Uno de cada diez recién nacidos necesita cuidados intensivos al nacer. Muchos de ellos son prematuros y no pueden alimentarse por vía oral ni digestiva. Para sobrevivir, dependen de la nutrición parenteral total (TPN, por sus siglas en inglés), un tratamiento que suministra nutrientes esenciales directamente al torrente sanguíneo. Aunque vital, este procedimiento es complejo, variable y propenso a errores.
El uso de TPN en unidades de cuidados intensivos neonatales (NICU) se ha mantenido como una fuente frecuente de errores médicos. Las fórmulas nutricionales se preparan a diario para cada bebé, de manera manual y personalizada, lo que requiere una extensa coordinación entre neonatólogos, farmacéuticos y nutricionistas clínicos. Esta variabilidad en la prescripción de TPN puede influir directamente en la evolución clínica del recién nacido.
El problema se agrava en contextos donde no existen guías universales claras. En Estados Unidos, por ejemplo, se recomiendan fórmulas ricas en proteínas, mientras que en Europa se prefiere evitar excesos para reducir riesgos metabólicos. En este escenario, investigadores de la Universidad de Stanford desarrollaron TPN2.0, un modelo de inteligencia artificial que automatiza y estandariza este proceso a partir de datos clínicos reales.
TPN2.0: una herramienta basada en diez años de datos clínicos
El modelo TPN2.0 fue entrenado con más de 79.000 prescripciones médicas de 5.913 recién nacidos, recolectadas durante una década en Stanford Health Care. Además, fue validado externamente con 63.273 registros de un segundo hospital (UCSF), sin necesidad de reentrenamiento.
Esta amplia base de datos permitió al sistema identificar patrones consistentes entre las características clínicas de los pacientes y la composición óptima de sus fórmulas nutricionales.
El algoritmo emplea técnicas avanzadas de aprendizaje profundo para reducir la enorme variabilidad de combinaciones posibles a solo 15 fórmulas estandarizadas, manteniendo la capacidad de personalización según las necesidades del paciente. De este modo, se logra un equilibrio entre precisión médica, seguridad farmacológica y eficiencia operativa.
La arquitectura de TPN2.0 se basa en una red neuronal variacional, capaz de identificar representaciones latentes en los datos clínicos. A través de este enfoque, el sistema agrupa a los pacientes en grupos según sus necesidades nutricionales diarias y recomienda la fórmula más adecuada.
Las recomendaciones se actualizan de forma dinámica conforme evoluciona el estado del bebé.
Resultados clínicos y validación externa en otro hospital
La precisión del modelo fue comparable a la de los expertos médicos, con una correlación de Pearson de 0,94 frente a los profesionales en Stanford, y 0,91 en UCSF. Los resultados se mantuvieron estables a lo largo del tiempo, incluso ante cambios en las guías clínicas neonatales.
En una validación ciega, diez médicos evaluaron prescripciones generadas por TPN2.0 frente a las reales y otras aleatorias. En el 80 % de los casos, los profesionales prefirieron las formulaciones propuestas por la IA, sin saber que eran generadas automáticamente.
Además, al analizar registros médicos retrospectivos, los investigadores encontraron que los recién nacidos cuyas prescripciones reales diferían mucho de las sugeridas por TPN2.0 presentaban mayores riesgos de complicaciones. Por ejemplo, la probabilidad de enterocolitis necrosante fue tres veces mayor cuando las fórmulas diferían significativamente del modelo.
Reducción de riesgos, errores y desigualdades
Las desviaciones respecto a TPN2.0 se asociaron a un aumento significativo en la incidencia de sepsis, colestasis y mortalidad neonatal. En cambio, una alta similitud con las recomendaciones del modelo mostró efectos protectores.
Los autores destacan que este sistema puede ser especialmente útil en entornos con recursos limitados, donde el acceso a nutrición parenteral personalizada es escaso.
La estandarización también reduce errores en la preparación y administración, disminuye el tiempo necesario para formular cada prescripción, y permite incluso preproducir las bolsas de nutrición intravenosa, almacenándolas hasta por dos años sin perder efectividad. Esta eficiencia representa un avance importante en términos de logística hospitalaria y sostenibilidad.
Otro hallazgo clave fue la mayor consistencia en las recomendaciones de TPN2.0 en comparación con las prácticas clínicas actuales. El modelo demostró menor variabilidad entre pacientes similares, superando la subjetividad de la experiencia individual de cada médico.
Un sistema adaptativo que colabora con el equipo clínico
TPN2.0 no reemplaza al médico, sino que trabaja junto a él. Los desarrolladores incorporaron un modelo adicional entrenado para cumplir con guías clínicas estrictas de seguridad y adaptarse a las decisiones del equipo médico.
Este sistema híbrido permite a los profesionales intervenir cuando lo consideren necesario. Por ejemplo, si el médico ajusta una dosis específica, el modelo incorpora esa corrección en sus predicciones futuras.
Así se promueve una colaboración entre IA y expertos clínicos, garantizando al mismo tiempo seguridad, personalización y transparencia.
En pruebas de simulación, la precisión del modelo mejoró aún más cuando se introdujeron correcciones puntuales por parte de los profesionales, alcanzando correlaciones de hasta 0,78. Esta capacidad de adaptación refuerza la utilidad del sistema en entornos reales.
Estándares de oro basados en evidencia y accesibles globalmente
A diferencia de otras fórmulas estandarizadas diseñadas por consenso experto, TPN2.0 se basa en datos reales y está validado con resultados clínicos. Esto ofrece una alternativa más robusta para establecer nuevos estándares en nutrición neonatal.
En contextos donde la formulación personalizada de TPN no es viable, TPN2.0 podría ofrecer fórmulas seguras, eficaces y económicas, listas para su uso inmediato.
Estas soluciones serían especialmente valiosas en hospitales con pocos recursos o en países de ingresos medios y bajos.
Si bien los resultados actuales son prometedores, los autores subrayan que se trata de una herramienta complementaria y no definitiva. Será necesario un ensayo clínico aleatorizado para confirmar los efectos causales sobre la salud neonatal y establecer su adopción a gran escala.
Una nueva era para la nutrición neonatal
TPN2.0 representa un avance crucial en la medicina neonatal de precisión. Permite automatizar decisiones complejas, mejorar la seguridad del tratamiento, reducir errores y hacer más accesible la atención de alta calidad.
Su desarrollo demuestra que la inteligencia artificial no solo puede predecir enfermedades, sino también guiar decisiones terapéuticas clave.
Este modelo allana el camino para una nueva generación de herramientas médicas inteligentes, centradas en la acción clínica y no solo en el diagnóstico. Y, lo más importante, ofrece a los recién nacidos más vulnerables una oportunidad real de crecer más sanos, desde el primer día de vida.
Referencias
- Phongpreecha T, Ghanem M, Reiss JD, et al. AI-guided precision parenteral nutrition for neonatal intensive care units. Nat Med. (2025). doi:10.1038/s41591-025-02894-0
