Una nueva herramienta de inteligencia artificial en la UCI podría transformar la atención a pacientes críticos. Investigadores del Mount Sinai en Nueva York desarrollaron un modelo capaz de predecir la desnutrición en las primeras horas de hospitalización, un avance que busca mejorar la gestión nutricional y los resultados de recuperación en cuidados intensivos.
Un reto persistente en las unidades de cuidados intensivos
La atención nutricional en la unidad de cuidados intensivos (UCI) ha sido históricamente un desafío para los equipos médicos. Pacientes con ventilación mecánica o con enfermedades críticas presentan una demanda energética cambiante, difícil de medir y de compensar en tiempo real. A pesar de los protocolos establecidos, diversos estudios han evidenciado que entre el 30% y el 60% de los pacientes en UCI no reciben la cantidad de nutrientes necesaria durante los primeros días de hospitalización.
La nueva herramienta de inteligencia artificial en la UCI, denominada NutriSighT, desarrollada por la Escuela de Medicina Icahn del Mount Sinai, busca intervenir precisamente en este punto. El sistema, presentado en la revista Nature Communications el 17 de diciembre de 2025, analiza grandes volúmenes de datos clínicos —signos vitales, resultados de laboratorio, medicamentos, parámetros de ventilación y datos de alimentación— para estimar si un paciente está en riesgo de desnutrición. Cada cuatro horas, el algoritmo actualiza el perfil nutricional del paciente, alertando a los clínicos cuando la alimentación suministrada no coincide con las necesidades metabólicas.
¿Por qué los pacientes de UCI corren tanto riesgo de desnutrición?
La malnutrición en pacientes críticos es un problema multifactorial. Muchos ingresan con condiciones crónicas previas, como insuficiencia renal o cardíaca, que alteran el metabolismo y el balance hídrico. La sedación prolongada, la falta de movilidad y las infecciones severas también incrementan el gasto energético mientras reducen la tolerancia gastrointestinal a los alimentos.
Durante los primeros días en UCI, la prioridad médica suele centrarse en estabilizar funciones vitales, lo que puede retrasar la administración de nutrientes. Este desfase entre necesidad y suministro se traduce en pérdida de masa muscular, mayor riesgo de infecciones y prolongación de la estancia hospitalaria. Según datos de los Institutos Nacionales de Salud de Estados Unidos, los pacientes con déficit nutricional en UCI presentan un 30% más de complicaciones infecciosas y una mortalidad un 10% superior respecto a quienes reciben una nutrición adecuada.
NutriSighT: la inteligencia artificial que aprende del metabolismo humano
El desarrollo de NutriSighT se basó en registros anónimos de miles de pacientes ingresados en unidades de cuidados intensivos en Estados Unidos y Europa. A diferencia de otros modelos predictivos, este sistema utiliza aprendizaje automático supervisado para identificar patrones fisiológicos asociados a la desnutrición. Variables como la presión arterial, los niveles de sodio o la dosis de sedantes se identificaron como indicadores clave.
El algoritmo no sustituye el criterio médico. Según el Dr. Ankit Sakhuja, coautor del estudio y profesor asociado de inteligencia artificial, salud humana y medicina en Mount Sinai, el propósito es ofrecer una herramienta de apoyo que funcione como sistema de alerta temprana. “Las necesidades de los pacientes cambian rápidamente y es fácil que los equipos clínicos se queden atrás”, declaró Sakhuja al presentar el hallazgo.
El modelo aporta, además, transparencia: los médicos pueden ver qué factores influyen en cada predicción y ajustar en consecuencia la pauta nutricional. Este tipo de diseño explicativo apunta a una integración más segura con los sistemas electrónicos de salud hospitalarios, una de las metas futuras del proyecto.
¿Cómo se entrena una herramienta de inteligencia artificial para predecir la nutrición en la UCI?
NutriSighT utiliza datos estructurados obtenidos en tiempo real, lo que representa un cambio respecto a los estudios retrospectivos tradicionales. Los investigadores alimentaron el modelo con millones de puntos de datos: frecuencia cardíaca, niveles de proteína C reactiva, balance de líquidos, administración de fármacos y consumo calórico calculado. La IA correlaciona estos elementos con la evolución nutricional del paciente, definiendo un índice de riesgo dinámico.
Cada cuatro horas, el sistema recalcula probabilidades utilizando aprendizaje continuo o online learning, una técnica que le permite adaptarse a los cambios clínicos del paciente. Durante las pruebas, detectó casos de subalimentación con hasta 80% de acierto dentro de las primeras 48 horas, una anticipación que podría permitir una intervención antes del deterioro metabólico.
La magnitud del problema: cifras globales y brechas clínicas
Un análisis de la Sociedad Europea de Medicina Intensiva estimó en 2024 que hasta un 50% de los pacientes en cuidados críticos en hospitales del continente recibían menos del 70% de sus requerimientos nutricionales diarios. En América Latina, los registros del Observatorio de Nutrición Clínica de la ALACIEM arrojaron cifras similares. Esta brecha repercute directamente en el tiempo medio de estancia, los costos hospitalarios y las tasas de reingreso.
En hospitales donde se aplicaron protocolos estrictos de nutrición, la media de estancia se redujo en 1,8 días y los costos descendieron entre un 8% y un 12%. Aun así, la adherencia varía: los recursos humanos y tecnológicos limitan la implementación uniforme. La automatización y la analítica avanzada, como la ofrecida por la nueva herramienta de inteligencia artificial en la UCI, apuntan a cubrir parte de esa brecha operativa mediante apoyo a la decisión clínica.
¿Qué retos éticos y operativos plantea la introducción de la IA en cuidados críticos?
Integrar algoritmos predictivos en entornos tan sensibles como la UCI no está exento de dilemas. El primero es la fiabilidad de los modelos. Un error de predicción podría conducir a un exceso o déficit de alimentación, con consecuencias fisiológicas relevantes. Por ello, los ensayos de validación son esenciales antes de la aplicación a gran escala.
El segundo reto es la transparencia de los datos y la privacidad. Los investigadores del Mount Sinai indicaron que NutriSighT se entrenó con información anonimizada y bajo estándares éticos aprobados. No obstante, el uso de inteligencia artificial médica plantea aquí, como en otros campos, el debate sobre la propiedad y la protección de los datos de salud.
Finalmente, la aceptación del personal sanitario será determinante. Estudios previos sobre sistemas de apoyo clínico destacan que las herramientas con interfaces intuitivas y explicaciones claras tienen mayor éxito de integración que aquellas percibidas como cajas negras. Este aspecto ha sido tenido en cuenta en NutriSighT, que muestra visualmente cómo cada parámetro influye en el riesgo calculado.
La inteligencia artificial en la medicina crítica: un contexto en expansión
El uso de IA en medicina crítica no es nuevo, pero sí está en una etapa de madurez creciente. Desde 2020, se han desarrollado algoritmos para predecir el riesgo de sepsis, ajustar dosis de antibióticos y monitorizar la función renal. El salto hacia la nutrición clínica representa una ampliación de la aplicación del aprendizaje automático a campos más sutiles, donde las variables no son sólo fisiológicas sino metabólicas.
Durante la pandemia de COVID-19, miles de unidades de cuidados intensivos experimentaron sobrecarga y escasez de personal. Ese contexto impulsó la adopción de herramientas digitales que optimizaban la vigilancia de parámetros críticos, sentando las bases de esta nueva generación de modelos predictivos específicos.
¿Cómo podría transformar NutriSighT la práctica clínica en los próximos años?
Los investigadores planean probar la herramienta en tiempo real dentro de entornos clínicos. Si los resultados mantienen su nivel de precisión, los hospitales podrían integrar el modelo en los historiales electrónicos de pacientes, permitiendo alertas automáticas y recomendaciones personalizadas.
El Dr. Girish Nadkarni, director de inteligencia artificial del Mount Sinai Health System, señaló que el objetivo final es “proporcionar la nutrición adecuada al paciente adecuado en el momento adecuado”. Con ello, se busca sentar las bases para una medicina nutricional personalizada, un concepto que se alinea con la tendencia hacia cuidados intensivos de precisión.
De confirmarse su eficacia, el modelo podría incorporarse a plataformas hospitalarias ya existentes y colaborar con dietistas y especialistas en metabolismo para ajustar la alimentación de forma proactiva.
Cierre: hacia la nutrición personalizada en tiempo real
El desarrollo de la nueva herramienta de inteligencia artificial en la UCI marca un punto de inflexión en la gestión de pacientes críticos. Al combinar el potencial de los datos clínicos con el análisis predictivo, los hospitales podrían anticipar riesgos nutricionales antes de que se materialicen, reduciendo complicaciones y mejorando los resultados postoperatorios.
El desafío inmediato no es sólo tecnológico, sino organizativo y humano: integrar la inteligencia artificial como un complemento a la experiencia médica sin reemplazarla. Si se logra ese equilibrio, la atención nutricional podría pasar de ser un proceso reactivo a uno preventivo, guiado por información en tiempo real y sustentado en evidencia científica más robusta.
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.