DiarioAr

La inteligencia artificial (IA) representa la inteligencia realizada por máquinas que imitan las funciones cognitivas de los seres hu-manos, como percibir, razonar, aprender y resolver problemas. Por su parte, el aprendizaje automático (ML, machine learning) es una rama de la IA que permite a las máquinas aprender a partir de datos, adaptarse y mejorar al realizar diferentes tareas, como predicciones, clasificaciones y regresiones. Los algoritmos se pue-den categorizar como ML supervisado o no supervisado si utilizan datos de entrada/salida etiquetados o no etiquetados, respecti-vamente1. Debido a la complejidad y la gran cantidad de datos, se necesitan análisis matemático-computacionales eficientes, en términos de tiempo y recursos, para extraer información relevan-te y facilitar su interpretación. En esencia, estos no se consideran métodos novedosos, pero constantemente se proponen mejoras o combinaciones de algoritmos para optimizar el rendimiento del análisis. Cabe resaltar que tanto IA como ML se consideran pala-bras de moda (buzzwords) y a menudo son mal utilizados o ma-linterpretados, por lo que es fundamental que los profesionales e investigadores cuenten con un sólido conocimiento o el apoyo adecuado para su correcta aplicación y comprensión.

Derivado de la socialización y uso inadecuado de herramientas de la IA, diversos grupos de investigación y comités editoriales han planteado una serie de preocupaciones sobre el uso de la misma en el quehacer científico: aspectos relacionados con el plagio2, pérdida de la protección de la información, el surgimien-to de superinteligencias3 y el uso de asistentes virtuales como ChatGPT (OpenAI, San Francisco, CA) para la redacción parcial y/o total de artículos científicos. Aunque en la actualidad es un desafío identificar de manera precisa un texto generado por un asistente virtual4, existen herramientas web que pueden ayudar a detectar textos generados por IA, como GPT-2 Output Detector (https://openai-openai-detector—nx2r9.hf.space/) y Compilatio (https://ai-detector.compilatio.net/). Además, Gao et al. mostra-ron que la revisión por pares académicos pudo detectar hasta un 68% de los resúmenes generados por IA, destacando que estos textos se caracterizaban por ser superficiales y carecer de pro-fundidad en el tema5.

Con lo anterior, se espera que se publiquen nuevos proyectos que incluyan: i) modelos entrenados para detectar textos generados por IA; ii) análisis del patrón de escritura del autor en trabajos previos; iii) detección confiable de parafraseo; iv) generación de registros de penalización por plagio o mal uso de estas herra-mientas digitales; y v) seguimiento de los principios de locali-zación, accesibilidad, interoperabilidad y reutilización (FAIR) de estas nuevas herramientas de detección. En esta misma línea, existen iniciativas como el Consenso de Beijing sobre Inteligencia Artificial y Educación de la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO, por sus si-glas en inglés) en el marco de la Agenda Mundial de Educación 20306 y el informe Futures4Europe del Proyecto HORIZON de la

Comisión Europea7 que buscan acercar lineamientos para el uso de la IA en la comunicación científica. Ahora bien, más allá de los modelos de lenguaje generati-vo basados en transformadores (GPT, por sus siglas en inglés “Generative Pre-trained Transformer”), como los asistentes virtua-les, en el campo de la nutrición y dietética existen otras aplica-ciones de gran interés. La IA bajo el paradigma del ML no super-visado representa una herramienta prometedora para identificar características relevantes de pacientes, usuarios o atletas que nos permitan categorizarlos en algún tipo de perfil (por ejem-plo, patrón de comportamiento, consumidor, paciente complica-do, atleta de élite, etc.). Esto permite una caracterización menos sesgada de diferentes variables, medir asociaciones y/o realizar predicciones que resulten en la selección de metodologías de in-tervención más adecuadas y con mayor tasa de éxito8.

Por otro lado, considerando el poder predictivo de los métodos de ML supervisado, se han utilizado diferentes algoritmos para la evaluación de la ingesta alimentaria así como para la genera-ción de recomendaciones nutricionales en plataformas de salud que se basan en modelos de decisión híbridos humano-máquina9. Adicionalmente, como resultado del aislamiento social causado por la pandemia de COVID-19, la antropometría digital se ha con-vertido en una línea de investigación activa y se han desarrolla-do metodologías para estimar variables morfológicas (medidas básicas y perímetros corporales) y de composición corporal me-diante el procesamiento de siluetas y de la imagen corporal en 3D. La rapidez de detección de las variables junto a la validez y concordancia con métodos de referencia (resonancia magnética nuclear y absorciometría de rayos X de doble energía) hacen de la antropometría digital una herramienta prometedora que, en el futuro, pueda ser más empleada por el colectivo de dietistas-nutricionistas. Sin embargo, se requiere mayor investigación para la estandarización de la antropometría digital debido a la variabilidad de protocolos, hardware y software10.

En lugar de reemplazar a los profesionales de la salud, estas me-todologías brindan un enfoque que favorece el logro de los obje-tivos de la nutrición. Se invita a la comunidad de profesionales e investigadores a realizar un proceso de alfabetización científica en este campo del conocimiento para adquirir las habilidades ne-cesarias para el uso correcto de algoritmos de ML en nutrición, incluyendo la evaluación del estado de nutrición, diagnóstico nu-tricional, la consejeria y educación nutricional, así como el mo-nitoreo y seguimiento nutricional, entre otras aplicaciones, más allá de la comunicación científica. 

Por lo anterior, desde el comité editorial de la Revista Española de Nutrición Humana y Dietética (RENHyD), invitamos a nues-tros lectores, autores y revisores a participar en la alfabetiza-ción y educación para integrar de manera ética las herramien-tas basadas en IA en la atención nutricional y en el proceso de

Fuente : renhyd.org