Millones de personas abren una aplicación de seguimiento de calorías todos los días, toman una foto de su almuerzo y confían en el número que aparece en la pantalla para guiar sus decisiones de control de peso. Parece científico: una fotografía, un algoritmo, un recuento preciso de calorías. Pero una nueva investigación presentada en la conferencia NUTRITION 2026 sugiere que la confianza puede estar fuera de lugar. Un estudio realizado por investigadores de los Institutos Nacionales de Salud encontró que cuatro populares aplicaciones de seguimiento de calorías impulsadas por inteligencia artificial subestimaban constantemente el contenido calórico de las comidas estandarizadas en aproximadamente un tercio, con errores que alcanzaban entre 250 y 345 calorías por comida en promedio.
Los hallazgos, presentados el 26 de julio en la reunión anual de la Sociedad Estadounidense de Nutrición por Aaron Hengist, becario visitante postdoctoral en el Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales (NIDDK), y Olivia Charles, becaria de postgrado en NIDDK, plantean preguntas incómodas sobre el universo en rápida expansión de la IA sanitaria orientada al consumidor. Estas herramientas operan casi en su totalidad fuera de la regulación de dispositivos médicos, su funcionamiento interno es secretos de propiedad exclusiva y, como muestran los datos, sus errores no son ruido aleatorio sino distorsiones sistemáticas que podrían sabotear silenciosamente los objetivos de las mismas personas que dependen de ellas.
El estudio se realizó dentro de un ensayo de nutrición más amplio del Centro Clínico de los NIH que comparó dietas bajas en carbohidratos (cetogénicas) con patrones dietéticos estándar. Esa configuración dio a los investigadores una rara ventaja: control total sobre lo que iba al plato. Las comidas se prepararon en una cocina metabólica, una instalación de preparación de alimentos con nivel de investigación donde cada ingrediente se pesa con una precisión de 0,1 gramos. El verdadero contenido calórico y de macronutrientes de cada comida se conoció con precisión de laboratorio. Luego se enviaron fotografías de 102 de estas comidas a cuatro aplicaciones líderes: MyFitnessPal, LoseIt!, CalAI y Appediet. Una segunda fase agregó más de 200 comidas adicionales al conjunto de datos.
Los resultados fueron sorprendentes en las cuatro plataformas. En promedio, las aplicaciones subestimaron el contenido calórico de las comidas entre 250 y 345 calorías. Dado que las comidas en el estudio variaron de tamaño moderado a grande, esto representa un error de aproximadamente un 30 por ciento por debajo del valor real. El contenido de grasa se subestimó en aproximadamente 30 gramos por comida, una diferencia sustancial. Las estimaciones de carbohidratos, por el contrario, fueron notablemente más consistentes con los valores reales.
El patrón de error no fue uniforme entre aplicaciones o tipos de comidas, y esa desigualdad cuenta su propia historia. Las comidas ricas en grasas, incluidas las comidas cetogénicas centrales en el ensayo principal de los NIH, produjeron las mayores discrepancias. Las aplicaciones subestimaron constantemente el contenido de grasa y, en consecuencia, las calorías totales de estas comidas. Éste no es un caso trivial. Los patrones dietéticos cetogénicos y otros patrones dietéticos ricos en grasas han ganado popularidad, y muchas de las personas que los siguen son precisamente los usuarios que más se apoyan en las herramientas de seguimiento para mantenerse dentro de sus objetivos de macronutrientes.
También hubo diferencias significativas entre las aplicaciones. MyFitnessPal y LoseIt! mostró una mayor precisión para las comidas ricas en calorías, lo que sugiere que algunos algoritmos pueden funcionar adecuadamente dentro de ciertos rangos mientras que se degradan significativamente en otros. Mientras tanto, CalAI y Appediet subestimaron el recuento de calorías de manera más consistente en todos los ámbitos, independientemente del tamaño o la composición de la comida.
Nada de esto debería sorprender en retrospectiva, señalan los investigadores, y sin embargo lo es. Las aplicaciones se presentan a los usuarios como instrumentos de medición y se supone que los instrumentos de medición son precisos. Pero a diferencia de una báscula de baño o un monitor de glucosa en sangre, la Administración de Alimentos y Medicamentos no regula estas herramientas como dispositivos médicos. Son productos de software de consumo, no sujetos a ningún estándar de precisión, y sus algoritmos son cajas negras cuyos datos de entrenamiento y modos de falla son desconocidos para el público y, a menudo, también para la comunidad científica.
Este es el problema de la caja negra de las herramientas de salud de IA para el consumidor. Cuando un usuario fotografía un plato de huevos, aguacate y tocino, la aplicación no reconoce la comida como lo haría un nutricionista humano. Compara características visuales con un conjunto de datos de entrenamiento de imágenes etiquetadas, estima el tamaño de las porciones mediante fotogrametría o heurística y luego cruza esas estimaciones con una base de datos de nutrientes. Cada paso en ese proceso introduce errores. El reconocimiento visual puede confundir alimentos de apariencia similar. La estimación del tamaño de la porción puede verse alterada por el ángulo de la fotografía o la profundidad del tazón. La entrada de la base de datos de nutrientes puede corresponder a una versión genérica del alimento que guarda poco parecido con lo que realmente hay en el plato. Y debido a que los datos de capacitación para estos sistemas son propietarios, ningún investigador externo puede auditar dónde falla el proceso.
Lo que hace que los hallazgos de los NIH sean particularmente preocupantes es la naturaleza sistemática del error. Si una aplicación sobrestimara las calorías con tanta frecuencia como las subestimara, un usuario que hiciera un seguimiento de su consumo durante una semana podría acercarse a la verdad mediante el promedio. Pero una herramienta que subestima constantemente en aproximadamente un 30 por ciento no sólo es imprecisa. Es parcial. Una persona que dependa de una aplicación de este tipo para mantener un objetivo de 2.000 calorías por día podría estar consumiendo en realidad 2.600 calorías, todos los días, sin ninguna señal de la herramienta de que algo anda mal. En el transcurso de una semana, esa discrepancia asciende a más de 4000 calorías no contabilizadas, suficiente para compensar por completo el déficit calórico al que apuntan muchos regímenes de pérdida de peso.
Las implicaciones se extienden más allá de la confusión del usuario individual. Los datos de salud de los consumidores provenientes de aplicaciones como estas se incorporan cada vez más a estudios de investigación, registros médicos electrónicos e incluso recomendaciones clínicas. Si las herramientas que generan esos datos albergan errores sistemáticos de esta magnitud, entonces cualquier análisis construido sobre ellos hereda esas distorsiones. Los investigadores de salud pública que se basan en datos de recordatorios dietéticos basados en aplicaciones pueden estar sacando conclusiones sobre patrones alimentarios a nivel de la población que están significativamente sesgados, particularmente en lo que respecta a la ingesta de grasas y para las personas que siguen dietas bajas en carbohidratos.
Los investigadores tienen cuidado en señalar que esta fue una presentación preliminar en una conferencia y aún no ha sido sometida a revisión por pares. La muestra de 102 comidas en la primera fase, si bien se controla cuidadosamente, no es lo suficientemente grande como para caracterizar cada caso extremo en cada versión de aplicación y plataforma. La segunda fase de más de 200 comidas adicionales ayudará a aclarar el alcance y la coherencia del problema. Pero preliminar o no, el hallazgo de que cuatro aplicaciones principales comparten un patrón de error consistente, sustancial y direccionalmente sesgado es una señal de alerta que la comunidad de investigación y el público deberían tomar en serio.
Por ahora, lo que los usuarios deben aprender no es necesariamente abandonar estas herramientas, sino recalibrar lo que creen que están obteniendo. Un rastreador de calorías con IA no es un calorímetro. Es una estimación conveniente generada por un algoritmo patentado entrenado con datos desconocidos, que opera sin supervisión regulatoria y demostrablemente propenso a subestimar los nutrientes que más importan a las personas que lo usan. Controlar el peso ya es bastante difícil sin confiar ciegamente en una caja negra que le indica de manera confiable que su comida fue más pequeña de lo que realmente fue.
El equipo de los NIH planea continuar analizando el conjunto de datos ampliado y explorar si las versiones más nuevas de estas aplicaciones muestran mejoras. Pero a medida que se acelera el mercado de herramientas de salud de IA, la carga de probar productos de consumo que hacen afirmaciones médicas implícitas no debería recaer únicamente en los investigadores académicos. La pregunta que surge del estudio no es si estas aplicaciones a veces son incorrectas. Cada herramienta de medición lo es. La pregunta es si el público merece saber hasta qué punto están equivocados, en qué dirección y en qué condiciones antes de poner sus datos de salud y sus decisiones dietéticas en una caja negra.
Traducido por Alessandra