

El interés en buscar información sobre salud a través de internet ha aumentado
considerablemente. ChatGPT (Chat Generative Pretrained Transformer), un
chatbot desarrollado por OpenAI, se ha posicionado como una herramienta
ampliamente utilizada. Utiliza algoritmos avanzados de aprendizaje automático
para responder a preguntas en texto de manera similar a una conversación
humana, demostrando capacidad para comprender el contexto y ofrecer respuestas
coherentes. Su enfoque interactivo y personalizado, junto con su acceso gratuito e
inmediato, lo convierte en una herramienta accesible para quienes buscan
orientación nutricional en línea.
Los profesionales de la salud han mostrado interés en usar esta tecnología para
optimizar el cuidado de los pacientes, los diagnósticos y los tratamientos. Sin
embargo, la evidencia científica sobre el uso de ChatGPT para aumentar el
conocimiento nutricional es aún escasa. Un estudio concluyó que, si bien tiene
potencial, no puede sustituir la experiencia de un dietista, especialmente en el
manejo de condiciones clínicas complejas, debido a limitaciones como errores en
las respuestas y la incapacidad de interpretar señales no verbales.

7. 4. Planteamiento del Problema

El sobre el uso de la Inteligencia Artificial Generativa (ChatGPT) en nutrición clínica
se puede resumir en la dicotomía entre el gran potencial de la herramienta como
asistente y su falta de precisión y capacidad de integración clínica en escenarios
complejos, lo que justifica la necesidad de investigar sus avances y desafíos.
A continuación, se presenta un resumen de los puntos clave del problema:

4.1 El Potencial versus la Evidencia Escasa
❖ Auge y Accesibilidad: El interés en buscar información sobre salud en
internet ha aumentado considerablemente. ChatGPT se ha posicionado
como una herramienta eficiente y accesible, que utiliza algoritmos
avanzados para ofrecer respuestas coherentes y precisas.
❖ •Interés Clínico: Los profesionales de la salud tienen un interés creciente
en usar esta tecnología para optimizar el cuidado, mejorar diagnósticos y
tratamientos, planteando a ChatGPT como un potencial asistente virtual en
el Proceso de Atención Nutricional (PAN), especialmente útil en el contexto
de la escasez de recursos humanos.
❖ Problema de Base: No obstante, la evidencia científica sobre el uso de
ChatGPT para aumentar el conocimiento nutricional en pacientes con
enfermedades crónicas no transmisibles es aún escasa.

4.2 Deficiencias Críticas en la Precisión y la Integración
Aunque ChatGPT puede lograr precisiones elevadas en preguntas relacionadas
con guías clínicas, presenta deficiencias que restringen su aplicación clínica sin
supervisión.
❖ Inexactitud Nutricional: Los planes de alimentación generados por la IA a
menudo muestran desviaciones calóricas significativas (hasta un 20 % de
diferencia respecto a los objetivos energéticos previstos). También se
detectan desequilibrios de micronutrientes, como niveles insuficientes de
Vitamina D y B12.
❖ Manejo de Casos Complejos: En pacientes con múltiples afecciones (por
ejemplo, diabetes mellitus tipo 2, obesidad y enfermedad renal crónica),
ChatGPT no logra integrar recomendaciones contradictorias (como la

8. ingesta de proteínas) y omite detalles críticos (como el manejo de
electrolitos y fluidos).
❖ Errores en el Contenido: En dietas especializadas, se han detectado
errores en porciones, calorías y la inclusión de alimentos inadecuados (por
ejemplo, tomates en pacientes con insuficiencia renal y reflujo ácido).



4.3 Limitaciones Funcionales y Éticas

El modelo de IA carece de capacidades humanas esenciales para una atención
integral:
❖ Riesgos Éticos y de Seguridad: Existen preocupaciones fundamentales
sobre la privacidad y seguridad de los datos sensibles de los pacientes. La
ausencia de un marco normativo para la responsabilidad ética en caso de
errores en las recomendaciones también es una barrera crítica.
El problema, por lo tanto, es que ChatGPT, aunque prometedor como
complemento educativo, no puede sustituir la experiencia de un dietista en el
manejo de condiciones clínicas complejas debido a estas limitaciones funcionales
y la falta de precisión inherente a un sistema basado en patrones estadísticos en
lugar de una verdadera comprensión contextual.

9. 5. Objetivo

El objetivo de la presente revisión es actualizar los diferentes usos que se están
realizando con ChatGPT en el área de la nutrición clínica, tanto en el diagnóstico
como en el tratamiento nutricional. Este objetivo se plantea con base en el creciente
interés y la evidencia limitada sobre la aplicación de esta tecnología en el ámbito
clínico:

❖ Contexto de la Herramienta: ChatGPT se ha posicionado como una
herramienta ampliamente utilizada que emplea algoritmos avanzados de
aprendizaje automático para ofrecer respuestas coherentes y precisas en
texto.

❖ Motivación Profesional: Existe un creciente interés por parte de los
profesionales de la salud en usar esta tecnología innovadora para
optimizar el cuidado de los pacientes, así como para mejorar los
diagnósticos y los tratamientos.


❖ Necesidad de Evidencia: Aunque la IA generativa tiene un potencial
prometedor, la evidencia científica sobre el uso de ChatGPT para
aumentar el conocimiento nutricional de los pacientes con enfermedades
crónicas no transmisibles (ENT) es aún escasa.
En resumen, la revisión busca informar sobre la aplicación práctica de
ChatGPT en las dos áreas fundamentales del manejo clínico nutricional: la
identificación de problemas (diagnóstico) y las estrategias para abordarlos
(tratamiento nutricional).

10. 6. Marco Teórico
Definición y Tecnología: ChatGPT y otras herramientas de inteligencia artificial (IA)
se basan en el aprendizaje automático y profundo. Su enfoque computacional está
basado en datos (Data-driven), usa aprendizaje por transferencia, y la toma de
decisiones se basa en la comprensión contextual (Contextual understanding). Esto
contrasta con los sistemas basados en el conocimiento (Knowledge-driven), que
usan conocimiento explícito y lógica basada en reglas.
Potencial en el Proceso de Atención Nutricional (PAN): ChatGPT podría actuar
como asistente virtual para complementar el proceso asistencial en nutrición,
especialmente ante la escasez de recursos humanos. Puede apoyar en:
• Evaluación nutricional: Proporcionando información sobre guías dietéticas,
nutrientes y necesidades calóricas según el perfil del paciente.
• Diagnóstico nutricional: Ayudando a identificar problemas nutricionales y
proponiendo diagnósticos con terminología estandarizada.
• Intervención nutricional: Ofreciendo estrategias de cambio de comportamiento,
recomendaciones dietéticas personalizadas y sugerencias para mejorar recetas.
• Monitorización y evaluación: Facilitando el seguimiento del progreso mediante
herramientas de registro de alimentos.

11. 7. Resultados

la Generación de Planes de Dieta Personalizados
Los estudios que evaluaron la validez de los planes de alimentación generados por
ChatGPT destacaron problemas de precisión calórica y desequilibrios nutricionales
❖ Desviaciones Calóricas Significativas: Los planes de comidas generados a
menudo tienen desviaciones calóricas significativas.
❖ Un estudio reportó diferencias calóricas medias del 20 % en relación con los
objetivos energéticos previstos.
❖ Otro estudio (Papastratis y cols.) encontró que, sin incluir energía
personalizada en el prompt, ChatGPT presentó desviaciones del 19 % de
media; esta desviación se redujo al 3 % en GPT-4 cuando se incluyó el valor
energético.
❖ En dietas para hipertrigliceridemia, se observaron desviaciones calóricas de
hasta +361 kcal.
❖ En un objetivo de 2200 kcal/día, los planes generados estuvieron en
promedio por debajo (1874 ± 333 kcal).
❖ Desequilibrios de Macronutrientes:
❖ Se observaron desequilibrios en la proporción de carbohidratos y grasas,
con niveles de grasa alcanzando hasta el 43 % del total energético en
algunos menús.
❖ Los planes omnívoros a menudo excedieron significativamente los
Requerimientos Dietéticos de Referencia (DRI) para proteínas.
7.1 Deficiencias de Micronutrientes:
❖ La Vitamina D estuvo repetidamente baja en todos los planes analizados.
❖ La Vitamina B12 fue insuficiente en todos los planes veganos.
❖ El flúor estuvo significativamente por debajo de los DRI en todos los
planes.
❖ Se detectaron deficiencias significativas en calcio en dietas para el
manejo de DM2 y síndrome metabólico.
❖ Dependencia del Prompt: Contrario a lo esperado, los prompts
avanzados no mejoraron significativamente la precisión de los planes. La
calidad del plan dependía de la claridad y especificidad del prompt inicial.

12. 7.2 Evaluación Experta y Aplicabilidad Clínica:

❖ Errores Específicos: En el diseño de dietas para pacientes con alergias
alimentarias, se detectaron errores en las porciones, las calorías de los
alimentos e incluso en las dietas completas. En planes para pacientes en
hemodiálisis, se incluyeron alimentos inadecuados.
❖ Juicio Clínico: En un estudio que comparó planes de dieta para pacientes
con obesidad con planes de control, el 79,1 % de los expertos no pudieron
identificar correctamente el plan generado por la IA.
❖ Seguridad y Uso Clínico: Los planes personalizados para situaciones
complejas obtuvieron una baja intención de uso clínico (5,40/10) debido a
inconsistencias, como la inclusión de alimentos no recomendados (p. ej.,
tomates en pacientes con insuficiencia renal y reflujo ácido).
❖
7.3 Utilidad en Enfermedad Renal Crónica (ERC)
❖ Las versiones más avanzadas (ChatGPT 4) mostraron un alto nivel de
consistencia, con respuestas precisas en el 100 % de las preguntas
basadas en las guías KDIGO y KDOQI.
❖ A pesar de la alta precisión en las guías, las recomendaciones nutricionales
para la ingesta proteica mostraron discrepancias con las guías KDOQI en
todos los modelos evaluados.
En resumen, los resultados muestran que ChatGPT puede ser una herramienta
poderosa para proporcionar información general alineada con las guías, pero su
incapacidad para garantizar la exactitud de los planes de alimentación y para
integrar condiciones médicas complejas revela limitaciones significativas que
requieren supervisión profesional.

13. 8. Conclusión

ChatGPT es una herramienta prometedora con gran potencial para complementar
las consultas clínicas al proporcionar asesoramiento y educación. Sin embargo, no
reemplaza a los expertos en nutrición.
Para maximizar su utilidad de manera segura, es fundamental abordar sus
limitaciones funcionales y éticas, especialmente la falta de una comprensión
contextual real.
❖ Deficiencias Funcionales: La IA tiene dificultades para realizar evaluaciones
físicas o interpretar señales no verbales, aspectos esenciales de la
evaluación nutricional integral.

14. 9. Referencia Bibliográfica

1. Daniel de Luis Román1,2,3: Inteligencia artificial generativa ChatGPT en
nutrición clínica: avances y desafíos
https://www.nutricionhospitalaria.org/articles/05692/show#!