Investigadores del Mount Sinai de Nueva York presentaron una herramienta de inteligencia artificial en la UCI capaz de anticipar la desnutrición en pacientes conectados a ventiladores. El avance, publicado en *Nature Communications* el 17 de diciembre de 2025, abre la puerta a una atención más precisa en las primeras etapas del tratamiento intensivo.
La urgencia nutricional en las unidades de cuidados intensivos
Los pacientes críticos que ingresan a una unidad de cuidados intensivos (UCI) enfrentan múltiples riesgos, pero uno de los más persistentes y menos visibles es la desnutrición. Los estudios clínicos muestran que entre el 40% y el 60% de los ingresados en la UCI presentan deficiencias nutricionales en los primeros días de estancia. Este déficit no solo compromete la recuperación, sino que aumenta la probabilidad de infecciones, prolonga la estancia hospitalaria y eleva los costos de atención.
En este contexto, la inteligencia artificial en la UCI emerge como una promesa de cambio estructural. Un equipo de investigación de la Escuela de Medicina Icahn en Mount Sinai ha desarrollado un modelo basado en aprendizaje automático llamado NutriSighT. Este programa analiza datos clínicos rutinarios —como signos vitales, parámetros bioquímicos, tratamientos y registros de alimentación— para estimar, cada cuatro horas, el riesgo de subalimentación en pacientes conectados a ventiladores mecánicos.
Según los resultados del estudio, entre el 41% y el 53% de los pacientes continuaban desnutridos al tercer día de hospitalización con ventilador, y entre un 25% y un 35% seguían sin una ingesta adecuada al séptimo día. Estas cifras, obtenidas de bases de datos de hospitales de Estados Unidos y Europa, confirman una tendencia sostenida: la dificultad de ajustar el soporte nutricional en entornos altamente dinámicos.
¿Cómo funciona esta nueva herramienta basada en inteligencia artificial?
El modelo de NutriSighT emplea una técnica de inteligencia artificial supervisada que detecta patrones en grandes volúmenes de datos heterogéneos. Cada cuatro horas, el sistema procesa indicadores como frecuencia cardíaca, presión arterial, niveles de sodio, marcadores de inflamación y dosis de sedación. Con esta información, emite una predicción de riesgo nutricional personalizada y una explicación del peso que cada variable tiene en la evaluación.
El Dr. Girish Nadkarni, coautor principal del estudio y director de inteligencia artificial del Mount Sinai Health System, explicó que la principal ventaja del modelo es su capacidad de aprendizaje adaptativo. “El objetivo es identificar a tiempo quiénes están en riesgo de desnutrición durante su estancia en la UCI y adaptar su plan nutricional sin demora”, indicó. A diferencia de los protocolos manuales tradicionales, esta herramienta permite ajustes dinámicos que responden a la evolución fisiológica del paciente.
Para los médicos intensivistas, integrar estos algoritmos en los flujos de trabajo puede actuar como un sistema de alerta temprana. En lugar de sustituir la valoración clínica, proporciona señales objetivas sobre pacientes potencialmente vulnerables, reduciendo la brecha entre diagnóstico y acción terapéutica.
¿Por qué la nutrición es tan difícil de ajustar en cuidados intensivos?
En la práctica hospitalaria, calcular los requerimientos calóricos en pacientes intubados o sedados es complejo. Factores como la inflamación sistémica, la fiebre, el uso de sedantes, los cambios metabólicos y la imposibilidad de ingerir alimentos de forma oral alteran el equilibrio energético. Los métodos convencionales, basados en fórmulas estandarizadas, suelen quedar obsoletos cuando la condición clínica cambia rápidamente.
Además, los equipos médicos deben equilibrar la necesidad de una nutrición adecuada con el riesgo de complicaciones como la aspiración o la intolerancia gastrointestinal. Este dilema conduce, en muchos casos, a la subalimentación. “La velocidad de cambio de los pacientes críticos supera la capacidad humana para recalcular cada parámetro nutricional en tiempo real”, afirmó el Dr. Ankit Sakhuja, profesor asociado de inteligencia artificial aplicada a la medicina en Mount Sinai.
Los investigadores sostienen que el problema no es únicamente técnico, sino estructural. La falta de interoperabilidad entre los sistemas de monitoreo, los historiales clínicos y las bases de datos nutricionales impide una visión integral del estado del paciente. En este escenario, la inteligencia artificial en la UCI se convierte en una herramienta de conexión, capaz de integrar fuentes antes aisladas y traducirlas en decisiones clínicas prácticas.
El aporte de los datos: un cambio en la práctica nutricional crítica
Los avances recientes en salud digital y aprendizaje automático han permitido aprovechar grandes volúmenes de información biomédica. En el caso del Mount Sinai, el modelo se entrenó con datos de miles de pacientes admitidos en cuidados intensivos entre 2020 y 2024, provenientes de diversos hospitales estadounidenses y europeos. Con este enfoque, los investigadores pudieron comprobar que ciertos parámetros —como la presión arterial media, el nivel de sodio sérico y la cantidad de sedación administrada— influyen directamente en el riesgo de subalimentación.
Esta transparencia del modelo es relevante porque ofrece un nivel de explicabilidad que faltaba en los sistemas anteriores. Cada estimación puede ir acompañada de una descripción de las variables que más pesan en la predicción, lo que permite a los profesionales entender el razonamiento detrás de la alerta. De este modo, el algoritmo se convierte en un apoyo a la toma de decisiones, sin sustituir el criterio médico.
¿Qué impacto podría tener esta innovación en los resultados clínicos?
Según los análisis proyectados por el equipo de Mount Sinai, si el sistema se implementara en tiempo real, podría reducir la tasa de desnutrición hospitalaria hasta en un 20% durante la primera semana de estancia en la UCI. Esta mejora tendría un efecto transversal en la evolución clínica: incrementaría la tolerancia a los tratamientos invasivos, disminuiría el riesgo de infecciones asociadas al soporte ventilatorio y acortaría los periodos de hospitalización.
La literatura científica respalda esta relación. Un metaanálisis del Journal of Parenteral and Enteral Nutrition indica que los pacientes críticamente enfermos que reciben nutrición adecuada tienen un 25% menos de mortalidad en la UCI respecto a aquellos con déficit energético. Sin embargo, los criterios de ajuste siguen siendo poco normalizados, variando entre hospitales y países.
En este vacío normativo, la herramienta desarrollada por Mount Sinai podría ofrecer una base objetiva para nuevas guías de práctica clínica. Si las predicciones son validadas en más entornos, el modelo podría integrarse a gran escala en los registros médicos electrónicos y coordinarse con sistemas automatizados de dispensación de nutrición enteral y parenteral.
Los desafíos de integrar la inteligencia artificial en la UCI
La incorporación de inteligencia artificial en contextos críticos presenta desafíos técnicos, éticos y regulatorios. Uno de los principales es la necesidad de garantizar la precisión y seguridad del modelo en diferentes tipos de poblaciones. Las UCIs pediátricas, por ejemplo, implican patrones metabólicos muy distintos a los adultos, lo que podría requerir nuevos entrenamientos específicos.
Otro reto es la gestión de los datos. Los algoritmos necesitan información completa y de calidad, pero los historiales clínicos suelen contener lagunas o inconsistencias. Las instituciones deben definir estrategias claras de anonimización y protección de datos para evitar riesgos de privacidad. El cumplimiento de normativas como el Reglamento General de Protección de Datos (GDPR) en Europa o la HIPAA en Estados Unidos resulta esencial para su adopción.
En paralelo, los clínicos deben recibir formación sobre el funcionamiento de los modelos, no solo para interpretarlos correctamente, sino también para identificar posibles sesgos. En palabras de Sakhuja, “la inteligencia artificial no reemplaza el juicio clínico; amplifica la capacidad del médico de ver patrones que antes eran imperceptibles”.
La evolución del uso de IA en la medicina crítica
El caso de NutriSighT se suma a un conjunto cada vez mayor de aplicaciones de inteligencia artificial en entornos de alta complejidad. Desde algoritmos que predicen sepsis hasta sistemas que ajustan la administración de líquidos y electrolitos, la automatización basada en datos se ha convertido en una tendencia creciente en la medicina intensiva.
De acuerdo con un informe del European Society of Intensive Care Medicine, más de 120 proyectos de IA clínica están actualmente en fase de prueba, con un aumento del 35% en publicaciones científicas sobre el tema entre 2020 y 2025. Si bien muchas de estas herramientas están aún en etapas preliminares, la integración gradual en circuitos hospitalarios ya está mostrando beneficios en monitoreo continuo, eficiencia operativa y predicción de complicaciones.
El reto común sigue siendo la validación multicéntrica. Los expertos advierten que la fidelidad de un modelo puede disminuir fuera de su contexto de entrenamiento. Por eso, las próximas fases del proyecto de Mount Sinai incluyen pruebas en hospitales de América Latina y Asia para confirmar la robustez del sistema en contextos de recursos variados.
Perspectivas para una nutrición personalizada en cuidados intensivos
El desarrollo de la inteligencia artificial en la UCI apunta a un futuro donde la nutrición crítica deje de ser una estimación basada en promedios poblacionales y se convierta en un proceso personalizado. Si los algoritmos logran incorporarse de forma segura y ética al flujo clínico, podrán anticipar necesidades, reducir errores de cálculo y guiar estrategias más efectivas de recuperación.
Los investigadores del Mount Sinai prevén que, en la siguiente etapa, NutriSighT pueda integrarse automáticamente en los historiales electrónicos de salud, ofreciendo alertas predictivas sincronizadas con el resto de los sistemas de soporte vital. Este marco integrador podría marcar un cambio estructural en la práctica de la medicina intensiva, centrando cada decisión nutricional en evidencia dinámica y personalizada.
Más allá de la innovación técnica, este avance plantea una reflexión sobre el equilibrio entre automatización y juicio clínico. Las herramientas de inteligencia artificial, aplicadas con prudencia, podrían permitir un estándar de atención más ajustado a la realidad fisiológica de cada paciente, acortando las brechas que hoy persisten entre el conocimiento médico y su aplicación diaria en las unidades de cuidados intensivos.
Oli Seoane es médica clínica especializada en nutrición y longevidad. Se dedica a la prevención y a derribar mitos de salud con información clara, basada en evidencia. Como comunicadora, traduce la ciencia a un lenguaje simple para ayudar a las personas a vivir mejor.
