Los programas de chatgpt prometen la guía de la gestión dietética de Masld

Una nueva investigación sugiere que la inteligencia artificial, a saber, el CHATGPT, puede ser una herramienta viable para ayudar al desarrollo de planes dietéticos y recomendaciones nutricionales para controlar la enfermedad hepática esteatótica asociada a la disfunción metabólica (MASLD).¹

El estudio de simulación utilizó GPT-4O, la versión más reciente del modelo subyacente de ChatGPT, para evaluar el contenido y la idoneidad de los planes de menú generados de 1 día de acuerdo con las pautas específicas de la enfermedad. Los resultados sugieren que ChatGPT demuestra capacidades fundamentales en la formulación de planes de nutrición y ofreciendo recomendaciones para manejar MASLD, pero se observaron discrepancias notables en las distribuciones de macronutrientes y ciertas recomendaciones basadas en evidencia, incluida la dieta mediterránea y la actividad física regular.¹

En marzo de 2024, la Administración de Alimentos y Medicamentos de los Estados Unidos otorgó la aprobación acelerada al resmetirom (Rezdiffra) de Madrigal Pharmaceuticals para el tratamiento de la esteatohepatitis asociada a la disfunción metabólica no cirrótica (MASH) con fibrosis moderada a avanzada. El agonista selectivo de receptor de hormona tiroidea-β oral hizo historia como el primer fármaco que se aprobó para esta indicación y continúa siendo la única opción de tratamiento farmacológico disponible para el puré.²

A pesar de que ahora tiene un medicamento aprobado por la FDA para ofrecer a los pacientes con puré, la atención multidisciplinaria continúa sirviendo como piedra angular del manejo de la enfermedad, incluidas las modificaciones de estilo de vida e intervenciones dietéticas.³

“Si bien la literatura indica que la implementación de la IA puede mejorar la precisión del diagnóstico para la enfermedad hepática esteatótica, sigue habiendo una escasez de investigaciones que evalúan las intervenciones dietéticas impulsadas por la IA en el manejo de Masld”, escribió Tugce Ozlu Karahan, PhD, profesor asistente de la Universidad de Estambul Bilgi y colegues.¹

Para evaluar el potencial de la IA en el desarrollo de planes de manejo nutricional personalizados para MASLD, los investigadores realizaron un estudio de simulación en una cohorte virtual de 48 pacientes diseñados para garantizar una distribución de género equilibrada y una edad estandarizada de 50 años. Los investigadores asignaron estratégicamente valores de peso variables a cada grupo de género para representar categorías de bajo peso, peso normal, sobrepeso y obesidad de acuerdo con las clasificaciones establecidas del índice de masa corporal (IMC).¹

Todos los pacientes simulados fueron designados como un nivel de actividad física sedentaria para mantener la consistencia en la cohorte. Además, a todos los pacientes se les asignó un valor de límite de 325 dB/m para representar una esteatosis significativa. Los valores de LSM varían de 2.5 a 75 kPa para representar niveles variables de fibrosis.¹

En las indicaciones de ChatGPT, los investigadores no proporcionaron objetivos específicos de pérdida de peso, y solo se especificó el estado de la enfermedad de MASLD de los pacientes. Todas las conversaciones se hicieron independientes mediante el uso de una nueva sesión para cada paciente simulado.¹

El contenido y la idoneidad del plan de menú de 1 día se evaluaron de acuerdo con las pautas específicas de la enfermedad de la Asociación Americana para el Estudio de Enfermedades del Hígado, la Asociación Europea para el Estudio del Hígado, la Asociación Europea para el Estudio de Diabetes y la Asociación Europea para el Estudio de la Obesidad. Los valores de energía y nutrientes obtenidos de los planes de menú generados por IA se compararon con los objetivos calculados para determinar la precisión.¹

ChatGPT generó un total de 48 planes de dieta para 48 pacientes simulados con MASLD. La comparación de la energía y el contenido de macronutrientes proporcionados por ChatGPT versus valores calculados por dietistas registrados reveló una precisión media de 91.3 ± 11.0% para la energía; 136.3 ± 10.3% para proteínas; 133.4 ± 2.0% para grasas; 51.2 ± 4.3% para carbohidratos; 136.7 ± 4.3% para ácido graso saturado (SFA) como porcentaje de energía; y 88.1 ± 2.5% para fibra. Los resultados indicaron que los planes dietéticos generados por IA proporcionaron recomendaciones de energía, carbohidratos y fibra más bajas que el recomendado, mientras que las proteínas, las grasas y la SFA como un porcentaje de energía fueron más altos de lo recomendado.¹

El análisis posterior de la precisión por categoría de IMC reveló diferencias significativas entre los grupos para todos los parámetros, excepto la fibra (PAG= 0.963) y SFA como un porcentaje de energía (PAG= 0.257). La precisión de la energía (PAG= 0.001) y grasa (PAG= 0.015) Las recomendaciones aumentaron de pacientes con sobrepeso a sobrepeso, mientras que la precisión de la proteína (PAG<.001) y carbohidratos (PAG= .006) Las recomendaciones disminuyeron de bajo peso a pacientes obesos.¹

Los investigadores también señalaron que, si bien el modelo de IA aconsejó la pérdida de peso para los pacientes con obesidad, sí proporcionó tales recomendaciones para individuos de peso normal o con sobrepeso. Además, ChatGPT no especificó el alcance de la pérdida de peso necesaria para mejorar la adiposidad del hígado y la inflamación lobular.¹

Con respecto a las modificaciones dietéticas, los investigadores observaron las recomendaciones de ChatGPT alineadas con pautas que asesoran a la ingesta reducida de SFA, alimentos y bebidas altas fructosos y alimentos ultra procesados. Sin embargo, señalaron que el modelo de IA no proporcionó orientación para adherirse a una dieta mediterránea o participar en la actividad física.¹

“Nuestros hallazgos sugieren colectivamente que, si bien las herramientas de IA son prometedores para el manejo personalizado de la nutrición, el refinamiento adicional es esencial para garantizar que las recomendaciones dietéticas se alineen con las pautas establecidas”, concluyó los investigadores.¹

Referencias

1. Ozlu Karahan T, Kenger EB, Yilmaz Y. Dietas basadas en la inteligencia artificial: ¿un papel en el tratamiento nutricional de la enfermedad hepática esteatótica asociada a la disfunción metabólica? J Dieta de nutrientes de hum. doi: 10.1111/jhn.70033

2. Brooks A. Resmetirom (Rezdiffra) recibe la aprobación histórica de la FDA para NASH no cirrótica. Hcplive. 14 de marzo de 2024. Consultado el 3 de marzo de 2025. Https://www.hcplive.com/view/resmetirom-rezdiffra-rereceives-historic-fda-approval-for-noncirrotic-nash-nash

3. El modelo de atención multidisciplinaria de Brooks A. mejora los resultados del hígado y metabólicos en el puré. Hcplive. 20 de febrero de 2025. Consultado el 3 de marzo de 2025. Https://www.hcplive.com/view/multidisciplinary-care-model-improves-liver-metabolicomes-mash